神经可塑性
- 生物学原理
- 被使用的突触增强，未被使用的减弱。
- 产品中的对应
- 修正某个项目会更新它在记忆中的权重；长期未触动的项目影响力下降。
- 测量指标
- 修正后的单价偏差
学习架构
受神经科学启发的学习
造价估算本质上是记忆与强化的问题。Arkesif 用神经生物学原理对其建模。
大脑不会固化所学，而是随每一次新经验重新布线。Arkesif 的学习层以同样的顺序工作：收集信号、强化有效者、剪除无效者，并定期重建记忆。
01学习架构
为什么用神经科学？
单价不是与生俱来的数字，而是由经验塑造。事务所为新项目报价时，会回看过去的工程、错误与修正。学习系统也应如此。
- 价格知识来自经验：系统从您的修正中学习。
- 大脑强化重要信号：采纳与拒绝的权重并不相同。
- 记忆会被重建：模型按固定周期重新训练。
02六种机制
六种机制
每一行包含三件事：生物学原理、在产品中的对应、以及所测量的指标。用真正运行的机制，而不是编造的“神经网络”故事。
神经进化
- 生物学原理
- 变异与选择：有效的结构被保留下来。
- 产品中的对应
- 让建议规则在历史项目上竞争，选取误差最低的结构。
- 测量指标
- 回测误差（LOO MAPE）
赫布强化
- 生物学原理
- 同时激活的神经元会连接在一起。
- 产品中的对应
- 在同一清单中频繁共同出现的项目会建立关联，出现其一即提示另一项。
- 测量指标
- 缺失项目捕获率
奖励预测误差
- 生物学原理
- 多巴胺报告期望与实际之间的差距。
- 产品中的对应
- 采纳、拒绝与修正的信号权重不同；最出乎意料的建议获得最大更新。
- 测量指标
- 每个信号带来的误差下降
突触修剪
- 生物学原理
- 很少使用的连接被回收，网络更精简。
- 产品中的对应
- 反复被拒绝的建议不再展示；每一条展示的建议都更有价值。
- 测量指标
- 每条展示建议的采纳率
记忆固化
- 生物学原理
- 白天的经验在睡眠中被重放并写入长期记忆。
- 产品中的对应
- 信号被累积，模型批量重新训练并版本化；每次变更都可追溯。
- 测量指标
- 模型版本与发布记录
03学习闭环
学习闭环
每一次修正都是一个信号。信号成为特征，特征更新模型，模型产生新的建议，闭环由此完成。
- 01
信号
- 02
特征
- 03
模型
- 04
建议
- 05
反馈
04哪些已上线，哪些在计划中？
哪些已上线，哪些在计划中？
不夸大是研究的一部分：我们把今天真实运行的部分与路线图上的部分分开。
当前已运行
- 按时间加权的单价估计（越新的价格权重越高）
- 层次收缩（数据少时更稳定）
- 校准后的置信区间
- 前向回测并与中位数对比
- 基于共现的缺失项目提醒
- 版本与 A/B 测量
路线图
- 多层学习与按事务所微调
- 从图纸自动提取项目（IFC 与 DXF）
- 自然语言算量助手
05边界与伦理
边界与伦理
学习系统只有说清楚自己在做什么才值得信任。它不是黑箱：每条建议都标明来源、样本数与置信区间。未经您确认不会写入清单，模型按公司分别运行。
06研究基础
研究基础
下列资料是引擎实际使用的四项机制的科学依据。每一行都标明其对应的机制。
- 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)
所列来源仅用于标注出处；本页文字与图示均为原创。