Yeni yayın: Self-Improving Cost Estimation for Architectural Projects: A Feedback-Driven Approach

Arkeşif
Ücretsiz başla
Öğrenme mimarisi

Nörobilimden ilham alan öğrenme

Maliyet tahmini bir bellek ve pekiştirme problemidir. Arkeşif bu problemi nörobiyolojik ilkelerle modeller.

Beyin öğrendiğini sabit tutmaz; her yeni deneyimde bağlantılarını yeniden düzenler. Arkeşif'in öğrenme katmanı da aynı sırayla çalışır: sinyal toplar, işe yarayanı güçlendirir, işe yaramayanı budar ve belleğini düzenli aralıklarla yeniden kurar.

01Öğrenme mimarisi

Neden nörobilim?

Bir fiyat doğuştan bilinen bir sayı değildir; deneyimle oluşur. Bir büro yeni projeye fiyat verirken geçmiş işlerine, hatalarına ve düzeltmelerine bakar. Öğrenen bir sistemin de aynısını yapması gerekir.

  • Fiyat bilgisi deneyimle oluşur: sistem kullanıcı düzeltmelerinden öğrenir.
  • Beyin önemli sinyali güçlendirir: kabul ve red aynı ağırlıkta değildir.
  • Bellek yeniden kurulur: model belirli aralıklarla baştan eğitilir.
Kullanılan sinaptik bağlar güçlenir, kullanılmayanlar zayıflar.
02Altı mekanizma

Altı mekanizma

Her satırda üç şey var: biyolojik ilke, üründeki karşılığı ve ölçülen gösterge. Uydurma bir 'yapay sinir ağı' anlatısı yerine gerçekten çalışan mekanikler.

01

Nöroplastisite

Biyolojik ilke
Kullanılan sinaptik bağlar güçlenir, kullanılmayanlar zayıflar.
Üründeki karşılığı
Düzelttiğiniz kalemin hafızadaki ağırlığı güncellenir; uzun süre dokunulmayan kalemlerin etkisi azalır.
Ölçülen gösterge
Düzeltme sonrası fiyat sapması
02

Nöroevrim

Biyolojik ilke
Değişkenlik ve seçilim: işe yarayan yapılar korunur.
Üründeki karşılığı
Öneri kuralları geçmiş projeler üzerinde yarıştırılır; hatası en düşük olan yapı seçilir.
Ölçülen gösterge
Geri test hatası (LOO MAPE)
03

Hebbiyen pekiştirme

Biyolojik ilke
Birlikte etkinleşen nöronlar arasındaki bağ güçlenir.
Üründeki karşılığı
Aynı keşifte sık birlikte geçen kalemler bağlanır; biri varsa diğeri hatırlatılır.
Ölçülen gösterge
Eksik kalem yakalama oranı
04

Ödül tahmini hatası

Biyolojik ilke
Dopamin, beklenen ile gerçekleşen arasındaki farkı bildirir.
Üründeki karşılığı
Kabul, red ve düzeltme sinyalleri farklı ağırlıklandırılır; beklentiyi en çok yanıltan öneri en çok güncellenir.
Ölçülen gösterge
Sinyal başına hata düşüşü
05

Sinaptik budama

Biyolojik ilke
Az kullanılan bağlantılar geri dönüştürülür, ağ sadeleşir.
Üründeki karşılığı
Sürekli reddedilen öneriler gösterilmez; gösterilen her öneri daha değerli hale gelir.
Ölçülen gösterge
Gösterilen öneri başına kabul oranı
06

Bellek konsolidasyonu

Biyolojik ilke
Gün içi deneyim, uykuda tekrar oynatılarak kalıcı belleğe yazılır.
Üründeki karşılığı
Sinyaller biriktirilir, model toplu olarak yeniden eğitilir ve sürümlenir; değişiklik izlenebilir kalır.
Ölçülen gösterge
Model sürümü ve yayın kaydı
03Öğrenme döngüsü

Öğrenme döngüsü

Her düzeltme bir sinyaldir. Sinyal özelliğe dönüşür, özellik modeli günceller, model yeni bir öneri üretir ve döngü kapanır.

  1. 01

    Sinyal

  2. 02

    Özellik

  3. 03

    Model

  4. 04

    Öneri

  5. 05

    Geri bildirim

04Ne kurulu, ne planlı?

Ne kurulu, ne planlı?

Abartısız olmak araştırmanın parçası: bugün çalışan mekanikleri yol haritasındakilerden ayırıyoruz.

Bugün çalışıyor

  • Örnekleme dayalı fiyat önerisi (medyan ve çeyreklikler)
  • kabul, red ve düzeltme sinyallerinin kaydı
  • otomatik geri test (LOO MAPE)
  • model sürümü ve A/B ölçümü
  • kalem birlikteliğiyle eksik kalem uyarısı

Yol haritasında

  • Çok katmanlı öğrenme ve büro bazlı ince ayar
  • çizimden otomatik kalem çıkarımı (IFC ve DXF)
  • doğal dilde keşif asistanı
05Sınırlar ve etik

Sınırlar ve etik

Öğrenen bir sistemin güvenilir olması, ne yaptığını açıkça söylemesine bağlıdır. Kara kutu değil: her önerinin altında kaynak, örnek sayısı ve güven aralığı yazılıdır. Onayınız olmadan hiçbir öneri keşfe girmez ve modeller firma başına ayrı çalışır.

06İleri okuma

İleri okuma

Bu sayfadaki mekanizmaların dayandığı temel kaynaklar

  • The Organization of BehaviorD. O. Hebb · 1949Hebbian learning
  • Reinforcement Learning: An IntroductionR. S. Sutton, A. G. Barto · 2018Reward prediction error
  • Designing neural networks through neuroevolutionK. O. Stanley, J. Clune, J. Lehman, R. Miikkulainen · 2019Nature Machine Intelligence
  • The wake-sleep algorithm for unsupervised neural networksG. E. Hinton, P. Dayan, B. J. Frey, R. M. Neal · 1995Consolidation and replay

Araştırmanın tamamı

Ölçüm yöntemi, veri seti ve yayınlar.

Araştırma sayfasıÖneri motorunu gör