国家科学基金会(NSF)向SMU工程学教授Digvijay Boob授予了一项为期五年的职业资助，以开创更快、简化的解决方案，从而加快人工智能从数据中学习以做出预测和决策的速度。
这些应用程序涵盖了广泛的任务，例如确保机器学习模型的公平性、改善库存管理以实现更健康的供应链以及在控制发电厂方面做出最佳决策。
Boob 将从 CAREER Program 获得 596,607 美元的资助，这是 NSF 最负盛名的奖项，用于支持早期职业教师。他的项目旨在解决两类数学问题的算法。这些数学问题被称为半无限优化问题和平衡约束优化问题，被科学家和商业从业者用来提高效率、降低成本、管理风险、增强决策能力和利润最大化。数据科学家和工程师还在他们的领域中使用这些优化问题来评估预测结果并做出明智的决策。
“我们目前对如何解决这些问题还没有足够的了解，” SMU 莱尔工程学院运筹学和工程管理助理教授 Boob 说。 “现有的算法往往只能在有限的设置下工作，否则它们无法处理我们当今世界面临的大规模问题。”
机器学习是人工智能 (AI) 的一个子集，它使计算机能够从数据中学习，从而无需显式编程即可做出预测或决策。算法是机器学习模型的支柱，提供数学指令来指导人工智能对其遇到的数据做出响应。
更快的算法，例如 Boob 旨在开发的算法，可能比当前的方法更快地解决优化问题。随着人工智能模型变得更加复杂以满足用户不断增长的需求，这一点至关重要。
半无限优化问题是具有无限数量潜在约束的数学问题。想象一个生产或加工化学品的工厂;为了避免意外的化学反应，必须牢记几个变量，但并非所有变量都可以提前预测。半无限优化问题可用于确保考虑所有这些约束以获得理想的结果。
另一方面，“平衡约束优化问题”“用于对多个参与者出于自身利益独立行动的系统进行建模，”布布解释道。一个例子是竞争公司使用该算法来弄清楚如何在考虑竞争对手反应的同时最大化利润。
“算法的工作是在存在不确定性的情况下找到良好的平衡，”Boob 说，他专门开发可证明的快速收敛、易于实现的可扩展算法。
然而，为这些不同的优化场景编写算法将极其困难。
“解决方案点不仅需要满足约束条件，而且必须是所有这些点中最好的，要么最大化一些利润，要么最小化错误，同时尊重那些无限或均衡约束，”布布说。 “显然，随意的做法只能让我们走这么远。我们希望系统地研究这些问题。”
免责声明：本文由用户上传，如有侵权请联系删除！
