Come il rilevamento e lo sfruttamento dei modelli potrebbero elevarsi a vicenda a un nuovo livello
Anche se la maggior parte di noi non se ne rende conto, gli algoritmi di ottimizzazione (OA) sono all’opera ovunque. Pianificano lo stoccaggio sugli scaffali dei nostri negozi di alimentari, creano gli orari degli aeroporti e ci forniscono il percorso più breve per raggiungere la destinazione delle nostre vacanze. Gli algoritmi esatti in particolare riescono molto bene a sfruttare le strutture conosciute — ad esempio, strutture convesse — trovare soluzioni anche in spazi decisionali massicci con molti vincoli. Negli ultimi decenni, la combinazione di miglioramenti hardware e algoritmici ha prodotto enormi accelerazioni, nell’ordine di milioni. Un’attività di pianificazione che negli anni ’90 avrebbe richiesto mesi per essere completata da un computer, oggi potrebbe richiedere solo un secondo.
Allo stesso modo, il machine learning (ML) ha preso un volo incredibile negli ultimi dieci anni circa. MuZero ha mostrato la capacità di apprendere politiche di gioco sovrumane senza conoscere le regole del gioco, le reti neurali Graph apprendono relazioni complesse impercettibili all’occhio umano e Transformers ha dato origine a ChatGPT e ai suoi concorrenti. La caratteristica comune è che questi algoritmi sono tutti in grado di rilevare modelli dal loro ambienteche si tratti di database di testo o videogiochi. Architetture nuove ed estremamente complicate vengono introdotte regolarmente, spesso risolvendo nuovi problemi e offrendo prestazioni senza pari. Nonostante tutti i successi e le scoperte, per molti problemi del mondo reale, il machine learning end-to-end fatica a raggiungere risultati competitivi. Gli OA personalizzati spesso continuano a battere il machine learning, ma possono richiedere un tempo di calcolo considerevole.
Tuttavia non è necessario che i due approcci competano. È interessante notare che gli algoritmi di ottimizzazione eccellono sfruttando modelli, mentre il machine learning eccelle rilevamento modelli. Invece di metterli l’uno contro l’altro come parametri di riferimento e vedere quale supera l’altro, non avrebbe senso sposare invece le due metà complementari?
Quando si uniscono ottimizzazione e machine learning, spesso la questione si riduce a: apprendimento statistico utilizzato per migliorare le routine di ottimizzazione in una forma o nell’altra. In questo modo possiamo velocizzare la ricerca sfruttando i modelli che abbiamo imparato. Lo sviluppo di tali soluzioni integrate è diventato un campo di ricerca emergente negli ultimi…
Fonte: towardsdatascience.com
