Entrevista com Cheng He, professor de inteligência computacional: O problema dos 'bilhões'

Entrevista com Cheng He, professor de inteligência computacional: O problema dos 'bilhões' é perfilado pela BTW Media porque evidências publicadas o vinculam à infraestrutura de internet, governança, dependências operacionais ou visibilidade de mercado.

• O problema de otimização multiobjetivo é uma questão quente no campo da otimização, que se refere à otimização simultânea de múltiplos objetivos conflitantes.
• A abordagem popular para dimensionar o processamento de dados é usar o processamento paralelo para distribuir os cálculos entre vários processadores.

Algoritmos evolutivos(EAs) têm sido uma ferramenta popular de otimização por décadas, mostrando desempenho promissor na resolução de vários problemas de otimização de referência. No entanto, usar EAs em problemas com mais de 100 variáveis de decisão (problemas de otimização em grande escala) continua desafiador devido à “maldição da dimensionalidade”, especialmente para aqueles LSOPs em aplicações do mundo real.

Introdução ao Dr. Cheng He

Dr. Cheng He é professor da Huazhong University of Science and Technology, uma das principais universidades da China. Seus interesses de pesquisa são inteligência artificial/computacional e suas aplicações, e ele publicou mais de 40 artigos SCI. Ele é Senior Fellow do IEEE e Editor Associado daComplex and Intelligent Systems. É membro do conselho daPloS OneeElectronics, e Presidente do Grupo de Trabalho de Inteligência do IEEE CIS. O tópico de pesquisa de Cheng He é Inteligência Competitiva e Sua Aplicação na Rede Elétrica.

Leia também:Discussão moral e ética sobre inteligência artificial

Leia também:A inteligência artificial pode alcançar a consciência?

P: No algoritmo, o que é otimização multiobjetivo?

Esse é um problema interessante. O problema de otimização multiobjetivo é um tópico na área de otimização e significa otimizar múltiplos objetivos conflitantes simultaneamente. Vamos dar um exemplo: ao projetar um carro, você quer que ele seja seguro, barato, mas também com um desempenho muito bom. Mas isso é possível? Geralmente não é impossível, porque você precisa equilibrar preço, segurança e desempenho. Então, a otimização multiobjetivo tenta encontrar o melhor compromisso entre esses três objetivos conflitantes—isso é otimização multiobjetivo.

P: Você também mencionou otimização em grande escala em sua apresentação. O que é isso?

Otimização em grande escala é um problema desafiador na área de otimização. Vamos dar um exemplo: se quisermos projetar um produto, normalmente temos apenas algumas variáveis de decisão, como altura, peso e outras poucas variáveis de design. Mas considere um problema que inclui centenas ou até milhares ou bilhões de variáveis de decisão—isso é um enorme espaço de busca. Projetar esse problema seria demorado e muitas vezes impossível. Isso é otimização em grande escala. É um problema desafiador no campo da otimização.

P: Na otimização em grande escala, de milhares a milhões ou até bilhões de escalas, o que podemos fazer?

A abordagem popular atual é usar processamento paralelo para distribuir a computação em vários processadores ou máquinas. Além disso, implementar estruturas de computação distribuída, como Apache Hadoop ou Apache Spark, pode lidar com grandes conjuntos de dados distribuindo dados e processamento entre clusters de computadores. Técnicas como análise de componentes principais (PCA) podem reduzir o número de variáveis em um conjunto de dados, mantendo a maior parte da variação nos dados.

Ao mesmo tempo, podemos fazer a construção de modelos para reduzir a complexidade do modelo, cortando as partes que não são necessárias, como os neurônios em uma rede neural.

P: Você recomendou o modelo LSMOF em seu relatório. Como ele ajuda a resolver problemas práticos?

O algoritmo LSMOF é um algoritmo projetado para acelerar o processo de otimização do problema de otimização multiobjetivo em grande escala e, na verdade, sua principal contribuição é tentar acelerar o problema de otimização. Como dissemos, se um algoritmo é usado para otimizar um problema que leva, digamos, horas ou dias, mas se você usar este componente, ele pode ser acelerado para cerca de alguns minutos. Portanto, em aplicações do mundo real, você pode usar meu algoritmo, o componente LSMOF, como um bom método de aproximação ótima local que pode acelerar o processo de design.

P: Outra coisa que realmente me interessa é o TREE. Que esforços você fez em sua pesquisa?

Usamos a tecnologia TREE em nossa colaboração online sobre transformadores de tensão na China, onde implantamos esse método em 29 províncias para monitorar mais de 20.000 transformadores de tensão, e foi documentado como uma das formas mais eficazes de monitorar esse equipamento, garantindo a segurança da rede.

Cheng He, professor da Huazhong University of Science and Technology

É uma pergunta interessante. O problema TREE é um problema de aplicação do mundo real, que é a estimativa do erro de relação de transformadores de tensão. Então, digamos que o transformador de tensão é um dispositivo fundamental, mas crucial, na rede elétrica para medir a tensão da rede para controle e garantia de segurança e muitas outras coisas que são muito importantes. Portanto, precisamos monitorar sua condição de saúde, mas convencionalmente precisamos usar seres humanos para fazer a calibração manual deste dispositivo, o que significa que você precisa cortar a energia, o que é perigoso e caro.

Mas se transferirmos esse problema para um problema de otimização, isso significa que você só precisa usar um computador para fazer alguns cálculos e obter a condição de saúde do dispositivo, o que economiza mão de obra e é seguro e garante a segurança da rede elétrica pelo que fizemos.

Significado da pesquisa

A pesquisa de algoritmos de otimização é de grande importância para o desenvolvimento futuro das redes. Esses algoritmos tornam o processo de tomada de decisão mais eficiente e são críticos para gerenciar a complexidade e a escala das redes modernas. Ao acelerar a otimização das variáveis de design e equilibrar objetivos conflitantes, eles abrem caminho para serviços de tecnologia em arquitetura de rede, alocação de recursos e otimização de negócios.