Leslie Pack Kaelbling é uma roboticista americana e Professora Panasonic de Ciência da Computação e Engenharia no Instituto de Tecnologia de Massachusetts. Ela é amplamente reconhecida por adaptar processos de decisão de Markov parcialmente observáveis da pesquisa operacional para aplicação em inteligência artificial e robótica. Seu trabalho moldou a forma como sistemas autônomos raciocinam sobre incerteza e agem em ambientes dinâmicos.
Kaelbling recebeu o Prêmio IJCAI Computers and Thought em 1997 por aplicar aprendizado por reforço a sistemas de controle embarcados e por desenvolver ferramentas de programação para navegação de robôs. Em 2000, foi eleita membro da Associação para o Avanço da Inteligência Artificial. Sua pesquisa abrange tomada de decisão sob incerteza, aprendizado de máquina e sensoriamento, com foco em permitir que robôs operem de forma confiável no mundo real.
Início da Vida e Educação
Kaelbling obteve um bacharelado em Filosofia em 1983 pela Universidade de Stanford, seguido por um doutorado em Ciência da Computação em 1990, também por Stanford. Durante seus estudos de pós-graduação, ela foi afiliada ao Centro para o Estudo da Linguagem e da Informação, onde explorou conexões entre lógica, raciocínio e ação. Seu trabalho de doutorado estabeleceu as bases para suas contribuições posteriores ao planejamento e controle probabilísticos.
Sua formação interdisciplinar - combinando filosofia com ciência da computação - informou sua abordagem à IA, particularmente ao enquadrar o comportamento inteligente como um problema de agir sob incerteza. Essa perspectiva tornou-se uma marca registrada de sua carreira, influenciando tanto estruturas teóricas quanto sistemas robóticos práticos.
Trajetória Profissional
Após concluir seu doutorado, Kaelbling trabalhou na SRI International e na spin-off de robótica afiliada Teleos Research. Na SRI, ela contribuiu para os primeiros esforços em navegação de robôs e controle embarcado, desenvolvendo ferramentas que permitiam que robôs tomassem decisões com base em dados de sensores ruidosos. Seu tempo na Teleos Research fez a ponte entre a pesquisa acadêmica e as aplicações comerciais, dando-lhe uma visão sobre os desafios práticos da implantação de sistemas de IA.
Em meados da década de 1990, Kaelbling ingressou no corpo docente da Universidade Brown, onde estabeleceu um grupo de pesquisa focado em aprendizado por reforço e robótica probabilística. Em Brown, ela colaborou com colegas em artigos fundamentais que definiram como os robôs poderiam aprender com a interação e planejar sob observabilidade parcial. Ela permaneceu em Brown até 1999, quando se mudou para o Instituto de Tecnologia de Massachusetts.
No MIT, Kaelbling tornou-se Professora Panasonic de Ciência da Computação e Engenharia, posição que continua ocupando. Seu laboratório no Laboratório de Ciência da Computação e Inteligência Artificial do MIT produziu trabalhos influentes sobre planejamento de tarefas e movimentos, tomada de decisão hierárquica e sistemas integrados de percepção-ação. Ela orientou numerosos estudantes que seguiram carreiras proeminentes na academia e na indústria.
Contribuições ao Aprendizado por Reforço
O trabalho inicial de Kaelbling em aprendizado por reforço ajudou a estabelecer o campo como uma área central da pesquisa em IA. Sua pesquisa de 1996, "Reinforcement Learning: A Survey", coautorada com Michael L. Littman e Andrew W. Moore, permanece uma das referências mais citadas no campo. A pesquisa organizou sistematicamente algoritmos existentes, resultados teóricos e aplicações, fornecendo um roteiro para pesquisas subsequentes.
Seu Prêmio IJCAI Computers and Thought de 1997 reconheceu suas contribuições para aplicar aprendizado por reforço a sistemas de controle embarcados. Este trabalho demonstrou que robôs poderiam aprender políticas diretamente da experiência, sem exigir modelos explícitos de seus ambientes. Ela também desenvolveu ferramentas de programação para navegação de robôs que permitiam que pesquisadores especificassem objetivos de alto nível enquanto o sistema lidava com a incerteza de baixo nível.
A abordagem de Kaelbling enfatizava a importância de representar a incerteza explicitamente. Em vez de assumir conhecimento perfeito, seus sistemas mantinham distribuições de probabilidade sobre estados possíveis e as usavam para guiar a seleção de ações. Essa perspectiva foi particularmente influente na robótica, onde sensores são ruidosos e atuadores são imprecisos.
Processos de Decisão de Markov Parcialmente Observáveis
Uma contribuição central da carreira de Kaelbling é a adaptação de processos de decisão de Markov parcialmente observáveis (POMDPs) da pesquisa operacional para IA e robótica. POMDPs fornecem uma estrutura matemática para tomada de decisão quando um agente não pode observar diretamente o estado completo de seu ambiente. Kaelbling e seus colaboradores mostraram como esses modelos poderiam ser usados para navegação e planejamento de robôs.
Seu artigo de 1998, "Planning and acting in partially observable stochastic domains", coautorado com Littman e Anthony R. Cassandra, introduziu algoritmos eficientes para resolver POMDPs e demonstrou sua aplicação à navegação de robôs móveis. Este trabalho fez a ponte entre IA teórica e robótica prática, mostrando que POMDPs poderiam lidar com a incerteza inerente ao sensoriamento do mundo real.
O trabalho relacionado de Kaelbling sobre modelos bayesianos discretos para navegação de robôs móveis, com Cassandra e James A. Kurien, forneceu métodos concretos para atualizar crenças sobre a localização de um robô usando dados de sensores. Essas técnicas tornaram-se fundamentais para desenvolvimentos posteriores em localização e mapeamento simultâneos (SLAM) e robótica probabilística de forma mais ampla.
Journal of Machine Learning Research
Na primavera de 2000, Kaelbling desempenhou um papel fundamental no movimento de acesso aberto em IA. Ela e dois terços do conselho editorial do periódico Machine Learning, de propriedade da Kluwer, renunciaram em protesto contra seus arquivos de acesso pago e compensação financeira limitada para autores. A renúncia foi uma ação coordenada para desafiar o modelo de publicação comercial que restringia o acesso à pesquisa.
Kaelbling cofundou o Journal of Machine Learning Research (JMLR) e serviu como sua primeira editora-chefe. O JMLR era um periódico de acesso aberto revisado por pares que permitia que pesquisadores publicassem artigos gratuitamente, retivessem direitos autorais e disponibilizassem arquivos gratuitamente online. Esse modelo foi revolucionário na época e desde então tornou-se um padrão para muitas publicações de IA.
Em resposta à renúncia em massa, a Kluwer mudou sua política de publicação para permitir que autores arquivassem seus artigos online após a revisão por pares. Kaelbling observou que essa política era razoável e teria tornado desnecessária a criação de um periódico alternativo. No entanto, ela observou que a mudança de política veio apenas após a ameaça de renúncias e a fundação real do JMLR, sublinhando a importância da ação coletiva na publicação acadêmica.
Trabalhos Selecionados e Impacto
O registro de publicações de Kaelbling inclui vários artigos altamente influentes. Sua pesquisa de 1996 sobre aprendizado por reforço, com Littman e Moore, apareceu no Journal of Artificial Intelligence Research e foi citada milhares de vezes. O artigo de 1998 sobre POMDPs com Littman e Cassandra, publicado em Artificial Intelligence, tornou-se igualmente uma referência fundamental.
Seu trabalho sobre planejamento hierárquico de tarefas e movimentos, com Tomás Lozano-Pérez, abordou o desafio de combinar planejamento discreto no nível de tarefas com planejamento contínuo de movimentos. Seu artigo de 2011, "Hierarchical task and motion planning in the now", apresentou métodos para intercalar planejamento e execução em tempo real, permitindo que robôs lidassem com tarefas complexas de manipulação. Essa linha de pesquisa influenciou abordagens modernas para manipulação de robôs tanto na academia quanto na indústria.
Kaelbling também contribuiu para o aprendizado por reforço prático em espaços contínuos, com William D. Smart, em um artigo de 2000 apresentado na Conferência Internacional sobre Aprendizado de Máquina. Este trabalho abordou o desafio de escalar o aprendizado por reforço para espaços de estado contínuos de alta dimensão, um problema que permanece central para o aprendizado profundo por reforço moderno.
Legado e Reconhecimento
A influência de Kaelbling se estende além de sua própria pesquisa. Como professora no MIT, ela moldou a próxima geração de roboticistas e pesquisadores de IA. Sua ênfase em métodos probabilísticos baseados em princípios tornou-se prática padrão em robótica, influenciando campos desde direção autônoma até robôs domésticos.
Sua eleição como membro da Associação para o Avanço da Inteligência Artificial em 2000 reconheceu suas contribuições sustentadas ao campo. O Prêmio IJCAI Computers and Thought, uma das maiores honrarias em IA, reconheceu suas realizações no início da carreira. Seu papel na fundação do JMLR também teve um impacto duradouro em como a pesquisa em IA é disseminada, promovendo o acesso aberto antes de se tornar um movimento generalizado.
O trabalho de Kaelbling continua relevante à medida que sistemas de IA operam cada vez mais em ambientes incertos do mundo real. Suas contribuições fundamentais para POMDPs e aprendizado por reforço sustentam muitas abordagens modernas em robótica e tomada de decisão, desde automação de armazéns até veículos autônomos. Sua carreira exemplifica a integração de rigor teórico com aplicação prática, um modelo que continua a inspirar pesquisadores em IA e robótica.