Q:
كيف يمكن لمفهوم التوازن إبلاغ مشاريع التعلم الآلي؟
أ:بشكل عام ، سوف يبلغ التوازن التعلم الآلي من خلال السعي لتحقيق الاستقرار في بيئات التعلم الآلي وخلق نتائج بمزيج متوافق من المكونات الحتمية والإحتمالية.
يصف الخبراء "التوازن" على أنه موقف تتوصل فيه جهات فاعلة عقلانية في نظام تعلُّم آلي إلى توافق في الآراء بشأن العمل الاستراتيجي - على وجه الخصوص ، ينطوي توازن ناش في نظرية اللعبة على اثنين أو أكثر من هذه الجهات الفاعلة العقلانية التي تدعم الاستراتيجيات من خلال إدراك أنه لا يوجد أي منافع للاعبين من خلال تغيير استراتيجية معينة إذا كان اللاعبون الآخرون لا يغيرون استراتيجياتهم.
| تحميل مجاني: تعلم الآلة ولماذا يهم |
تتضمن المظاهرة الشائعة والبسيطة بشكل خاص لتوازن ناش مصفوفة بسيطة يختار كل لاعب فيها نتيجة ثنائية.
ما سبق هو وسيلة تقنية لوصف التوازن وكيفية عمله. هناك طريقة غير رسمية أكثر لتوضيح مفهوم التوازن ، وخاصة المثال المذكور أعلاه لاثنين من الممثلين العقلانيين لكل منهما خيار ثنائي ، هو التفكير فيما قد تسميه سيناريو "المشي نحو بعضهم البعض في ممر المدرسة الثانوية".
لنفترض أن شخصين يمشيان في اتجاهات مختلفة أسفل مدخل مدرسة ثانوية (أو أي نوع آخر من المناطق) ، والذي لا يحتوي إلا على مساحة لشخصين. المساران المفتوحان هما النتائج الثنائية. إذا اختار اللاعبان العاقلان النتائج الثنائية المختلفة التي لا تتعارض مع بعضهما البعض ، فسوف يمر كل منهما الآخر ويقول مرحبا. إذا اختاروا نتيجتين متعارضتين - يسيران في نفس المساحة ، وسيحتاج أحدهما إلى الخضوع.
في المثال أعلاه ، إذا اختار الطرفان الفاعلان العقلاني النتيجتين المتوافقتين وغير المتعارضتين ، فإن الإجماع العام هو أن لا أحد يكسب من خلال تغيير استراتيجيتهم - في هذه الحالة اتجاهات المشي الخاصة بهم - إذا كان الشخص الآخر لا يغير استراتيجياتهم.
ما ورد أعلاه يشكل توازنا يمكن أن يكون على غرار أي بناء تعليمي آلي معين. بالنظر إلى هذا المثال البسيط ، ستكون النتيجة دائمًا الفاعلين العقلانيين المتعاونين ، أو بعبارة أخرى ، شخصان يمشيان متجاوَّلين.
يمكن أن يسمى العكس "اختلال التوازن" - إذا اختار اللاعبان العقلانيان نتائج متعارضة ، كما ذكر ، سيتعين على أحدهما أن يحقق. ومع ذلك ، يمكن طرح نموذج برنامج ML هذا في حلقة لا نهائية إذا قرر كلاهما الخضوع - مثلما يفعل شخصان كثيران للتحرك في محاولة لاستيعاب بعضهما البعض ولا يزالان يمشيان في اتجاه التصادم.
عادةً ما يتم استخدام موازنات مثل تلك المذكورة أعلاه في التعلم الآلي لإيجاد توافق وتثبيت النماذج. سيبحث المهندسون والمطورون عن تلك السيناريوهات والمواقف التي تستفيد من التوازن ، ويعملون على تغيير أو التعامل مع تلك السيناريوهات. بالنظر إلى أمثلة من العالم الواقعي تتوافق مع توازن ML ، فمن السهل أن نرى كيف أن هذا النوع من التحليل في نظام التعليم الآلي مفيد بشكل فريد لمعرفة كيفية نمذجة السلوك البشري من خلال إنشاء ممثلين وعوامل منطقية. هذا مجرد مثال ممتاز على كيفية استخدام التوازن لتحقيق تقدم في تطبيق أنظمة التعلم الآلي.
