В быстро меняющемся ландшафте бизнеса и технологий ключом к прорыву является оптимизация вычислительной эффективности. На Международной конференции по машинному обучению, которая проходила с 23 по 29 июля в Гонолулу, исследователи представили доклад, изучающий, может ли алгоритм Форда-Фалкерсона — вычисляющий максимальный поток в сети — работать быстрее с использованием машинного обучения.
Решение крупномасштабных задач программного обеспечения часто требует нескольких машин и сотен часов вычислительной мощности. Объединяя машинное обучение с методами решения задач, компьютеры могут быстрее анализировать и обрабатывать данные. Еще один бонус: компании могут экономить энергию, поскольку компьютеры работают более эффективно и используют меньше энергии.
«Мы часто наблюдаем некоторые явления на практике, связанные с производительностью алгоритма, и мы не совсем понимаем, почему это происходит. Одним из примеров является полезность «теплых стартов», — сказал Сэми Дэвис, кандидат наук, научный сотрудник Северо-Западного университета. «Если мы можем понять, почему что-то происходит, тогда мы можем это использовать себе на пользу».
Что такое «теплый старт»? Представьте, что кто-то впервые играет в видеоигру; игрок незнаком с этой игрой и препятствиями, с которыми ему предстоит столкнуться. Игрок будет использовать знания из похожих игр, в которые он играл раньше, подходя к новой игре. Такое преимущество похоже на «теплый старт».
Бенджамин Моузли, кандидат наук, доцент бизнес-школы Теппера Университета Карнеги-Меллона и соавтор исследования, опубликованного в Трудах 40-й Международной конференции по машинному обучению, отмечает, что бизнес использует алгоритмы теплого старта с 1970-х годов.
«Мы хотели исследовать, может ли машинное обучение быть объединено с традиционными методами для раскрытия улучшений производительности», — сказал Моузли. «В частности, мы спросили: могут ли предсказанные решения использоваться в качестве стартовой точки, в результате чего программное обеспечение будет работать быстрее?»
Для этого исследования они оценили сегментацию изображений — основную задачу, когда компьютер анализирует изображение, чтобы отделить объект от фона. Например, сегментация изображений используется в беспилотных автомобилях для обнаружения и распознавания пешеходов, а также в медицинской визуализации для идентификации опухолей.
Используя фотографии обычных вещей, таких как люди, животные и объекты, они проверили свою теорию и обнаружили, что сегментация изображений с использованием теплого старта приводит к более быстрой сегментации изображений по сравнению с холодным стартом.
«Эта статья предлагает решение, которое может воспользоваться хорошими прогнозами и устойчиво к ошибкам прогнозирования», — сказал Моузли. «Опираясь на технологии, которые бизнес использует на протяжении десятилетий, наши выводы показывают, что этот подход может улучшить скорость вычислений, не жертвуя точностью или надежностью прогнозов алгоритма».
Моузли отмечает, что некоторые проблемы ещё предстоит преодолеть, например, понять, что делать, когда прогнозы ошибочны. Они также хотят исследовать, могут ли другие алгоритмы извлечь пользу из аналогичных методов.
Это исследование дало пример хорошо зарекомендовавшего себя подхода, который может быть значительно улучшен с использованием теплого старта. Следующий шаг — выявить другие случаи, где теплый старт может улучшить производительность. Команда изучает локальные поисковые алгоритмы, которые являются распространенным подходом, используемым в приложениях искусственного интеллекта и машинного обучения.