𝗠𝗮𝗿𝗮𝗸𝗸𝗮𝗺𝗮𝗹 𝗞𝗮𝘁𝗿𝘂𝗸𝗸𝗼𝗹𝗹𝘂𝗺 𝗔𝗜

ஒருமுறை ஒரு சுழற்சி விநியோகச் சங்கிலியை (circular supply chain) நிர்வகிக்க நான் ஒரு AI-ஐ உருவாக்கினேன். புதிய கார்பன் வரி அறிமுகப்படுத்தப்படும் வரை அது சிறப்பாகச் செயல்பட்டது.

அந்த மாடல் தோல்வியடைந்தது. திறமையான வழித்தடங்கள் (efficient routing) குறித்து அது கற்றுக்கொண்ட அனைத்தையும் மறந்துவிட்டது. அதை மீண்டும் ஆரம்பத்திலிருந்து பயிற்றுவிக்க (retraining) நான் வாரக்கணக்கில் செலவிட வேண்டியிருந்தது.

இந்தத் தோல்வி எனக்கு ஒரு முக்கியமான பாடத்தைக் கற்பித்தது. உற்பத்தித் துறையில் (manufacturing) உள்ள AI, ஒருமுறை கற்றுக்கொள்வதோடு நின்றுவிடக் கூடாது. பழைய அறிவை இழக்காமல், புதிய விதிகளுக்கு ஏற்ப அது தொடர்ந்து தன்னை மாற்றிக்கொள்ள வேண்டும்.

இந்த அணுகுமுறையை நான் Meta-Optimized Continual Adaptation என்று அழைக்கிறேன்.

இது இரண்டு முக்கியக் கருத்துக்களை ஒருங்கிணைக்கிறது:

• Meta-Learning: மாடல் எவ்வாறு வேகமாக கற்றுக்கொள்வது என்பதைக் கற்பித்தல். இது புதிய வரி அமைப்புகள் அல்லது உமிழ்வு வரம்புகளுக்கு (emission caps) நொடிகளில் தன்னை மாற்றிக்கொள்ள அனுமதிக்கிறது. • Continual Learning: மாடல் தனது பழைய திறன்களைத் தக்கவைத்துக் கொள்வதை உறுதி செய்தல். இது விதிகள் மாறும்போது சிஸ்டம் செயலிழப்பதைத் தடுக்கிறது.

நான் இதை ஒரு கலப்பு முறையைப் (hybrid method) பயன்படுத்திச் சோதித்தேன். Model-Agnostic Meta-Learning (MAML)-ஐ Elastic Weight Consolidation (EWC)-உடன் இணைத்தேன்.

முடிவுகள் தெளிவாக இருந்தன:

மாறிவரும் விதிமுறைகளைக் கொண்ட தொழில்துறைகளுக்காக நீங்கள் AI-ஐ உருவாக்குகிறீர்கள் என்றால், நிலையான (static) மாடல்களை மட்டும் நம்பியிருக்க வேண்டாம். ஒரு கொள்கையின் தர்க்கத்தை (logic), அதன் குறிப்பிட்ட எண்களிலிருந்து பிரித்துச் செயல்படும் அமைப்புகள் உங்களுக்குத் தேவை.

உங்கள் செயல்பாட்டிற்கான மூன்று குறிப்புகள்:

தோல்வி பெரும்பாலும் சிறந்த ஆசிரியராக இருக்கும். எனது மாடல் செயலிழந்தது (model collapse), புத்திசாலித்தனத்தைப் போலவே நிலைத்தன்மையும் (stability) முக்கியமானது என்பதை எனக்குக் காட்டியது.

Source: https://dev.to/rikinptl/meta-optimized-continual-adaptation-for-circular-manufacturing-supply-chains-under-real-time-policy-4fhf

Optional learning community: https://t.me/GyaanSetuAi