Planlama yapan yetenekli insanların stratejileri, otomatik planlayıcılara eklenerek planlayıcıların performansları geliştiriliyor.
Her sene Otomatik Planlama ve Zamanlama Uluslararası Konferansı’nın ev sahipliği yaptığı yarışmada, konferans katılımcıları tarafından tasarlanan bilgisayar sistemleri, tarifeli uçuşların veya otonom uyduların ekipleri için koordinasyon görevleri gibi planlama problemlerine en iyi çözümü bulmaya çalışıyor.
Bununla birlikle, en kolay problemleri düşünmediğimiz zaman, en iyi geliştirilmiş planlama algoritmaları bile MIT öğrencileri gibi problem çözmeye yetenekli insanlar kadar etkili değil.
MIT Bilgisayar Bilimi ve Yapay Zekâ Laboratuvarı araştırmacıları insan sezgilerinin avantajlarını otomatik planlayıcılara yükleyerek onları geliştirmeye çalışıyor. Planlamada yüksek performans gösteren insanların stratejileri, makine tarafından okunabilecek şekilde kodlanarak, meydan okuyucu problemler karşısında yarışmayı kazanmayı planlayan algoritmaların performansları yüzde 10-15 oranında arttırıldı. Araştırmacılar Yapay Zekâ Geliştirme Derneği’nin yıllık konferansında çalışmanın sonuçlarını sunacaklar.
MIT Havacılık ve Uzay Bilimleri’nden Doç. Dr. Julie Shah, “Diğer araştırmalarda gördük ki planlama, zamanlama ve optimasyon gibi alanlarda çok az insan gerçekten olağanüstü performans sergiliyor. Bu insanların anlayışlarını ve üst düzey stratejilerini makinelere aktararak program planlayıcıları nüfusun büyük bir çoğunluğundan daha iyi yapabilir miyiz?” diye sordu.
İnsan faktörü
Otomatik planlama yarışmasına katılan algoritmalara ilgili sorunlar farklı seviyelerde veriliyor. En kolay sorular birkaç sert kısıtlamanın gerçekleştirilmesini gerektiriyor. Örneğin, belirli sayıda hava alanı, belirli sayıda uçak ve her hava alanından belirli bir noktaya uçacak belirli sayıda yolcu bilgisi verilerek, tüm yolcuların varış noktalarına hiçbir uçak boş kalmadan ulaşmasını sağlayacak rota planlamasının mümkün olup olmadığı soruluyor.
Sayısal problemler olarak adlandırılan daha zor problemlere ise esnek sayısal parametreler ekleniyor. Örnek olarak, orijinal problemin kısıtlamalarıyla eşleşen uçuş planları kümesinin yanında uçuş süresinin ve yakıt tüketiminin minimize edilmesi isteniyor.
Son olarak, zaman problemleri olarak adlandırılan en zor problemlerde ise, sayısal problemlere geçici kısıtlamalar ekleniyor: Uçuş saatini ve yakıt tüketimini en aza indirebilir, aynı zamanda uçakların belirli saatlerde gelip ayrılmasını sağlayabilir misiniz?
Algoritmaya, her probleme çözüm üretmek için yarım saat veriliyor. Planların değerlendirmesi ise maliyet fonksiyonu olarak bilinen ve toplam uçuş süresi ile toplam yakıt tüketimini kombine eden bir denklem tarafından yapılıyor.
Kodlama stratejileri
Shah, Kim ve Banks, 36 MIT lisans ve lisansüstü öğrencisine planlama problemleriyle ilgili olarak uçak güzergâhlarını belirleme ve uydu konumlandırma odaklı iki farklı yarışmadan sorular verdi. Otomatik planlayıcılar gibi öğrencilerin de her sorunu çözmek için yarım saatleri vardı.
Öğrenciler otomatik programlayıcılardan kesinlikle daha iyiydi. Kim, öğrenciler çözümlerini teslim ettikten sonra, problemleri çözmek için kullanılan genel stratejiler hakkında öğrencilerle görüşme yaptı. Öğrencilerin cevapları “uçakların her şehre en fazla bir kere uğraması gerekiyor” veya “her uydu için rotaların üç tur veya daha az olması gerekiyor” şeklinde bilgiler içeriyordu.
Araştırmacılar öğrencilerin stratejilerinin büyük bir çoğunluğunun “doğrusal zamansal mantık” olarak bilinen formel bir dil kullanılarak tanımlanabileceğini keşfetti. Bu dönüşüm problem özelliklerine sınırlamalar eklemek için kullanılabilir. Farklı stratejiler birbirini sıfırlayabildiği için araştırmacılar, her öğrencinin stratejisini ilgili yarışmaları kazanan planlama algoritmalarını kullanarak test etti. Sonuçlar az bir oranda değişiklik gösterdi. Sayısal problemlerde ortalama gelişme; uçuş planlama probleminde yüzde 13, uydu konumlandırma probleminde ise yüzde 16; zaman problemlerinde ise ortalama gelişme, uçuş planlama probleminde yüzde 12, uydu konumlandırma probleminde ise yüzde 10 olarak gözlemlendi.
Shah, “Otomatik planlayıcıdan gelen plan, öğrencilerin ileri seviye stratejilerini kullandığı zaman insan tarafından üretilen planlara daha çok benziyor. Öğrencilerin üst düzey stratejilerini alıp makineler için kullanışlı hale getirmek ve stratejileri makine için daha kullanışlı yapmak, stratejileri öğrenciler için daha yorumlanabilir hale getirebilir” dedi.
Devam eden çalışmada Kim ve Shah, doğal dil işleme tekniklerini kullanarak sistemi tamamen otomatik yaparak planlayıcının kullanıcıların ileri seviye stratejilerinin açıklamalarını insan müdahalesi olmadan doğrusal-zamansal mantığa dönüştürebilecek.
Kaynak: https://www.sciencedaily.com/releases/2017/02/170207162107.htm
