האישיות דרך למידת מכונה שדרגה תעשיות שונות, כולל מערכות הממליצים, שירותי הבריאות ושירותים פיננסיים. באמצעות מותאמות באלגוריתמים למאפיינים הייחודיים של אנשים, חוויית המשתמש והיעילות עולות באופן משמעותי. אולם, הטמעת פתרונות אישית בענפים קריטיים כמו הבריאות והנהיגה אוטומטית מונעת על ידי תהליכי אישור רגולטוריים ארוכים ומקפידים המבטיחים את בטיחות ויעילות המוצר.
אתגר מרכזי בהטמעת גישות למידה (Machine Learning) אישיות בקרב תחומים בסיכון גבוה הוא לא מתייחס לרכיב הקבלת נתונים או למגבלות טכנולוגיות, אלא לתהליכי ביקורת רגולטוריים ארוכים ומקופחים. תהליכים אלו, סביר להניח, מסוגלים ליצור מחזורי מחסור בהטמעת פתרונות אישיים בתחומים בהם שגיאות יכולות לגרום להשלכות חמורות.
כדי להתמודד עם האתגר, חוקרים מתכנן טכניון חדשנו מסגרת ידועה בשם r-MDPs (Representative Markov Decision Processes). המסגרת מתמקדת בפיתוח סט מוגבל של מדיניות מותאמת שמותאמת במיוחד לקבוצת משתמשים מסוימת. המדיניות מומצת למרבה המידה כדי למקסם את הטובת הכללית החברתית, מאפשרת גישה שמודרנית לתהליכי ביקורת הרגולטורית בעודה משמרת את המהות של האישיות. באמצעות הפחתת מספר המדיניות שצריכות לעבור ביקורת ואישור, r-MDPs מפחית את הקשיים המובנים בתהליכי אישור טרם התפשטות הפתרונות האישיים בתחומים בהם שגיאות יכולות לגרום להשלכות חמורות.
המתודולוגיה המטמונה ב-r-MDPs כוללת שני אלגוריתמים למידה ברשתות עמידות בחזרה (Deep Reinforcement Learning) המונחים על עיקרונות אוגדים של קלסות K-means. האלגוריתמים הללו מתמודדים עם האתגר באמצעות פיצולו לשני בעיות משנהות ניהוליות יותר: אופטימיזציה של מדיניות לשיבוץ קבוע ואופטימיזציה של שיבוצים למדיניות קבועה. באמצעות ניסויים אמפיריים בסביבות מונית, האלגוריתמים המוצעים הוכיחו את יעילותם בהקלת אישיות משמעותית בהגבלת התקציב המדיני למדיניות קבועה.
יתרונה המשמעותי של האלגוריתמים הוא ביכולתם להיערן ולהתאים לתקציבים גדולים יותר וסביבות מגוונות. התוצאות האמפיריות מציגות את יתרון המוקד הטכנולוגי הזה יחד עם היעילות שלו בזיהוי הקיבוץ עצמו בהתאם לתנאי המידה. התוצאות המחקריות מראות את יכולת האלגוריתמים לחזות על הבסיסים הקיימים ולשלוט בועדת רווח החברתי בהתאם לשיטות האופטימיזציה שפורסמו לשם.
המחקר שבודק את למידת החיזוק האישית עם האילוצים המגובים על התקציבים המדיניים מהווה התקדמות משמעותית בתחום למידה מכונה (Machine Learning). בעזרת מסגרת r-MDPs והאלגוריתמים המתאימים, מחקר זה מחבר בנקודה בין אישיות לתאמת תקנות רגולציה בתחומים בהם תקן ובטיחות הם נותנים דגש רב.
הממצאים מציעים תובנות יקרות למחקר וליישום פרקטי, במיוחד בסביבות גבוהות התקנה שדורשות גם אישיות וגם שפיות לתקנות התיקון.
כך שימש התחום את התפתחותו במנת לייעל את שימושו בתוצרת מאמץ פתרונות אישיים הידידותיים לגורמי סיכון. הולך ומתקדם, יכולת השפעתו של מחקר זה אין ביכולתנו להכריע את מידתה. יעזור לו בפיתוח פתרונות אישים שאינם רק אפקטיביים אלא גם עומדים בתקנות הפיקוח הרגולטורי. לעזור בשיפור תעשיות בקריטיות ולהביא שינוי חיובי לחברה כולה.
The source of the article is from the blog meltyfan.es