Directorio de Graduados BAIR 2024: Conoce a los PhD de IA del BAIR

TL;DR

El Berkeley AI Research (BAIR) Lab presenta los graduados de PhD de 2024, detallando sus intereses de investigación y la información de contacto para facilitar colaboraciones académicas, de investigación y con la industria.
Las áreas abarcan aprendizaje automático, aprendizaje por refuerzo, robótica, procesamiento de lenguaje natural, visión por computadora, seguridad y más.
Los perfiles incluyen el(los) asesor(es) de cada graduado y enlaces a sitios personales para facilitar el contacto y la colaboración.
Los graduados buscan roles como Científico de Investigación, Ingeniero de ML o Ingeniero de Robótica/Controles, entre otros.

Contexto y antecedentes

El BAIR Lab de la UC Berkeley celebra anualmente la graduación de estudiantes de PhD que han contribuido al avance de la inteligencia artificial y del aprendizaje automático. El Directorio de Graduados 2024 de BAIR sirve como recurso público para presentar a estos colegas, sus intereses de investigación y sus datos de contacto, permitiendo a instituciones académicas, organizaciones de investigación e industria descubrir y reclutar a la nueva generación de pioneros de IA. El directorio cubre un amplio espectro de temas —desde aprendizaje profundo, robótica y PLN hasta visión por computadora, seguridad y más— y enfatiza el impacto del trabajo de BAIR en la sociedad. Esta iniciativa, en parte inspirada por la colaboración con el Stanford AI Lab, busca facilitar nuevas colaboraciones y oportunidades para los graduados de BAIR al iniciar nuevos roles. El directorio proporciona perfiles detallados para cada graduado, incluyendo su descripción de investigación, asesoría y enlaces a sitios personales. Estos perfiles destacan la diversidad de enfoques y dominios de problemas que explora la nueva cohorte de PhD de BAIR y subrayan la contribución continua del laboratorio a la investigación y las aplicaciones de IA.

Novedades

El Directorio de Graduados BAIR 2024 presenta una cohorte de graduados con una variedad de intereses y especialidades. Rasgos clave:

Una mezcla de teoría fundamental e investigación aplicada en ML, robótica y seguridad de IA.
Énfasis en sistemas autónomos, desde la generación de entornos y aprendizaje por currículo hasta el control y la planificación en entornos reales.
Exploración de modelos de lenguaje, aprendizaje con intervención humana y consideraciones de UX para tecnologías GenAI.
Una fuerte presencia en optimización, control y sistemas multiagente, incluidas aplicaciones en vehículos autónomos y robótica. Entre los graduados listados se encuentran Abdus Salam Azad, Alicia Tsai, Catherine Weaver, Chawin Sitawarin, Dhruv Shah, Eliza Kosoy, Fangyu Wu, Frances Ding, Jianlan Luo, Kathy Jang, Kevin Lin, Nikhil Ghosh, Olivia Watkins, Ruiming Cao, Ryan Hoque, Sam Toyer, Shishir G. Patil y Suzie Petryk. Cada entrada ofrece un correo electrónico y un sitio web personal para facilitar el contacto directo y la colaboración. Por ejemplo, Abdus Salam Azad puede contactarse en [email protected], con sitio en https://www.azadsalam.org/; Alicia Tsai en [email protected] con https://www.aliciatsai.com/; Catherine Weaver en [email protected] con https://cwj22.github.io.

Por qué es importante (impacto para desarrolladores/empresas)

Para desarrolladores, empresas y organizaciones de investigación, el Directorio de Graduados BAIR es una puerta de entrada cuidadosamente curada hacia algunos de los más talentosos investigadores en IA que ingresan al mercado laboral. Los perfiles destacan fortalezas, áreas de investigación y posibles oportunidades de colaboración entre academia e industria. Al facilitar el contacto directo con los graduados y proporcionar enlaces a portafolios y descripciones de proyectos, el directorio apoya el reclutamiento, las asociaciones de investigación y las iniciativas conjuntas que pueden acelerar la adopción y el despliegue de tecnologías de IA avanzadas. Además, el directorio aborda un espectro de capacidades —desde contribuciones teóricas en representación de modelos y optimización hasta ingeniería de sistemas prácticos para vehículos autónomos, robótica y seguridad de IA— que puede satisfacer diversas necesidades empresariales, desde desarrollo de productos hasta iniciativas de investigación en seguridad.

Detalles técnicos o Implementación (temas representativos)

A continuación se presenta un resumen de temas de investigación representativos extraídos de los perfiles de la cohorte 2024 BAIR. Cada entrada refleja el foco central descrito en el resumen de investigación del graduado y el contexto de asesoría proporcionado.

Graduado	Enfoque de investigación representativo
Abdus Salam Azad	Generación de entornos / aprendizaje por currículo para entrenar agentes autónomos con aprendizaje por refuerzo; agentes autónomos basados en LLM.
Alicia Tsai	Aspectos teóricos de modelos implícitos profundos; representación en espacio de estados; desafíos de entrenamiento; aplicaciones a PLN y ciencias naturales.
Catherine Weaver	ML y control para carreras autónomas; uso de conjuntos de datos offline para informar control eficiente en robótica.
Chawin Sitawarin	Seguridad y fiabilidad en ML; aprendizaje adversarial; robustez; riesgos de seguridad emergentes en LLMs.
Dhruv Shah	Entrenamiento de modelos grandes para hacer que los robots sean más inteligentes; desarrollo de modelos para robótica.
Eliza Kosoy	Intersección entre desarrollo infantil y IA; benchmarks de LLM basados en desarrollo infantil; UX de GenAI.
Fangyu Wu	Métodos de optimización para sistemas robóticos multiagentes; planificación y control de vehículos automatizados.
Frances Ding	ML para modelado de proteínas; clasificación y diseño de propiedades proteicas; modelos de secuencias para ADN/ARN; interpretabilidad y equidad.
Jianlan Luo	Algoritmos escalables en las intersecciones de ML, robótica y controles.
Kathy Jang	Aprendizaje por refuerzo para vehículos autónomos; mejora de la toma de decisiones y eficiencia; aplicaciones trans-dominio.
Kevin Lin	Comprender y mejorar cómo los modelos de lenguaje utilizan y proporcionan información.
Nikhil Ghosh	Fundamentos del aprendizaje profundo; eficiencia de modelos grandes al escalar hiperparámetros con el tamaño del modelo.
Olivia Watkins	RL, aprendizaje por imitación, aprendizaje a partir de humanos; razonamiento de base de conocimiento común para agentes de lenguaje; alineación y robustez.
Ruiming Cao	Imágenes computacionales; modelado espacio-tiempo para recuperación de escenas dinámicas; microscopía óptica; procesamiento de cámaras de evento; renderizado de vistas nuevas.
Ryan Hoque	Aprendizaje por imitación y RL para grandes flotas robóticas que realizan manipulación y tareas complejas.
Sam Toyer	Seguridad, robustez y seguridad de modelos de lenguaje; visión, planificación, aprendizaje por imitación, RL y aprendizaje por recompensa.
Shishir G. Patil	Gorilla LLM; LLM Execution Engine; POET: ajuste fino de memoria eficiente en dispositivos edge.
Suzie Petryk	Entrada con asesoría de Trevor Darrell y Joseph Gonzalez; sitio personal: https://suziepetryk.com/.

Puntos clave

La generación 2024 de graduados BAIR abarca disciplinas de IA desde teoría hasta sistemas aplicados.
El cohorte enfatiza sistemas autónomos, seguridad de IA y aplicaciones centradas en el usuario.
Cada graduado ofrece un canal directo de contacto mediante correo y sitio web personal para facilitar colaboraciones.
El directorio facilita reclutamiento, asociaciones de investigación e iniciativas conjuntas entre academia e industria.
El trabajo presentado refleja el impacto de BAIR en robótica, PLN, visión por computadora y seguridad de IA.

FAQ

¿Cuántos graduados se presentan en el directorio 2024?

Se presentan 18 graduados de PhD con perfiles detallados e información de contacto.
¿Qué áreas cubren estos graduados?

Temas que incluyen aprendizaje automático, aprendizaje por refuerzo, robótica, vehículos autónomos, PLN, visión por computadora, seguridad y IA segura.
¿Cómo contactar a un graduado o aprender más?

Usa los correos y sitios personales listados en cada perfil, o consulta la página del directorio BAIR para los enlaces completos.
¿Dónde puedo encontrar los perfiles completos?

Consulta la página del Directorio de Graduados BAIR y los enlaces de los proyectos indicados en el directorio.