Автоматизиране на математиката за вземане на решения при несигурност
Една от аргументите дълбокото образование да се развихри през последното десетилетие беше съществуването на езици за програмиране, които биха могли да автоматизират математическите калкулации на равнище лицей, които са нужни за образование на всеки нов модел. Невронните мрежи се образоват посредством конфигуриране на техните параметри, с цел да се опитат да усилят резултата, който може да бъде бързо изчислен за данни за образование. Уравненията, употребявани за контролиране на параметрите във всяка стъпка на конфигурация, се извличаха усърдно на ръка. Платформите за надълбоко образование употребяват способ, наименуван автоматизирано диференциране, за автоматизирано пресмятане на корекциите. Това разреши на откривателите бързо да изследват голямо пространство от модели и да намерят тези, които в действителност работят, без да е належащо да знаят главната математика.
Но какво да кажем за проблеми като моделиране на климата или финансово обмисляне, където главните сюжети са фундаментално несигурни? За тези проблеми единствено смятането не е задоволително — имате потребност и от доктрина на вероятностите. „ Резултатът “ към този момент не е просто детерминистична функционалност на параметрите. Вместо това, той се дефинира от стохастичен модел, който прави случаен избор за моделиране на незнайни. Ако се опитате да употребявате платформи за надълбоко образование за тези проблеми, те елементарно могат да дадат неверен отговор. За да решат този проблем, откривателите на MIT създадоха ADEV, който уголемява автоматизираното диференциране, с цел да се оправи с модели, които вършат случаен избор. Това носи изгодите от програмирането с изкуствен интелект към доста по-широк клас проблеми, позволявайки бързо изпробване с модели, които могат да разсъждават върху несигурни обстановки.
Водещият създател и докторант по електроинженерство и компютърни науки в Масачузетския софтуерен институт Алекс Лю споделя, че се надява хората да бъдат по-малко внимателни при потреблението на вероятностни модели в този момент, когато има инструмент за автоматизираното им разграничение. „ Необходимостта да се извлекат ръчно безпристрастни оценители на градиента с ниска разновидност може да докара до схващането, че вероятностните модели са по-трудни или по-сложни за работа от детерминистичните. Но вероятността е необикновено потребен инструмент за моделиране на света. Надявам се, че като дава рамка за автоматизирано създаване на тези оценители, ADEV ще направи по-привлекателно експериментирането с вероятностни модели, което евентуално ще разреши нови открития и прогрес в AI и отвън него.
Саса Мисайлович, доцент в Университета на Илинойс в Урбана-Шампейн, който не е взел участие в това проучване, прибавя: „ Тъй като парадигмата на вероятностното програмиране се появява за решение на разнообразни проблеми в науката и инженерството, пораждат въпроси за това по какъв начин можем да създадем ефикасна софтуерни реализации, построени върху солидни математически правила. ADEV показва такава основа за модулни и композиционни вероятностни заключения с производни. ADEV носи преимуществата на вероятностното програмиране - автоматизирана математика и по-мащабируеми логаритми за заключения - към доста по-широк кръг от проблеми, където задачата не е просто с цел да заключим какво евентуално е правилно, само че с цел да решим какво деяние да предприемем по-нататък. "
В допълнение към моделирането на климата и финансовото моделиране, ADEV може да се употребява и за проучване на интервенциите - да вземем за пример преструване на потребителски опашки за прът центрове за минимизиране на предстоящото време за изчакване, посредством преструване на процесите на изчакване и оценка на качеството на резултатите - или за конфигурация на логаритъма които роботът употребява за улавяне на физически обекти. Съавторът Mathieu Huot споделя, че е разчувствуван да види ADEV " употребен като дизайнерско пространство за нови оценители с ниска разновидност, основно предизвикателство във вероятностните калкулации. "
Изследването, удостоено с премията за отличен отчет SIGPLAN на POPL 2023, е съавтор на Vikash Mansighka, който управлява плана за вероятностни калкулации на MIT в Департамента по мозъчни и когнитивни науки и Лабораторията за компютърни науки и изкуствен интелект и оказва помощ в ръководенето на MIT Quest за разузнаване, както и Матийо Юо и Сам Статън, и двамата в Оксфордския университет. Huot прибавя, „ ADEV дава унифицирана рамка за разсъждения по отношение на повсеместния проблем за оценяване на градиентите независимо, по чист, грациозен и композиционен метод. “ Изследването беше подкрепено от Националната научна фондация, програмата DARPA Machine Common Sense и филантропски подарък от Siegel Family Foundation.
„ Много от най-противоречивите ни решения – от политиката за климата до данъчния кодекс – се свеждат до взимане на решения при неустановеност. ADEV улеснява експериментирането с нови способи за решение на тези проблеми, като автоматизира някои от най-трудните математически калкулации “, споделя Мансингка. „ За всеки проблем, който можем да моделираме благодарение на вероятностна стратегия, имаме нови, автоматизирани способи за конфигурация на параметрите, с цел да се опитаме да създадем резултати, които желаеме, и да избегнем резултати, които не желаеме. “
