Как машинное обучение позволяет компьютерам думать быстрее и работать умнее

В быстро развивающемся мире бизнеса и технологий оптимизация эффективности вычислений является ключом к открытию новых возможностей. На Международной конференции по машинному обучению, состоявшейся 23-29 июля в Гонолулу, исследователи представили доклад, исследующий, может ли алгоритм Форда-Фулкерсона, который вычисляет максимальный поток в сети, работать быстрее с помощью машинного обучения.

Крупномасштабное программное обеспечение часто требует нескольких машин и сотен часов вычислительной мощности для решения отраслевых задач.

Сочетая машинное обучение с методами решения проблем, компьютеры могут быстрее анализировать и обрабатывать данные. Еще один бонус: компании могут экономить электроэнергию, потому что компьютеры работают более эффективно и потребляют меньше энергии.

"На практике мы часто наблюдаем какое-то явление, связанное с производительностью алгоритма, и мы не совсем понимаем, почему это происходит. Одним из примеров является полезность "теплых стартов", - сказал Сами Дэвис, доктор философии, исследователь в Северо-Западном университете. "Если мы сможем выяснить, почему что-то происходит, то сможем использовать это в своих интересах".

Что такое "теплый старт"? Представьте, что кто-то впервые играет в видеоигру; игрок не знаком с этой игрой и препятствиями, с которыми ему предстоит столкнуться. При переходе к новой игре игрок будет использовать знания из похожих игр, в которые он играл в прошлом. Это преимущество похоже на "теплый старт".

Бенджамин Мозли, доктор философии, адъюнкт-профессор Школы бизнеса Теппера Университета Карнеги-Меллон и соавтор исследования, опубликованного в Материалах 40-й международной конференции по машинному обучению, отмечает, что предприятия используют разработку алгоритмов "теплого запуска" с 1970-х годов.

"Мы хотели выяснить, можно ли сочетать машинное обучение с традиционными методами для обеспечения повышения производительности", - сказал Мозли. "В частности, мы спросили: можно ли использовать прогнозируемые решения в качестве отправной точки, которая приведет к более быстрой работе программного обеспечения?"

В этом исследовании они оценивали сегментацию изображений, основную проблему, когда компьютеры анализируют изображение, чтобы отделить объект от фона. Сегментация изображений, например, используется в самоуправляемых автомобилях для обнаружения и распознавания пешеходов и в медицинской визуализации для выявления опухолей.

Используя фотографии обычных вещей, таких как люди, животные и предметы, они проверили свою теорию и обнаружили, что сегментация изображений с использованием "теплого запуска" приводит к более быстрой сегментации изображений, чем "холодный запуск".

"В этой статье предлагается решение, которое может использовать преимущества хороших прогнозов и устойчиво к ошибкам прогнозирования", - сказал Мозли. "Опираясь на технологии, которые компании используют десятилетиями, наши результаты показывают, что этот подход может повысить скорость вычислений, не жертвуя при этом точностью или надежностью прогнозов алгоритма".

Мозли указывает, что все еще существуют некоторые проблемы, которые необходимо преодолеть, например, выяснить, что делать, когда прогнозы неверны. Они также хотят изучить, могут ли другие алгоритмы извлечь выгоду из аналогичных методов.

В этом исследовании приведен пример хорошо зарекомендовавшего себя подхода, который можно значительно улучшить с помощью метода "теплого запуска". Следующий шаг - выявить другие случаи, когда "теплый запуск" может повысить производительность. Команда изучает алгоритмы локального поиска, которые являются распространенным подходом, используемым в приложениях искусственного интеллекта и машинного обучения.