A gépi tanuláson keresztül történő személyre szabás forradalmasította a különböző iparágakat, beleértve a tanácsadó rendszereket, az egészségügyet és a pénzügyi szolgáltatásokat. Az algoritmusok személyre szabása az egyének egyedi jellemzőinek figyelembe vételével jelentősen javította a felhasználói élményt és hatékonyságot. Azonban a személyre szabott megoldások bevezetése az egészségügy és az önvezető járművek kritikus területein szabályozási jóváhagyási folyamatok által gátolt, melyek a termék biztonságosságát és hatékonyságát biztosítják.
Az egyik kulcskérdés a személyre szabott gépi tanulási (ML) megközelítések beágyazása a magas kockázatú területekbe nem adatak gyűjtésével vagy technológiai korlátokkal kapcsolatos, hanem a hosszadalmas és szigorú szabályozási felülvizsgálati folyamatokkal. Ezek a folyamatok, bár szükségesek, üzembe helyezési akadályokat jelentenek a hibák súlyos következményekkel járhatnak szektorokban történő személyre szabott megoldások esetén.
A Technion kutatói egy újszerű keretrendszert, az r-MDP (Reprezentatív Markov Döntési Folyamatok) nevet javasolták ennek a kihívásnak kezelésére. Ez a keretrendszer arra összpontosít, hogy egy adott felhasználói csoport számára fejlesszen ki egy korlátozott számú személyre szabott irányelveket. Ezek az irányelvek optimalizáltak azáltal, hogy maximalizálják az átfogó társadalmi jólétet, egyszerűsítve ezzel a szabályozási felülvizsgálati folyamatot, miközben megőrzik a személyre szabás lényegét. Az r-MDP-k által csökkentett politikák száma, amelyeket felül kell vizsgálni és engedélyezni, enyhítik a hosszadalmas jóváhagyási folyamatokkal járó kihívásokat.
Az r-MDP-k mögötti módszer két mély erősítéses tanulási algoritmust használ, amelyek a klasszikus K-means csoportosítási elvektől inspirálódnak. Ezek az algoritmusok kezelik a kihívást két kezelhetőbb részfeladatra bontva: az irányelvek optimalizálása fix hozzárendelésekkel és a hozzárendelések optimalizálása adott irányelvekkel. Az elképzelt algoritmusok empirikus vizsgálatokon keresztül igazolták hatékonyságukat a szimulált környezetben, lehetővé téve a jelentős személyre szabási lehetőségek megkönnyítését a korlátozott politika költségkeret feltételei között.
Az algoritmusok jelentősen skálázhatók és hatékonyak, hatékonyan alkalmazkodnak nagyobb költségvetésű politikákhoz és különböző környezetekhez. Az empirikus eredmények bemutatják az algoritmusok hatékonyságát a meglévő alapvonalakhoz képest a szimulált forgatókönyvekben, mint például az erőforrások gyűjtése és a robotok vezérlési feladatok terén, amelyek azt mutatják, hogy alkalmazhatók a valós világban. Továbbá, a javasolt megközelítés minőségileg kiemelkedik, mivel közvetlenül optimalizálja a társadalmi jólétet a tanult hozzárendelések által, megkülönböztetve azt a heurisztikus módszerektől, amelyeket általában a meglévő irodalom található.
A személyre szabott erősítéses tanulásról szóló kutatás a politika költségvetési korlátain belül észrevehető előrelépést jelent a gépi tanulás területén. Az r-MDP keretrendszer és a kapcsolódó algoritmusok bevezetése révén ez a kutatás áthidalja a személyre szabott megoldások bevezetése és a biztonság és szabályozás követése közötti szakadékot a területeken. Az eredmények értékes tanulságokat nyújtanak a jövőbeli kutatások és a gyakorlati alkalmazások számára, különösen olyan magas kockázatú környezetekben, ahol a személyre szabás és a szabályozás is követelmény.
Kapcsolódó link:
– Technion
The source of the article is from the blog enp.gr