기계

많은 실제 상황에서는 조기에 결정을 내려야 합니다. 즉, 문제를 완전히 이해하기 전에 문제를 해결해야 합니다. 일상적인 예를 하나 들자면, 날씨가 불확실해지기 시작하면 가족 소풍을 취소하고 대신 레스토랑에 갈 수도 있습니다. 그런데 언제 그런 결정을 내리나요? 너무 일찍 내린 결정은 본질적으로 불확실한 반면, 너무 늦게 내린 결정은 조직에 문제를 야기합니다.

가능한 한 빨리 조치를 취하기 위해 Orange Group 내의 많은 사용 사례에서도 조기 결정이 필요합니다.

많은 일상 사례에서 의사결정 시기는 의사결정자가 미래 상황에 대해 "상상"하는 방식을 통해 알 수 있습니다.

이러한 상황에서는 결정을 내리는 데 시간이 오래 걸릴수록 예상되는 결과(예: 네트워크 장비가 실제로 심각한 상태에 있는지 여부)가 더 명확해 지지만 관련 비용은 높아집니다. 일반적으로 결정을 일찍 내리면 더 나은 준비가 가능합니다. 따라서 목표는 신속성과 품질 사이의 적절한 절충안처럼 보이는 시기에 결정을 내리는 것입니다.

엄밀히 말하면, 결정을 지연하면 시간이 지남에 따라 정보를 얻을 수 있기 때문에 결정을 더욱 신뢰할 수 있게 만드는 경향이 있습니다. 즉, 당면한 문제에 대한 우리의 이해가 점점 더 완벽해지고 정확해집니다. 따라서 결정을 내리기에 가장 좋은 시기를 결정하려면 이 정보 획득을 추정하고 결정 지연으로 인한 비용과 균형을 맞춰야 합니다.

결정의 조기 분류와 품질의 딜레마는 "시계열의 초기 분류"(ECTS) [1, 6, 7] 분야에서 특히 연구의 초점이 되어 왔습니다. 그러나 ECTS에는 적용 범위를 제한하는 제한 사항이 있습니다. 아래에 설명하겠습니다. 따라서 시간이 지남에 따라 데이터가 수집되는 광범위한 설정에서 기계 학습 모델의 결정 시간을 최적화하기 위한 관점에서 ML-EDM이라고 하는 보다 일반적인 문제가 최근에 도입되었습니다[2].

이 문제의 목표는 시간이 지남에 따라 점진적으로 관찰되는 시계열 분류를 가능한 한 빨리 예측하는 것입니다. ECTS는 많은 애플리케이션을 포괄하지만, 시간이 지남에 따라 수집된 데이터에 기계 학습 모델이 적용되어 의사결정의 조기성과 품질 간의 절충안을 최적화해야 하는 모든 사례로 확장되지는 않습니다. 실제로 문헌에 정의된 ECTS는 다음 상황으로 제한됩니다.

포지셔닝 기사 [2]는 한편으로는 ECTS의 한계를 극복하고 ML-EDM이라는 보다 일반적인 문제를 정의하는 것을 목표로 하며, 다른 한편으로는 과학계에 10가지 주제를 제시하여 이 새로운 연구 분야를 개발하는 것을 목표로 합니다. 도전.

ECTS의 확장에는 초기 의사 결정 접근 방식을 다음으로 확장하는 것이 포함됩니다. 시간이 지남에 따라 발전하는 모든 유형의 데이터 세트(예: 텍스트, 그래프, 시퀀스); 모든 유형의 학습 작업(예: 회귀, 예측, 비지도 학습) 데이터 스트림 형태로 수신된 지속적으로 관찰된 데이터를 온라인으로 처리하는 것입니다.

이러한 자연스러운 확장을 넘어 완전히 새로운 학습 문제가 공식화되었습니다. 실제로 ECTS와 달리 ML-EDM 문제에는 "시간 내에 위치를 파악하기 위한 여러 가지 초기 결정"이 포함됩니다[2]. 그러므로 다음에 일어날 일과 관련 기간을 모두 예측해야 하기 때문에 두 가지 과제가 있습니다. 또한, 새로운 데이터로 인해 결정이 무효화되면 결정이 취소될 수 있습니다. 즉, 다음에 일어날 일에 대한 예측 및/또는 관련 기간이 변경될 수 있습니다.

따라서 ML-EDM은 지속적인 시스템 모니터링을 포함하여 많은 사용 사례를 열어주는 ECTS보다 훨씬 더 광범위한 문제입니다.

지속적인 모니터링을 위한 ML-EDM 사용 예

많은 일상 사례에서 의사결정 시기는 의사결정자가 미래 상황에 대해 "상상"하는 방식을 통해 알 수 있습니다. 예를 들어, 교차로를 건너려는 보행자는 몇 초 안에 도로 상황이 어떻게 될지 예측합니다.

"비근시" ML-EDM 접근 방식[1]은 주어진 상황에서 이러한 종류의 관찰되지 않은 정보를 예측할 수 있습니다. 이는 이러한 접근 방식이 이러한 상황의 결과가 알려진 "완전한" 예시 데이터 세트를 사용하여 교육되기 때문에 기술적으로 가능합니다. 비유하자면, 과거에 유사한 상황을 많이 경험한 성인은 경험이 거의 없는 어린 십대보다 언제 교차로를 건너야 할지 결정하는 데 더 능숙할 것입니다.