.When Algorithms Deliver: The AI Revolution in Logistics
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
http://jk0620.tripod.com
https://www.facebook.com/junggoo.lee.9
.When Algorithms Deliver: The AI Revolution in Logistics
알고리즘이 제공하는 경우: 물류 분야의 AI 혁명
주제:연산인공지능컴퓨터 과학기계 학습와 함께 작성자: ADAM ZEWE, 매사추세츠 공과대학(MIT) 2024년 3월 22일 미래 컴퓨터 데이터 센터 아트 컨셉 일러스트 기계 학습과 기존 최적화를 결합한 새로운 기술은 혼합 정수 선형 프로그래밍 솔버의 해 찾기 프로세스를 최대 70%까지 가속화하여 물류 및 기타 부문의 효율성을 향상시키는 것으로 나타났습니다. 신용: SciTechDaily.com
새로운 데이터 기반 접근 방식은 글로벌 패키지 라우팅이나 전력망 운영과 같은 까다로운 최적화 문제에 대한 더 나은 솔루션으로 이어질 수 있습니다. 산타클로스는 선물 배달을 돕기 위해 마법의 썰매와 용감한 아홉 마리의 순록을 가지고 있지만, FedEx와 같은 회사의 경우 휴가 패키지를 효율적으로 전달하는 최적화 문제가 너무 복잡해서 솔루션을 찾기 위해 특수 소프트웨어를 사용하는 경우가 많습니다.
MILP(혼합 정수 선형 계획법) 솔버라고 불리는 이 소프트웨어는 대규모 최적화 문제를 작은 조각으로 나누고 일반 알고리즘을 사용하여 최상의 솔루션을 찾으려고 노력합니다. 그러나 솔버가 솔루션에 도달하는 데 몇 시간 또는 며칠이 걸릴 수 있습니다. 프로세스가 너무 까다로워서 기업은 소프트웨어를 도중에 중단하고 이상적이지는 않지만 정해진 시간 내에 생성할 수 있는 최상의 솔루션을 수용해야 하는 경우가 많습니다.
기계 학습을 통한 솔루션 가속화 MIT 와 ETH Zurich 의 연구원들은 기계 학습을 사용하여 작업 속도를 높였습니다. 그들은 잠재적인 솔루션이 너무 많아서 해결하는 데 엄청난 시간이 걸리고 전체 프로세스가 느려지는 MILP 솔버의 주요 중간 단계를 식별했습니다. 연구원들은 필터링 기술을 사용하여 이 단계를 단순화한 다음 기계 학습을 사용하여 특정 유형의 문제에 대한 최적의 솔루션을 찾았습니다. 데이터 기반 접근 방식을 통해 회사는 자체 데이터를 사용하여 당면한 문제에 맞게 범용 MILP 솔버를 맞춤화할 수 있습니다. 이 새로운 기술은 정확도 저하 없이 MILP 솔버 속도를 30~70% 향상시켰습니다 .
이 방법을 사용하면 최적의 솔루션을 더 빨리 얻을 수 있으며, 특히 복잡한 문제의 경우 다루기 쉬운 시간 내에 더 나은 솔루션을 얻을 수 있습니다. 이 접근 방식은 차량 공유 서비스, 전력망 운영자, 예방 접종 배포자 또는 까다로운 자원 할당 문제에 직면한 모든 기업과 같이 MILP 솔버가 사용되는 모든 곳에서 사용할 수 있습니다. “때때로 최적화와 같은 분야에서는 사람들이 솔루션을 순전히 기계 학습이나 순전히 고전적인 것으로 생각하는 것이 매우 일반적입니다.
저는 우리가 두 세계의 장점을 모두 얻고자 한다는 확고한 신념을 갖고 있으며 이는 하이브리드 접근 방식의 강력한 예시입니다.”라고 토목 및 환경 공학 분야의 Gilbert W. Winslow 경력 개발 조교수인 선임 저자인 Cathy Wu는 말합니다. CEE), 정보 및 의사결정 시스템 연구소(LIDS) 및 데이터, 시스템 및 사회 연구소(IDSS)의 회원입니다.
-Wu는 공동 저자인 IDSS 대학원생 Sirui Li와 CEE 대학원생 Wenbin Ouyang과 함께 논문을 썼습니다. ETH Zurich의 대학원생인 Max Paulus도 있습니다. 이 연구는 신경정보처리시스템 컨퍼런스에서 발표될 예정이다. 해결하기 어려움 MILP 문제에는 기하급수적으로 많은 잠재적 솔루션이 있습니다. 예를 들어, 출장 중인 판매원이 여러 도시를 방문한 후 원래 도시로 돌아가는 최단 경로를 찾고 싶다고 가정해 보겠습니다. 어떤 순서로든 방문할 수 있는 도시가 많다면 잠재적인 해결책의 수는 우주에 있는 원자의 수보다 많을 수 있습니다. “이러한 문제를 NP-하드라고 부르는데, 이는 이 문제를 해결할 효율적인 알고리즘이 있을 가능성이 거의 없음을 의미합니다.
-문제가 충분히 커지면 최적이 아닌 성능을 달성하기를 바랄 수밖에 없습니다.”라고 Wu는 설명합니다. MILP 솔버는 다루기 쉬운 시간 내에 합리적인 솔루션을 얻을 수 있는 다양한 기술과 실용적인 트릭을 사용합니다. 일반적인 솔버는 분할 정복 접근 방식을 사용하며 먼저 분기라는 기술을 사용하여 잠재적인 솔루션의 공간을 더 작은 조각으로 분할합니다. 그런 다음 솔버는 절단이라는 기술을 사용하여 이러한 작은 조각을 조여 더 빨리 검색할 수 있도록 합니다.
절단에서는 실행 가능한 솔루션을 제거하지 않고 검색 공간을 강화하는 일련의 규칙을 사용합니다. 이러한 규칙은 다양한 종류의 MILP 문제에 대해 생성된 구분 기호로 알려진 수십 개의 알고리즘에 의해 생성됩니다. Wu와 그녀의 팀은 사용할 분리기 알고리즘의 이상적인 조합을 식별하는 프로세스 자체가 기하급수적인 솔루션 수에 따른 문제라는 것을 발견했습니다. “분리 장치 관리는 모든 솔버의 핵심 부분이지만 문제 공간에서 과소평가되는 측면입니다. 이 작업의 공헌 중 하나는 분리기 관리 문제를 처음부터 기계 학습 작업으로 식별하는 것입니다.”라고 그녀는 말합니다.
솔루션 공간 축소 그녀와 그녀의 공동 작업자는 이 구분 기호 검색 공간을 130,000개 이상의 잠재적 조합에서 약 20개 옵션으로 줄이는 필터링 메커니즘을 고안했습니다. 이 필터링 메커니즘은 한계 수익 감소 원칙을 따릅니다. 즉, 작은 알고리즘 집합에서 가장 많은 이점을 얻을 수 있으며, 알고리즘을 추가한다고 해서 추가 개선이 이루어지지는 않는다는 것입니다. 그런 다음 기계 학습 모델을 사용하여 나머지 20개 옵션 중에서 최상의 알고리즘 조합을 선택합니다. 이 모델은 사용자의 최적화 문제와 관련된 데이터세트로 훈련되므로 사용자의 특정 작업에 가장 적합한 알고리즘을 선택하는 방법을 학습합니다.
FedEx와 같은 회사는 이전에 라우팅 문제를 여러 번 해결했기 때문에 과거 경험에서 수집된 실제 데이터를 사용하면 매번 처음부터 시작하는 것보다 더 나은 솔루션으로 이어질 수 있습니다. 강화 학습의 한 형태인 상황별 도적(Contextual Bandits)으로 알려진 모델의 반복 학습 프로세스에는 잠재적인 솔루션을 선택하고, 그것이 얼마나 좋았는지에 대한 피드백을 받은 다음, 더 나은 솔루션을 찾기 위해 다시 시도하는 과정이 포함됩니다.
이 데이터 기반 접근 방식은 정확도 저하 없이 MILP 솔버를 30~70% 가속화했습니다. 더욱이, 이를 더 단순한 오픈 소스 솔버와 더 강력한 상용 솔버에 적용했을 때 속도 향상은 비슷했습니다. 앞으로 Wu와 그녀의 동료들은 모델을 훈련하기 위해 레이블이 지정된 데이터를 수집하는 것이 특히 어려울 수 있는 훨씬 더 복잡한 MILP 문제에 이 접근 방식을 적용하려고 합니다. 아마도 그들은 더 작은 데이터 세트에서 모델을 훈련한 다음 이를 조정하여 훨씬 더 큰 최적화 문제를 해결할 수 있을 것이라고 그녀는 말합니다. 연구원들은 또한 다양한 구분 알고리즘의 효과를 더 잘 이해하기 위해 학습된 모델을 해석하는 데 관심이 있습니다.
참조: Sirui Li, Wenbin Ouyang, Max B. Paulus, Cathy Wu의 "분기 및 절단에서 구분 기호 구성 방법 학습", 2023년 11월 8일, 수학 > 최적화 및 제어 . arXiv:2311.05650 이 연구는 Mathworks, NSF(National Science Foundation), MIT Amazon Science Hub 및 MIT 연구 지원 위원회의 일부 지원을 받습니다.
https://scitechdaily.com/when-algorithms-deliver-the-ai-revolution-in-logistics/
메모 240323_0451,0612 나의 사고실험 qpeoms 스토리텔링
인공지능은 빅데이타에서 최적화 문제를 다룬다. 문제가 충분히 커지면 잠재적인 해결책의 수는 우주에 있는 원자의 수보다 많을 수 있다.
이러한 문제를 NP-하드라고 부르는데, 이는 이 문제를 해결할 효율적인 알고리즘이 있을 가능성이 거의 없음을 의미한다. 그래서 최적이 아닌 성능을 달성하기를 바랄 수밖에 없다. 그래서 msbase 솔버는 다루기 쉬운 시간 내에 합리적인 솔루션을 얻을 수 있는 다양한 기술과 실용적인 트릭을 사용한다. 허허.
많은 이들은 인공지능 발달에 걱정들 한다. 그런데 좀 깊게 생각하면 주변의 수많은 생존문제 해결에 우리의 손발에 인공지능의 스머트폰이나 자동차의 핸들과 컴퓨팅 키보드, 이동하는데 도움을 주는 인공지능 의족이나 자율 이동차량이 돼 줄듯 하다. 허허.
인공 지능의 미래가 '스타트렉의 미래와 유사하다'고 말한다. 우주는 숫자더미 msbase.oss처럼 지구 시공간을 당장 벗어나면 인간은 우주 환경에 시급히 대처하기 위해 많은 데이타의 요구와 처리가 동기화 되어야 한다. 이는 예상하지 못하는 일들이 벌어지는 곳은 미국의 스페이스x의 스타쉽이 우주에서 곧바로 만나는 실체이고 무한한 과학 빅데이타가 조합되어야 우주선이나 우주인이 우주의 위험 요소를 극복하고 항간우주 여행도 실현된다.
소스1. 편집
수많은 공상과학 이야기와는 달리 컴퓨터 과학자들은 집단 AI가 다양한 분야에 걸쳐 긍정적인 획기적인 발전을 가져올 것이다. 인공지능은 고성능 고집적 반도체 칩 뉴런이 인간의 뇌세포 보다 빠른 속도로 빅데이타을 흡수하여 수학적으로 계산하게 된다.
이는 과학지식들을 바탕으로 인공지능이 순전히 빅데이타가 움직이기 때문에, 인간이 생물학적인 고성능 지적인 두뇌로 감각이나 직관, 상상력에 의존하는 생물학적 스타일이 아닌 물리적 양자적 두뇌 활동 현상이다. 물론 고성능 인공지능에는 장단점은 있지만, 보완적이이야 모든 영역의 문제에서 복잡한 내용들이 보편적으로 접근하여 유용한 답을 얻는다. 허허.
연구 책임자인 러프버러 대학의 안드레아 솔토지오(Andrea Soltoggio) 박사는 "새로운 데이터를 지속적으로 학습하고 적응할 수 있는 AI 유닛의 집단 네트워크를 통한 즉각적인 지식 공유는 새로운 상황, 과제 또는 위협에 대한 신속한 대응을 가능하게 할 것"이라고 설명했다.
예를 들어 예상치 못한 재난이나 사이버 보안 환경에서 하나의 AI 유닛이 위협을 식별하면 신속하게 지식을 공유하고 집단적 대응을 촉발할 수 있다. 이는 인간 면역 체계가 외부 침입자로부터 신체를 보호하는 것과 유사하다. 또한 파견된 상황에 신속하게 적응할 수 있는 재난 대응 로봇이나 최첨단 의학 지식과 환자별 정보를 결합하여 건강 결과 를 개선하는 맞춤형 의료 에이전트의 개발로 이어질 수도 있다.
잠재적인 응용 분야는 방대하고 흥미진진하다. 연구원들은 잠재적으로 비윤리적이거나 불법적인 지식의 급속한 확산과 같은 집단 AI와 관련된 위험이 있음을 인정하지만, 비전의 중요한 안전 측면을 강조한다. AI 유닛은 자체 목표와 집단으로부터 독립성을 유지한다.
컴퓨터 과학자들은 최근 머신러닝 의 발전을 분석한 결과 'AI의 미래가 집단지성에 있다'는 결론에 도달했다 . 그들의 연구에 따르면 평생 학습(AI 에이전트가 운영 수명 전반에 걸쳐 지식을 확장할 수 있음)을 활성화하고 AI 시스템이 서로 지식을 공유할 수 있는 범용 프로토콜과 언어를 개발하는 데 글로벌 노력이 집중되어 있는 것으로 나타났다.
.Top computer scientists say the future of artificial intelligence is similar to that of Star Trek
최고의 컴퓨터 과학자들은 인공 지능의 미래가 스타트렉의 미래와 유사하다고 말합니다
작성자: Loughborough University , Meg Cox SHELL에 기여하는 연구 분야. 출처: 네이처 머신 인텔리전스 (2024). DOI: 10.1038/s42256-024-00800-2MARCH 22, 2024
전 세계의 주요 컴퓨터 과학자들이 인공 지능의 미래에 대한 비전을 공유했으며 이는 Star Trek 캐릭터 "The Borg"의 기능과 유사합니다. 러프버러 대학, MIT, 예일 등의 전문가들은 각각 지속적으로 새로운 지식과 기술을 습득할 수 있는 수많은 인공지능 단위가 네트워크를 형성하여 서로 정보를 공유하는 '집단 AI'의 출현을 보게 될 것이라고 말합니다.
다른. Nature Machine Intelligence 의 관점 논문 에서 자신의 비전을 공개한 연구원들은 집단 AI와 많은 공상 과학 개념 사이의 놀라운 유사점을 인식하고 있습니다. 그들이 인용한 한 가지 예는 연결된 하이브 마인드를 통해 지식을 작동하고 공유하는 Star Trek 우주에 등장하는 사이버네틱 유기체인 The Borg입니다. 그러나 많은 공상과학 이야기와는 달리 컴퓨터 과학자들은 집단 AI가 다양한 분야에 걸쳐 긍정적인 획기적인 발전을 가져올 것이라고 생각합니다.
-연구 책임자인 러프버러 대학의 안드레아 솔토지오(Andrea Soltoggio) 박사는 "새로운 데이터를 지속적으로 학습하고 적응할 수 있는 AI 유닛의 집단 네트워크를 통한 즉각적인 지식 공유는 새로운 상황, 과제 또는 위협에 대한 신속한 대응을 가능하게 할 것"이라고 설명했습니다. "예를 들어 사이버 보안 환경에서 하나의 AI 유닛이 위협을 식별하면 신속하게 지식을 공유하고 집단적 대응을 촉발할 수 있습니다.
이는 인간 면역 체계가 외부 침입자로부터 신체를 보호하는 것과 유사합니다. "또한 파견된 상황에 신속하게 적응할 수 있는 재난 대응 로봇이나 최첨단 의학 지식과 환자별 정보를 결합하여 건강 결과 를 개선하는 맞춤형 의료 에이전트의 개발로 이어질 수도 있습니다. "잠재적인 응용 분야는 방대하고 흥미진진합니다."
-연구원들은 잠재적으로 비윤리적이거나 불법적인 지식의 급속한 확산과 같은 집단 AI와 관련된 위험이 있음을 인정하지만 비전의 중요한 안전 측면을 강조합니다. AI 유닛은 자체 목표와 집단으로부터 독립성을 유지합니다. Soltoggio 박사는 이것이 "AI 에이전트의 민주주의를 가져오고 소수의 대규모 시스템에 의한 AI 지배의 위험을 크게 줄일 것"이라고 말했습니다. 컴퓨터 과학자들은 최근 머신러닝 의 발전을 분석한 결과 AI의 미래가 집단지성 에 있다는 결론에 도달했습니다 .
그들의 연구에 따르면 평생 학습(AI 에이전트가 운영 수명 전반에 걸쳐 지식을 확장할 수 있음)을 활성화하고 AI 시스템이 서로 지식을 공유할 수 있는 범용 프로토콜과 언어를 개발하는 데 글로벌 노력이 집중되어 있는 것으로 나타났습니다. 이는 평생 학습 및 지식 공유 기능이 제한적인 ChatGPT와 같은 현재의 대규모 AI 모델과 다릅니다. 이러한 모델은 에너지 집약적인 훈련 세션 중에 대부분의 지식을 습득하며 학습을 계속할 수 없습니다.
Soltoggio 박사는 "최근 연구 동향은 일단 배포되면 지속적으로 적응하고 다른 모델에서 지식을 재사용할 수 있도록 하는 능력으로 AI 모델을 확장하고 지식을 효과적으로 재활용하여 학습 속도와 에너지 수요를 최적화하는 것입니다."라고 말합니다. "우리는 지속 가능하고 진화하며 공유하는 AI 단위 집단이 등장할 가능성이 있는 미래에는 현재 지배적인 크고 비싸며 공유 불가능하고 평생이 아닌 AI 모델이 살아남지 못할 것이라고 믿습니다."
이어 “인간의 지식은 소통과 공유 덕분에 수천년에 걸쳐 점진적으로 성장해 왔다. "우리는 민주적이고 협력적인 집단을 구현하는 인공 지능 단위의 미래 사회에서 유사한 역학이 발생할 가능성이 있다고 믿습니다." Loughborough University의 부총장이자 총장인 Nick Jennings 교수는 AI, 자율 시스템, 사이버 보안 및 에이전트 기반 컴퓨팅 분야에서 국제적으로 인정받는 권위자입니다. 그는 "러프버러 연구원들이 AI 연구의 중요한 분야를 선도하는 모습을 보게 되어 기쁘다"고 말했습니다. "이 문서는 상호 작용하는 여러 에이전트를 기반으로 차세대 AI 개발의 의제를 설정하는 데 도움이 됩니다. 앞으로 이 비전이 현실이 되기를 기대합니다."
추가 정보: 엣지에서의 평생 학습 및 공유를 통한 집단 AI, Nature Machine Intelligence (2024). DOI: 10.1038/s42256-024-00800-2 . www.nature.com/articles/s42256-024-00800-2 저널 정보: Nature Machine Intelligence 러프버러 대학교 제공
https://techxplore.com/news/2024-03-scientists-future-artificial-intelligence-similar.html
-Wu wrote the paper with co-authors IDSS graduate student Sirui Li and CEE graduate student Wenbin Ouyang. and Max Paulus, a graduate student at ETH Zurich. This research will be presented at the Neural Information Processing Systems Conference. Difficult to solve MILP problems have an exponential number of potential solutions. For example, let's say a traveling salesperson visits several cities and wants to find the shortest route back to his original city.
-If there are many cities that can be visited in any order, the number of potential solutions could be greater than the number of atoms in the universe. “These problems are called NP-hard, which means it is highly unlikely that there will be an efficient algorithm to solve them.
-If the problem gets big enough, you can only hope to achieve sub-optimal performance,” explains Wu. MILP solvers use a variety of techniques and practical tricks to obtain reasonable solutions in a tractable time. Typical solvers use a divide-and-conquer approach, first splitting the space of potential solutions into smaller pieces using a technique called branching. The solver then uses a technique called truncation to tighten these smaller pieces to allow for faster retrieval.
=================================
Memo 240323_0451,0612 My thought experiment qpeoms storytelling
Artificial intelligence deals with optimization problems in big data. If a problem gets big enough, the number of potential solutions can outnumber the number of atoms in the universe.
These problems are called NP-hard, meaning that it is highly unlikely that there will be an efficient algorithm to solve them. So we can only hope to achieve suboptimal performance. So the msbase solver uses a variety of techniques and practical tricks to obtain reasonable solutions in a manageable time. haha.
Many people are worried about the development of artificial intelligence. However, if you think a little deeper, it seems that artificial intelligence smart phones for our hands and feet, car steering wheels and computing keyboards, artificial intelligence prosthetic legs that help us move, and autonomous mobile vehicles will help solve many of the survival problems around us. haha.
He says the future of artificial intelligence is 'similar to the future of Star Trek.' If the universe immediately leaves the Earth's space and time like a pile of numbers, msbase.oss, humans must synchronize the requests and processing of a lot of data in order to urgently respond to the space environment. This is where unexpected things happen, as the Starship of America's Space
Source 1. edit
Contrary to many science fiction stories, computer scientists believe that swarm AI will lead to positive breakthroughs across a variety of fields. Artificial intelligence uses high-performance, highly integrated semiconductor chip neurons to absorb big data and calculate it mathematically at a faster rate than human brain cells.
This is a phenomenon of physical quantum brain activity, not the biological style in which humans rely on senses, intuition, and imagination with their biological high-performance intelligent brains, because artificial intelligence is based purely on big data based on scientific knowledge. Of course, high-performance artificial intelligence has its pros and cons, but it is complementary and provides a universal approach to complex issues in all areas to obtain useful answers. haha.
Lead researcher Dr Andrea Soltoggio from Loughborough University said: “Instantaneous knowledge sharing through a collective network of AI units that can continuously learn and adapt to new data enables rapid responses to new situations, challenges or threats. “We will do it,” he explained.
For example, in an unexpected disaster or cybersecurity environment, when one AI unit identifies a threat, it can quickly share knowledge and trigger a collective response. This is similar to how the human immune system protects the body from foreign invaders. It could also lead to the development of disaster response robots that can quickly adapt to the situation in which they are dispatched, or customized medical agents that combine cutting-edge medical knowledge and patient-specific information to improve health outcomes.
The potential applications are vast and exciting. The researchers acknowledge that there are risks associated with swarm AI, such as the rapid spread of potentially unethical or illegal knowledge, but emphasize important safety aspects of their vision. AI units maintain their own goals and independence from the group.
Computer scientists analyzed recent developments in machine learning and came to the conclusion that the future of AI lies in collective intelligence. Their research shows that global efforts are focused on enabling lifelong learning (which allows AI agents to expand their knowledge throughout their operational lives) and developing universal protocols and languages that allow AI systems to share knowledge with each other. appear.
댓글