De blog van The Write Mind

Samen sterker en slimmer

Samen sterker en slimmer
In deze Simsalabim post komen volgende onderwerpen aan bod:

Samen sterker en slimmer

In enkele vorige blog posts over self-organizing maps en clustering hadden we het al uitvoerig over machine learning technieken. Heel in het bijzonder bespraken we diverse toepassingen van algoritmen voor ongecontroleerd machinaal leren (unsupervised machine learning) binnen het domein van computer aided engineering.  Hoog tijd om in deze blog post kort stil te staan bij een andere reeks algoritmen, met name die voor ondersteund leren.

Motiveren tot succes

Algoritmen voor ondersteund leren bouwen geen kennis op door te vertrekken van vooraf vastgelegde verbanden tussen invoergegevens en overstemmende uitvoergegevens, maar doen dat door zelf gericht te experimenteren – mét ondersteuning van een geëngageerde begeleider, én mits het broodnodige vallen en opstaan. Door successen te belonen, motiveert en stimuleert die begeleider een gewenst gedragspatroon – een concept dat geïnspireerd is op de gedragspsychologie.

Uiteraard is het noodzakelijk dat alle componenten van dergelijke algoritmen een duidelijke notie meekrijgen van de begrippen “succes” en “beloning”, en op die manier een duwtje in de rug krijgen bij het leren. Dat stelt hen in staat om de nodige lessen te trekken uit successen en mislukkingen en – door te streven naar een maximale beloning tijdens het doorlopen van het leerproces – gaandeweg samen sterker en slimmer te worden.

Technologische innovatie geïnspireerd op de natuur

Een goed voorbeeld zijn genetische algoritmen, die veel worden gebruikt om oplossingen te vinden voor zoek- en optimalisatieproblemen. Het concept is allicht het makkelijkst te illustreren aan de hand van het particle swarm optimization algoritme, dat teruggaat op het gedrag van vogels, vissen, mieren, … die zich in de vrije natuur in groep voortbewegen.

Daarbij passen individuele dieren continu hun positie aan binnen de groep door een compromis te maken tussen wat voor hen als individu het beste is, en wat voor de groep als geheel het beste is. Of het daarbij nu gaat over de bescherming tegen natuurlijke vijanden of het vinden van een geschikte prooi, maakt niet uit. Slechts 1 ding telt: wat goed is voor de groep, is goed voor het individu. Samen sterker en slimmer dus: zo eenvoudig kan het zijn.

Op zich is dit een mooi voorbeeld van hoe technologische innovatie geïnspireerd kan zijn op wat dagelijks in de natuur gebeurt. Het particle swarm optimization algoritme, dat oorspronkelijk werd ontwikkeld in 1995 door Dr. Eberhart en Dr. Kennedy, is inderdaad gebaseerd op het zwermgedrag dat typisch wordt waargenomen in een zwerm spreeuwen, een bijenkolonie of een school vissen.

Van simulatie naar exploratie

Particle swarm optimalisatie opent interessante perspectieven binnen computer aided engineering processen. Zeker indien individuele virtuele simulaties vrij rekenintensief zijn, neemt het belang van robuuste en efficiënte optimalisatietechnieken alleen maar toe. Dankzij het zelflerend gedrag, scoort particle swarm optimalisatie zeer sterk op dit gebied. Zonder een groot aantal parameters te moeten definiëren kunnen ingenieurs optimalisatieprocessen opstarten die zuinig omgaan met rekencapaciteit, maar toch snel convergeren naar een optimale oplossing.

Het belang van dergelijke technieken zal enkel toenemen in de nabije toekomst. Waar virtuele simulatie vandaag binnen de maakindustrie nog vaak wordt ingezet om iteratief productontwerpen te verbeteren, is er sinds jaren een duidelijke trend waarneembaar binnen de automobiel en ruimtevaartindustrie. Daar spelen zogeheten design space exploration technieken een steeds prominentere rol bij het ontwikkelingsproces.

In het kader van een design space exploration benadering wordt virtuele simulatie ingezet om eerst binnen de ontwerpruimte gericht op zoek te gaan naar de meest veelbelovende ontwerpen, en worden nadien optimalisatietechnieken gebruikt om het ontwerp te finaliseren. Hoe dan ook vergt deze aanpak heel wat rekencapaciteit, en dat maakt het gebruik van zelflerende algoritmen (en particle swarm algoritmen in het bijzonder) in zoenende mate interessant.

Interessant? Vergeet deze Simsalabim post niet te delen:
Luc Meulewaeter Samen sterker en slimmer
Ontdek aanverwante Simsalabim posts:
Luc MeulewaeterSamen sterker en slimmer