Newswise — ДАЛЛАС (SMU) — Национальный научный фонд (NSF) наградил профессора инженерного дела SMU Дигвиджая Буба пятилетним КАРЬЕРНЫМ грантом на разработку более быстрых и оптимизированных решений, которые могут ускорить процесс обучения ИИ на данных для прогнозирования и принятия решений.

Приложения охватывают широкий спектр задач, таких как обеспечение справедливости в моделях машинного обучения, улучшение управления запасами для более здоровых цепочек поставок и принятие оптимальных решений при управлении электростанциями.

Буб получит грант в размере 596 607 долларов США от программы CAREER, самой престижной награды NSF в поддержку преподавателей, начинающих карьеру. Его проект направлен на решение алгоритмов для двух типов математических задач. Эти математические задачи, известные как задачи полубесконечной оптимизации и задачи оптимизации с ограничением равновесия, используются учеными и практиками бизнеса для повышения эффективности, снижения затрат, управления рисками, улучшения процесса принятия решений и максимизации прибыли. Специалисты по данным и инженеры также используют эти проблемы оптимизации в своей области для оценки прогнозируемых результатов и принятия разумных решений.

« В настоящее время у нас нет достаточного понимания того, как решить эти проблемы,» — сказал Буб, доцент кафедры исследования операций и инженерного менеджмента инженерной школы Лайла при SMU. «Существующие алгоритмы, как правило, работают только в ограниченных условиях, иначе они не смогут справиться с крупномасштабными проблемами, с которыми мы сталкиваемся в современном мире».

Машинное обучение, разновидность искусственного интеллекта (ИИ), позволяет компьютерам учиться на данных, позволяя им делать прогнозы или решения без явного программирования. Алгоритмы являются основой моделей машинного обучения, предоставляя математические инструкции, определяющие реакцию ИИ на данные, с которыми он сталкивается.

Более быстрые алгоритмы, подобные тем, которые стремится разработать Буб, потенциально могут решать проблемы оптимизации быстрее, чем нынешние методы. Это крайне важно, поскольку модели ИИ становятся все более сложными и отвечают растущим требованиям пользователей.

Задачи полубесконечной оптимизации — это математические задачи с бесконечным числом потенциальных ограничений. Представьте себе завод, производящий или перерабатывающий химикаты; Чтобы избежать непреднамеренных химических реакций, необходимо учитывать несколько переменных, и не все из них можно предугадать заранее. Можно использовать задачу полубесконечной оптимизации, чтобы гарантировать, что все эти ограничения учтены для получения желаемого результата.

«Задачи оптимизации с ограничениями по равновесию», с другой стороны, «используются для моделирования системы, в которой несколько игроков действуют независимо в собственных интересах», — объяснил Буб. Примером этого могут быть конкурирующие компании, использующие алгоритм, чтобы выяснить, как они могут максимизировать свою прибыль, учитывая реакцию конкурентов.

«Задача алгоритма состоит в том, чтобы найти хорошее равновесие, несмотря на неопределённые аспекты», — сказал Буб, который специализируется на разработке доказуемо быстро сходящихся и простых в реализации масштабируемых алгоритмов.

Однако написать алгоритмы для этих различных сценариев оптимизации будет чрезвычайно сложно.

«Точки решения не только должны удовлетворять ограничениям, но они должны быть лучшими среди всех таких точек, либо максимизируя некоторую прибыль, либо минимизируя ошибки, соблюдая при этом эти бесконечные или равновесные ограничения», — сказал Буб. «Очевидно, что бессистемный подход заведет нас слишком далеко. Мы хотим систематически изучать эти проблемы».

Студенты SMU из Управления вовлеченного обучения, имеющие большой опыт в математике, оптимизации и компьютерном языке, будут помогать Бубу проверять, насколько хорошо работают алгоритмы, и реализовывать их на компьютере, чтобы увидеть, как они работают.

Этот материал основан на работе, поддержанной Национальным научным фондом в рамках гранта № 2340858. Программа NSF «КАРЬЕРА» — это деятельность всего Фонда, которая предлагает самые престижные награды Национального научного фонда в поддержку начинающих преподавателей, которые имеют потенциал для служения. в качестве академического образца для подражания в исследованиях и образовании, а также способствовать прогрессу в миссии своего отдела или организации. Ожидается, что деятельность, проводимая начинающими преподавателями в рамках этой премии, создаст прочную основу для пожизненного лидерства в интеграции образования и исследований.

Любые мнения, выводы, выводы или рекомендации, выраженные в этом материале, принадлежат авторам и не обязательно отражают точку зрения Национального научного фонда.

О СМУ

СМУ — это глобальный исследовательский университет национального уровня, расположенный в динамичном городе Даллас. Выпускники, преподаватели и более 12 000 студентов SMU в восьми школах, присуждающих ученые степени, демонстрируют предпринимательский дух, возглавляя изменения в своих профессиях, сообществах и мире.