Algorytmy projektowe pozwalające przetwarzać bardziej złożone dane
Postępy w stosowaniu metod obliczeniowych, na przykład prezentowane przez algorytm gry AlphaGo(odnośnik otworzy się w nowym oknie), korzystają z ogromnych ilości danych i tyleż ich wytwarzają. Aby sprostać tym wymaganiom, badacze odwołali się do pomocy algorytmów uczenia maszynowego (ML), które powstały w oparciu o takie techniki, jak uczenie ze wzmocnieniem(odnośnik otworzy się w nowym oknie) (RL) oraz najnowszych osiągnięć w zakresie sztucznej inteligencji (SI). Jednakże algorytmy te, choć doskonale sprawdzają się w symulacjach, bardzo często wyniki ich działania rozczarowują przy próbie przeniesienia na grunt rzeczywisty. Niepowodzenia te mają ogromne znaczenie w istotnych branżach, takich jak na przykład robotyka, gdzie z przyczyn praktycznych i ekonomicznych dopuszcza się podejmowanie zaledwie określonej liczby prób działania. Finansowany przez UE projekt DESIRE ma na celu poprawę niezawodności algorytmów optymalizacji, uczenia się i sterowania leżących u podstaw wielu innowacji, w które chętnie widzielibyśmy ze sterowaniem autonomicznym.
Kernel-DRO
Jednym z głównych problemów podczas przenoszenia wyników symulacji w warunki rzeczywiste jest zjawisko typowe dla uczenia maszynowego, tak zwane przesunięcie rozkładu. Mówiąc najprościej, pojawia się ono, gdy między rozkładem danych w zestawie wykorzystanym do uczenia algorytmu a rozkładem danych w zestawie służącym do testowania w warunkach rzeczywistych dochodzi do rozbieżności. „Przyczyną jest zazwyczaj zbytnia prostota sposobu, w jaki testowe zestawy danych mają odzwierciedlać warunki rzeczywiste”, mówi jeden z badaczy, Jia-Jie Zhu(odnośnik otworzy się w nowym oknie), który otrzymał wsparcie z działania „Maria Skłodowska-Curie”(odnośnik otworzy się w nowym oknie). „Przesunięcie rozkładów stanowiło jeden z głównych problemów w zakresie algorytmów uczenia się i sterowania. Od dawna też uniemożliwiało ich rozwój”, dodaje Zhu, pracujący obecnie w Instytucie Inteligentnych Systemów im. Maksa Plancka(odnośnik otworzy się w nowym oknie) (gospodarz projektu). Aby ograniczyć wpływ przesunięcia rozkładu, projekt DESIRE sięga do tak zwanych metod uczenia bazującego na jądrze(odnośnik otworzy się w nowym oknie). Są to obliczenia, dzięki którym algorytmy stają się bardziej niezawodne, ponieważ zaczynają dostrzegać w danych wzorce, identyfikować je, a potem tworzyć relacje w obrębie tych danych, bazując na wstępnie określonych cechach, takich jak korelacje czy klasyfikacje. Dzięki temu w ramach projektu DESIRE mógł powstać algorytm korzystający z optymalizacji jądra niezawodnej względem rozkładu (Kernel-DRO), w którym decyzje, na przykład polecenia sterowania dla robotów, były dobrze określone.
Liczne zastosowania
Wprawdzie prace prowadzone w ramach projektu DESIRE są czysto teoretyczne, lecz poza wkładem w literaturę fachową(odnośnik otworzy się w nowym oknie) w zakresie optymalizacji matematycznej, teorii sterowania i uczenia maszynowego, mają też szereg praktycznych implikacji. Okazuje się, że główną siłą rozwiązania zaprezentowanego przez zespół pracujący nad Kernel-DRO, jest właśnie nieograniczoność zastosowań. „Wiele z prowadzonych dziś działań w zakresie uczenia odczuwa negatywne skutki występowania przesunięcia rozkładu. Jesteśmy przekonani, że osoby szukające praktycznych rozwiązań dla przemysłu i biznesu, którym zależy na poprawie niezawodności stosowanych procedur uczenia maszynowego, z łatwością zastosują nasz algorytm”, wyjaśnia Zhu. Zhu planuje już dalsze działania w tym zakresie i obecnie pracuje nad stworzeniem algorytmów uczenia się działających w większej skali, które radziłyby sobie z obróbką bardziej losowych danych, nadających się do zastosowań przemysłowych. Na przykład zasadę niezawodności danych stosuje się do modelowania metod sterowania predykcyjnego, bardzo skutecznej metody sterowania wykorzystywanej w zastosowaniach o znaczeniu krytycznym dla bezpieczeństwa, takich jak kontrola lotu, sterowanie procesami chemicznymi czy robotyka.
