Máquina

En muchas situaciones de la vida real, es necesario tomar decisiones tempranas, es decir, es necesario resolver los problemas antes de comprenderlos por completo. Para dar sólo un ejemplo cotidiano, si el tiempo empieza a parecer incierto, puedes cancelar el picnic familiar e ir a un restaurante. ¿Pero cuándo tomas esa decisión? Una decisión que se toma demasiado pronto es intrínsecamente incierta, mientras que una decisión que se toma demasiado tarde plantea problemas organizativos.

También se requieren decisiones tempranas en muchos casos de uso dentro del Grupo Orange, con el objetivo de tomar acciones lo antes posible:

En muchos ejemplos cotidianos, el momento de las decisiones depende de la “imagen mental” que tiene quien toma las decisiones de posibles situaciones futuras.

En tales situaciones, cuanto más se tarde en tomar una decisión, más claro será su resultado probable (por ejemplo, si un equipo de red está realmente en condiciones críticas), pero mayores serán sus costos asociados; las decisiones tempranas generalmente permiten una mejor preparación. Por tanto, el objetivo es tomar una decisión en un momento que parezca un buen compromiso entre precocidad y calidad.

En sentido estricto, retrasar las decisiones tiende a hacerlas más confiables porque con el tiempo se gana información: nuestra comprensión del problema en cuestión se vuelve progresivamente más completa y precisa. Por lo tanto, para determinar el mejor momento para tomar una decisión, se debe estimar esta ganancia de información y equilibrarla con el costo de retrasar la decisión.

Este dilema de la precocidad de una decisión versus su calidad ha sido un foco particular de estudio en el campo de la “clasificación temprana de series temporales” (ECTS) [1, 6, 7]. Sin embargo, el ECTS tiene limitaciones, que detallaremos a continuación, que restringen su ámbito de aplicación. Así, recientemente se ha introducido un problema más general, denominado ML-EDM [2] con vistas a optimizar los tiempos de decisión de los modelos de aprendizaje automático [5] en una amplia gama de entornos donde se recopilan datos a lo largo del tiempo.

El objetivo de este problema es predecir, lo antes posible, la clasificación de una serie temporal observada progresivamente a lo largo del tiempo. Aunque el ECTS cubre muchas aplicaciones, no se extiende a todos los casos en los que se aplica un modelo de aprendizaje automático a datos recopilados a lo largo del tiempo, donde se debe optimizar el compromiso entre precocidad y calidad de las decisiones. De hecho, el ECTS, tal como se define en la literatura, se limita a las siguientes situaciones:

El artículo de posicionamiento [2] pretende, por un lado, superar las limitaciones del ECTS y definir un problema más general denominado ML-EDM y, por otro, desarrollar este nuevo campo de investigación presentando a la comunidad científica diez desafíos.

Las extensiones del ECTS implican ampliar sus enfoques de toma de decisiones tempranas a: cualquier tipo de conjunto de datos que evolucione con el tiempo (por ejemplo, textos, gráficos, secuencias); cualquier tipo de tarea de aprendizaje (por ejemplo, regresión, previsión, aprendizaje no supervisado); y procesamiento en línea de datos observados continuamente recibidos en forma de flujos de datos.

Más allá de estas extensiones naturales, se ha formalizado un problema de aprendizaje completamente nuevo. De hecho, a diferencia del ECTS, el problema ML-EDM implica “múltiples decisiones tempranas que deben ubicarse en el tiempo” [2]. Por tanto, existen dos desafíos, ya que es necesario predecir tanto lo que va a suceder a continuación como el período de tiempo asociado. Además, las decisiones pueden revocarse si nuevos datos las invalidan, es decir, se puede cambiar la predicción de lo que sucederá a continuación y/o el período de tiempo asociado.

Por lo tanto, ML-EDM es un problema mucho más amplio que ECTS, que abre muchos casos de uso, incluido el monitoreo continuo del sistema.

Ejemplo de uso de ML-EDM para monitoreo continuo

En muchos ejemplos cotidianos, el momento de las decisiones depende de la “imagen mental” que tiene quien toma las decisiones de posibles situaciones futuras. Por ejemplo, un peatón que busca cruzar una intersección estima cuál será la situación en la vía en unos segundos:

Los enfoques ML-EDM “no miopes” [1] pueden anticipar este tipo de información no observada, en un contexto determinado. Esto es técnicamente posible porque estos enfoques se entrenan utilizando conjuntos de datos de ejemplo "completos" donde se conoce el resultado de estas situaciones. Por analogía, un adulto, que ha experimentado muchas situaciones similares en el pasado, decidirá mejor cuándo cruzar una intersección que un joven adolescente, que tiene poca experiencia en esto.

En la práctica, tener la no miopía como característica es crucial para obtener mejores resultados; en [1], se demostró que este era el caso del ECTS. Sin embargo, desarrollar enfoques no miopes en el contexto más general de ML-EDM es un desafío considerable y presenta una vía prometedora para la investigación [2].

El artículo que presenta el problema ML-EDM [2] fue escrito en colaboración con varias universidades, a saber, AgroParisTech, Télécom Paris, Universidad de Porto, Universidad de Waikato y Université Bretagne Sud. Si está interesado en obtener más información, hay disponible una serie de vídeos que presentan los conceptos clave y los desafíos de ML-EDM en [3]. También hay un subreddit [4] dedicado a debates sobre el tema. ¡Te animamos a registrarte! A finales de este año estarán disponibles tutoriales y una biblioteca de Python.

[1] Achenchabe, Y., Bondu, A., Cornuéjols, A. y Dachraoui, A. (2021). Clasificación temprana de series temporales. Aprendizaje automático, 110 (6), 1481-1504.

[2] Bondu, A., Achenchabe, Y., Bifet, A., Clérot, F., Cornuéjols, A., Gama, J., Hébrail, G., Lemaire, V., Marteau, PF Desafíos abiertos para la máquina Investigación sobre la toma de decisiones tempranas basada en el aprendizaje. Boletín de exploraciones de ACM SIGKDD, 24(2), 12–31, 2022.

[3] https://www.youtube.com/channel/UCEUK7Q1gARRck1FB4Qo_3aQ

[4] https://www.reddit.com/r/EarlyMachineLearning/

[5]Mitchell, Tom (1997). Aprendizaje automático. Nueva York: McGraw Hill. ISBN 0-07-042807-7

[6] U. Mori, A. Mendiburu, S. Dasgupta y JA Lozano. Clasificación temprana de series temporales optimizando simultáneamente la precisión y la precocidad. Transacciones IEEE sobre redes neuronales y sistemas de aprendizaje, 2017.

[7] A. Gupta, HP Gupta, B. Biswas y T. Dutta. Enfoques y aplicaciones de la clasificación temprana de series temporales: una revisión. Transacciones IEEE sobre inteligencia artificial, 2020.

ML-EDM

Toma de decisiones temprana basada en el aprendizaje automático