Content
P:
Com pot ser útil una "caminada aleatòria" en algorismes d'aprenentatge automàtic?
R:
En l'aprenentatge de màquines, es pot aplicar un enfocament "a l'atzar" de diverses maneres per ajudar a la tecnologia a filtrar els grans conjunts de dades de formació que proporcionen les bases per a la comprensió eventual de la màquina.
Matemàticament, un passeig a l’atzar és quelcom que es pot descriure de diverses maneres tècniques diferents. Alguns la descriuen com una col·lecció aleatòria de variables; d’altres podria anomenar-lo un "procés estocàstic". Independentment, el passeig aleatori contempla un escenari en què un conjunt variable pren un camí que és un patró basat en increments aleatoris, segons un conjunt enter: Per exemple, un passeig en una línia de números on la variable es mou més o menys un a cada pas. .
Com a tal, es pot aplicar una caminada aleatòria als algorismes d'aprenentatge automàtic. Un exemple popular descrit en una peça de Wired s'aplica a algunes teories innovadores sobre com poden funcionar les xarxes neuronals per simular processos cognitius humans. Caracteritzant un enfocament a peu a l’atzar en un escenari d’aprenentatge de màquines l’octubre passat, l’escriptora Wired Natalie Wolchover atribueix bona part de la metodologia als pioners en ciències de dades Naftali Tishby i Ravid Shwartz-Ziv, que suggereixen un full de ruta per a diverses fases de l’activitat d’aprenentatge de màquines. Concretament, Wolchover descriu una "fase de compressió" relacionada amb la filtració de funcions o aspectes irrellevants o semi-rellevants en un camp d'imatge segons el propòsit previst del programa.
La idea general és que, durant un procés complex i en diversos passos, la màquina treballa per "recordar" o "oblidar" diferents elements del camp d'imatge per optimitzar els resultats: En la fase de compressió, el programa es podria descriure com "zero" a "sobre característiques importants a l'exclusió de les perifèriques.
Els experts utilitzen el terme "descens de gradients estocàstics" per referir-se a aquest tipus d'activitats. Una altra manera d’explicar-ho amb una semàntica menys tècnica és que la programació real de l’algorisme canvia per graus o iteracions, per “afinar” aquell procés d’aprenentatge que s’està duent a terme segons “passos a peu aleatoris” que acabarà conduint cap a alguna forma de síntesi.
La resta de la mecànica és molt detallada, ja que els enginyers treballen per moure els processos d'aprenentatge de màquines a través de la fase de compressió i altres fases relacionades. La idea més àmplia és que la tecnologia d’aprenentatge de màquines canvia dinàmicament al llarg de la vida de la seva avaluació de grans conjunts d’entrenament: En lloc de mirar diferents targetes flash en instàncies individuals, la màquina mira diverses vegades les mateixes targetes flash o tira targetes flash a atzarós, mirant-los de forma canviant, iterativa, aleatòria.
El plantejament anterior a l'atzar no és l'única manera d'aplicar la caminada aleatòria a l'aprenentatge automàtic. En qualsevol cas en què es necessiti un enfocament aleatori, la caminada aleatòria pot formar part del conjunt d'eines del matemàtic o del científic de dades, per tal de perfeccionar, de nou, el procés d'aprenentatge de dades i proporcionar resultats superiors en un camp ràpidament emergent.
En general, la caminada aleatòria està associada a certes hipòtesis matemàtiques i de ciències de dades. Algunes de les explicacions més populars d’una caminada a l’atzar tenen a veure amb les borses i els gràfics de valors individuals. Tal com es va popularitzar al "A Random Walk Down Wall Street" de Burton Malkiel, algunes d'aquestes hipòtesis defensen que l'activitat futura d'un estoc és essencialment inconscient. Tanmateix, altres suggereixen que es poden analitzar i projectar els patrons aleatoris i no és casualitat que els sistemes moderns d'aprenentatge de màquines s'apliquin sovint a l'anàlisi del mercat de valors ia la negociació diària. La recerca del coneixement en l’àmbit tecnològic és i sempre s’ha relacionat amb la recerca de coneixements sobre diners, i la idea d’aplicar passejades aleatòries a l’aprenentatge automàtic no és una excepció. D'altra banda, la caminada aleatòria com a fenomen es pot aplicar a qualsevol algoritme per a qualsevol propòsit, segons alguns dels principis matemàtics esmentats anteriorment. Els enginyers podrien utilitzar un patró de marxa aleatòria per provar una tecnologia ML, o orientar-la cap a la selecció de funcions o per a altres usos relacionats amb els gegantins castells bizantins a l'aire que són els sistemes ML moderns.