神経可塑性
- 生物学的原理
- 使われるシナプスは強くなり、使われないものは弱まります。
- 製品での対応
- 項目を修正すると記憶内の重みが更新され、長く触れていない項目の影響は小さくなります。
- 測定する指標
- 修正後の価格誤差
学習アーキテクチャ
神経科学に学ぶ学習
原価の見積もりは記憶と強化の問題です。Arkesif はそれを神経生物学の原理でモデル化します。
脳は学んだことを固定しません。新しい経験のたびに配線を組み替えます。Arkesif の学習層も同じ順序で動きます。信号を集め、効くものを強め、不要なものを削り、記憶を定期的に組み直します。
01学習アーキテクチャ
なぜ神経科学か
価格は生まれつき知っている数値ではなく、経験によって形づくられます。事務所が新しい案件に価格を付けるとき、過去の仕事・失敗・修正を振り返ります。学習するシステムも同じであるべきです。
- 価格の知識は経験から生まれる：システムは修正から学びます。
- 脳は重要な信号を強める：採用と却下の重みは同じではありません。
- 記憶は組み直される：モデルは定期的に再学習されます。
026つのメカニズム
6つのメカニズム
各行に3つあります。生物学的原理、製品での対応、そして測定する指標。作り話の「ニューラルネットワーク」ではなく、実際に動く仕組みです。
ニューロエボリューション
- 生物学的原理
- 変異と選択。機能する構造が残ります。
- 製品での対応
- 提案ルールを過去の案件で競わせ、誤差が最小の構造を採用します。
- 測定する指標
- バックテスト誤差（LOO MAPE）
ヘブ則による強化
- 生物学的原理
- 同時に発火するニューロンは結びつきます。
- 製品での対応
- 同じ見積で頻繁に一緒に現れる項目を結び、片方があれば他方を想起します。
- 測定する指標
- 不足項目の検出率
報酬予測誤差
- 生物学的原理
- ドーパミンは期待と結果の差を伝えます。
- 製品での対応
- 採用・却下・修正の信号に異なる重みを与え、期待を最も裏切った提案を最も更新します。
- 測定する指標
- 信号あたりの誤差低下
シナプスの刈り込み
- 生物学的原理
- 使われない結合は再利用され、ネットワークは簡素になります。
- 製品での対応
- 繰り返し却下された提案は表示されなくなり、表示される提案の価値が上がります。
- 測定する指標
- 表示した提案あたりの採用率
記憶の固定
- 生物学的原理
- 日中の経験は睡眠中に再生され、長期記憶に書き込まれます。
- 製品での対応
- 信号を蓄積し、モデルをバッチで再学習して版管理します。変更は追跡できます。
- 測定する指標
- モデル版とリリース履歴
03学習ループ
学習ループ
修正はすべて信号です。信号は特徴量になり、特徴量がモデルを更新し、モデルが新しい提案を生み、ループが閉じます。
- 01
信号
- 02
特徴量
- 03
モデル
- 04
提案
- 05
フィードバック
04稼働中か、計画中か
稼働中か、計画中か
誇張しないことも研究の一部です。今日動いているものと、ロードマップ上のものを分けます。
現在稼働中
- 時間重み付き単価推定（新しい単価を重視）
- 階層的縮小（データが少なくても安定）
- 較正された信頼区間
- 前方バックテストと中央値との比較
- 共起による不足項目の警告
- 版管理と A/B 測定
ロードマップ
- 多層学習と事務所ごとの微調整
- 図面からの項目自動抽出（IFC と DXF）
- 自然言語の見積アシスタント
05限界と倫理
限界と倫理
学習するシステムが信頼されるには、何をしているかを明示する必要があります。ブラックボックスではありません。各提案には出典・標本数・信頼区間が表示されます。承認なしに何も見積に入らず、モデルは会社ごとに分かれています。
06研究の基盤
研究の基盤
以下の資料は、エンジンが実際に使用している4つのメカニズムの科学的根拠です。各行は対応するメカニズムを示しています。
- TemelThe Organization of BehaviorD. O. Hebb · 1949
Co-occurrence learning (Hebb rule)
- MITTheory-based Bayesian models of inductive learning and reasoningJ. B. Tenenbaum, T. L. Griffiths, C. Kemp · 2006
Hierarchical shrinkage — Trends in Cognitive Sciences 10(7)
Recency weighting and consolidation — Science 367(6473)
- YaleThe automaticity of visual statistical learningN. B. Turk-Browne, J. A. Jungé, B. J. Scholl · 2005
Statistical learning of regularities — J. Exp. Psychology: General 134(4)
出典は表示のみを目的として掲載しています。本ページの文章と図は独自に作成したものです。