Ferramenta de otimização melhora funções de desirabilidade em ML

São Paulo — InkDesign News — No campo do machine learning, a otimização de múltiplos objetivos tem se tornado um foco crucial, especialmente em aplicações que exigem a combinação de várias métricas de desempenho.

Arquitetura de modelo

O uso de funções de desirabilidade se destaca como uma abordagem para resolver problemas de otimização em cenários complexos. Essas funções transformam variáveis de desempenho em uma pontuação padronizada, que varia de 0 a 1, permitindo uma melhor comparação entre diferentes métricas. Isso é especialmente útil quando os resultados precisam ser otimizados simultaneamente.

“É comum encontrar dificuldades na maximização de uma métrica em detrimento de outra, complicando a obtenção de soluções realmente otimizadas.”
(“It is not uncommon to encounter problems with maximizing one metric at the expense of another, making it hard to achieve truly optimized solutions.”)

— Vinícius Verdadeiro, Especialista em Data Science

Treinamento e otimização

As funções de desirabilidade podem ser empregadas em diversos algoritmos de otimização, como o método de Gradient Descent e os algoritmos baseados em evolução. A capacidade de combinar várias métricas em uma única função objetivo é uma inovação significativa. Com isso, é possível usar a abordagem do SciPy para encontrar os melhores parâmetros para um modelo, minimizando a função objetivo.

“Proponho transformar parâmetros de entrada em escores de desirabilidade para maximizar a utilidade em várias frentes.”
(“I propose transforming input parameters into desirability scores to maximize utility across various fronts.”)

— Laura Lima, Pesquisadora em Otimização

Resultados e métricas

Ao aplicar essas funções em um problema prático, como a otimização de receitas de pão, observou-se um aumento na qualidade do produto final ao ajustar variáveis como tempo de fermentação e temperatura. Resultados indicaram uma pontuação de desirabilidade de até 0,85 quando certas condições eram atendidas, dependendo do foco em diferentes métricas como textura e sabor.

A flexibilidade desta abordagem permite adaptações dependendo do contexto, facilitando a comunicação das preferências de forma clara através de funções matemáticas.

“O uso de funções de desirabilidade apresenta uma estrutura matemática poderosa para abordar problemas de otimização com múltiplos objetivos em várias aplicações.”
(“The use of desirability functions provides a powerful mathematical framework for tackling multi-objective optimization problems across various applications.”)

— Thiago Santos, Engenheiro de Machine Learning

Os próximos passos na pesquisa incluem a aplicação dessa metodologia a diferentes setores, como otimização de processos industriais e formulação de produtos. Com isso, espera-se tirar proveito de recomendações personalizadas com base em dados coletados.

Fonte: (Towards Data Science – AI, ML & Deep Learning)