機器學習如何使電腦思考更快、工作更智慧
引言
在商業和科技的快速發展中，最佳化計算效率是突破新境地的關鍵。在 7 月 23 日至 29 日於檀香山舉行的國際機器學習會議上，研究人員提出了一篇論文，探究了一種稱為 Ford-Fulkerson 的演算法，是否可以透過機器學習來更快地計算網路中的最大流量。大規模軟體通常需要多臺計算機和數百個小時的計算能力來解決業務問題。透過將機器學習與問題解決技術相結合，計算機可以更快地分析和處理資料，同時企業也可以節省能源，因為計算機工作更加高效，使用的電力更少。暖啟動的概念
"我們常常在實踐中觀察到某些與演算法效能相關的現象，但我們並不完全理解為什麼會發生。一個例子就是溫暖的啟動的用途，"西北大學的博士後研究員 Sami Davies 博士說道。"如果我們能夠弄清楚為什麼會發生某事，那麼我們就可以加以利用，並將其轉化為我們的優勢。"暖啟動在某種程度上類似於第一次玩一款影片遊戲。遊戲玩家在面對新遊戲時可能對遊戲和障礙不熟悉。玩家會利用他們過去玩過的類似遊戲的知識來應對新遊戲。這種優勢就像是"溫暖的啟動"。卡內基梅隆大學的 Tepper 商學院副教授 Benjamin Moseley 博士，他是國際機器學習會議第 40 屆會議的合著者之一，指出自從 1970 年代以來，企業就一直在使用溫暖啟動演算法設計。他說："我們想探索機器學習是否可以與傳統技術結合在一起，以實現效能的提升。尤其是我們問了一個問題：是否可以使用預測的解決方案作為起點，從而使軟體執行更快？"研究結果及發現
在這項研究中，他們評估了影象分割這一核心問題，即在計算機分析影象以將物體從背景中分離出來。例如，影象分割被應用於自駕車中的行人檢測和識別以及醫學影像中的腫瘤識別。他們使用了人物、動物和物體等常見物品的照片作為測試，發現使用溫暖啟動對影象分割的速度比冷啟動更快。Moseley 博士說："這篇論文提供了一個可以利用良好預測，同時對於預測錯誤具有魯棒性的解決方案。透過建立在企業數十年來一直使用的技術的基礎上，我們的研究結果表明，這種方法可以提高計算速度，同時不會犧牲算法預測的準確性和可靠性。"他還指出，仍然有一些挑戰需要克服，比如當預測錯誤時應該怎麼處理。他們也希望探索其他演算法是否可以從類似的技術中受益。這項研究提供了一個已建立的方法的例子，可以透過溫暖啟動方法顯著改進。下一步是尋找其他情況，溫暖啟動可以提高效能。該團隊正在研究區域性搜尋演算法，這是人工智慧和機器學習應用中常用的一種方法。結論
這項研究展示了機器學習如何使電腦思考更快、工作更智慧。透過將機器學習與傳統技術結合，可以提高計算效率，減少能源消耗。溫暖啟動方法顯示出可以利用良好預測的優勢，同時對於預測錯誤具有魯棒性，這為解決眾多商業和科技領域的問題提供了一種新途徑。然而還需要克服一些挑戰，比如如何處理預測錯誤。未來的研究可以探索這種溫暖啟動方法是否適用於其他演算法以及它們的進一步應用範圍。透過持續的探索和創新，我們可以期待機器學習在更多領域帶來更多突破和進步。參考資料
"How machine learning enables computers to think faster and work smarter"。 Tech Xplore。2023 年 8 月 7 日。https://techxplore.com/news/2023-08-machine-enables-faster-smarter.html "Davies, S. et al. Predictive Flows for Faster Ford-Fulkerson". Proceedings of the 40th International Conference on Machine Learning (2023). https://proceedings.mlr.press/v202/davies23b.html "如何讓機器學習使電腦思考得更快、更聰明"。 卡內基梅隆大學。2023 年 8 月 7 日。https://techxplore.com/news/2023-08-machine-enables-faster-smarter.htmlArtificialintelligence-機器學習,電腦思考,工作智慧
