ຫຸ່ນຍົນ
ຫຸ່ນຍົນສາມາດຮຽນຮູ້ວຽກງານທີ່ສັບສົນຈາກການສາທິດຈໍານວນຫນ້ອຍ
ໃນຫນຶ່ງຂອງການພັດທະນາຫລ້າສຸດໃນພາກສະຫນາມຂອງຫຸ່ນຍົນ, ນັກຄົ້ນຄວ້າຈາກມະຫາວິທະຍາໄລພາກໃຕ້ຄາລິຟໍເນຍ (USC) ໄດ້ພັດທະນາລະບົບທີ່ຫຸ່ນຍົນສາມາດຮຽນຮູ້ວຽກງານທີ່ສັບສົນດ້ວຍການສາທິດຈໍານວນຫນ້ອຍ. ສິ່ງທີ່ໜ້າປະທັບໃຈກວ່ານັ້ນ, ບາງການສາທິດອາດບໍ່ສົມບູນແບບ.
ການຄົ້ນຄວ້າໄດ້ຖືກນໍາສະເຫນີໃນກອງປະຊຸມກ່ຽວກັບການຮຽນຮູ້ຫຸ່ນຍົນ (CoRL) ໃນວັນທີ 18 ພະຈິກ, ຫົວຂໍ້ "ການຮຽນຮູ້ຈາກການສາທິດການນໍາໃຊ້ສັນຍານຊົ່ວຄາວຕາມເຫດຜົນ."
ລະບົບ
ຄຸນນະພາບຂອງການສາທິດແຕ່ລະຄັ້ງຖືກວັດແທກເພື່ອໃຫ້ລະບົບສາມາດຮຽນຮູ້ຈາກຄວາມສໍາເລັດແລະຄວາມລົ້ມເຫລວຂອງມັນ. ບໍ່ເຫມືອນກັບວິທີການໃນປະຈຸບັນ, ເຊິ່ງຕ້ອງການຢ່າງຫນ້ອຍ 100 ການສາທິດເພື່ອສອນວຽກງານສະເພາະໃດຫນຶ່ງ, ລະບົບໃຫມ່ຕ້ອງການພຽງແຕ່ຈໍານວນຫນ້ອຍ. ໃນລັກສະນະທີ່ເຂົ້າໃຈໄດ້, ວິທີທີ່ຫຸ່ນຍົນເຫຼົ່ານີ້ຮຽນຮູ້ແມ່ນຄ້າຍຄືກັນກັບວິທີທີ່ມະນຸດຮຽນຮູ້ຈາກກັນແລະກັນ. ຕົວຢ່າງ: ມະນຸດເບິ່ງແລະຮຽນຮູ້ຈາກຄົນອື່ນທີ່ເຮັດສໍາເລັດໜ້າວຽກຢ່າງສໍາເລັດຜົນຫຼືບໍ່ສົມບູນແບບ.
Aniruddh Puranic ເປັນຜູ້ນໍາຫນ້າຂອງການຄົ້ນຄວ້າແລະປະລິນຍາເອກ. ນັກສຶກສາວິທະຍາສາດຄອມພິວເຕີຢູ່ໂຮງຮຽນວິສະວະກໍາ USC Viterbi.
ທ່ານ Puranic ກ່າວວ່າ "ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກແລະການເສີມສ້າງຫຼາຍແຫ່ງຕ້ອງການຂໍ້ມູນຈໍານວນຫລາຍແລະການສາທິດຫຼາຍຮ້ອຍຄັ້ງ - ທ່ານຕ້ອງການມະນຸດເພື່ອສະແດງໃຫ້ເຫັນເລື້ອຍໆ, ເຊິ່ງເປັນໄປບໍ່ໄດ້," Puranic ເວົ້າ.
"ນອກຈາກນັ້ນ, ຄົນສ່ວນໃຫຍ່ບໍ່ມີຄວາມຮູ້ການຂຽນໂປລແກລມເພື່ອບອກຢ່າງຈະແຈ້ງກ່ຽວກັບສິ່ງທີ່ຫຸ່ນຍົນຕ້ອງເຮັດ, ແລະມະນຸດບໍ່ສາມາດສະແດງທຸກສິ່ງທຸກຢ່າງທີ່ຫຸ່ນຍົນຕ້ອງການຮູ້," ລາວເວົ້າຕໍ່ໄປ. “ຈະເຮັດແນວໃດຖ້າຫຸ່ນຍົນພົບກັບສິ່ງທີ່ມັນບໍ່ເຄີຍເຫັນມາກ່ອນ? ນີ້ແມ່ນສິ່ງທ້າທາຍຫຼັກ.”
ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ "ເຫດຜົນຊົ່ວຄາວສັນຍານ" ຫຼື STL ເພື່ອກໍານົດຄຸນນະພາບຂອງການສາທິດ, ຈັດອັນດັບໃຫ້ພວກເຂົາຕາມຄວາມເຫມາະສົມແລະສ້າງລາງວັນທີ່ເກີດມາ.
ມີສອງເຫດຜົນຕົ້ນຕໍທີ່ນັກຄົ້ນຄວ້າໄດ້ຕັດສິນໃຈກ່ຽວກັບ STL:
- ໂດຍການຮຽນຮູ້ໂດຍຜ່ານການສາທິດ, ຫຸ່ນຍົນສາມາດເລືອກເອົາຄວາມບໍ່ສົມບູນແບບຫຼືແມ້ກະທັ້ງພຶດຕິກໍາທີ່ບໍ່ປອດໄພແລະການກະທໍາທີ່ບໍ່ຕ້ອງການ.
- ການສາທິດສາມາດແຕກຕ່າງກັນໃນຄຸນນະພາບຂຶ້ນຢູ່ກັບຜູ້ໃຊ້ທີ່ສະຫນອງໃຫ້ເຂົາເຈົ້າ, ແລະການສາທິດບາງຢ່າງແມ່ນຕົວຊີ້ວັດທີ່ດີກວ່າຂອງພຶດຕິກໍາທີ່ຕ້ອງການກ່ວາຄົນອື່ນ.
ໂດຍການພັດທະນາລະບົບດ້ວຍວິທີນີ້, ຫຸ່ນຍົນຍັງສາມາດຮຽນຮູ້ຈາກການສາທິດທີ່ບໍ່ສົມບູນແບບ, ເຖິງແມ່ນວ່າພວກເຂົາບໍ່ຕອບສະຫນອງຄວາມຕ້ອງການທາງດ້ານເຫດຜົນ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ມັນເຮັດໃຫ້ການສະຫລຸບຂອງຕົນເອງກ່ຽວກັບຄວາມຖືກຕ້ອງຫຼືຄວາມສໍາເລັດ.
Stefanos Nikolaidis ເປັນຜູ້ຂຽນຮ່ວມ ແລະເປັນຜູ້ຊ່ວຍສາດສະດາຈານ USC Viterbi ຂອງວິທະຍາສາດຄອມພິວເຕີ.
"ສົມມຸດວ່າຫຸ່ນຍົນຮຽນຮູ້ຈາກປະເພດຕ່າງໆຂອງການສາທິດ - ມັນອາດຈະເປັນການສາທິດ, ວິດີໂອ, ຫຼືການຈໍາລອງ - ຖ້າຂ້ອຍເຮັດບາງສິ່ງບາງຢ່າງທີ່ບໍ່ປອດໄພ, ວິທີການມາດຕະຖານຈະເຮັດຫນຶ່ງໃນສອງຢ່າງ: ບໍ່ວ່າຈະ, ພວກເຂົາຈະບໍ່ສົນໃຈມັນ. , ຫຼືຮ້າຍແຮງກວ່າເກົ່າ, ຫຸ່ນຍົນຈະຮຽນຮູ້ສິ່ງທີ່ຜິດພາດ, "Nikolaidis ເວົ້າ.
ທ່ານກ່າວຕື່ມວ່າ "ໃນທາງກົງກັນຂ້າມ, ໃນທາງທີ່ສະຫຼາດຫຼາຍ, ວຽກງານນີ້ໃຊ້ເຫດຜົນທົ່ວໄປໃນຮູບແບບຂອງເຫດຜົນເພື່ອເຂົ້າໃຈວ່າພາກສ່ວນໃດດີແລະພາກສ່ວນໃດບໍ່ແມ່ນ," ລາວເວົ້າຕໍ່ໄປ. "ໂດຍເນື້ອແທ້ແລ້ວ, ນີ້ແມ່ນສິ່ງທີ່ມະນຸດເຮັດ."
ສັນຍານຊົ່ວຄາວຕາມເຫດຜົນ
ຫຸ່ນຍົນສາມາດໃຫ້ເຫດຜົນກ່ຽວກັບຜົນໄດ້ຮັບໃນປະຈຸບັນແລະໃນອະນາຄົດໂດຍຜ່ານ STL, ເຊິ່ງເປັນພາສາສັນຍາລັກທາງຄະນິດສາດທີ່ສະແດງອອກ. ກ່ອນຫນ້ານີ້ກັບ STL, ການຄົ້ນຄວ້າແມ່ນອີງໃສ່ "ເຫດຜົນທາງໂລກເສັ້ນຊື່."
Jyo Deshmukh ແມ່ນອະດີດວິສະວະກອນ Toyota ແລະເປັນຜູ້ຊ່ວຍອາຈານສອນວິທະຍາສາດຄອມພິວເຕີຢູ່ USC.
"ເມື່ອພວກເຮົາເຂົ້າໄປໃນໂລກຂອງລະບົບທາງກາຍະພາບທາງໄຊເບີ, ເຊັ່ນຫຸ່ນຍົນແລະລົດຂັບລົດດ້ວຍຕົນເອງ, ບ່ອນທີ່ເວລາແມ່ນສໍາຄັນ, ເຫດຜົນທາງຊົ່ວຄາວຂອງເສັ້ນກາຍເປັນເລື່ອງທີ່ສັບສົນ, ເພາະວ່າມັນໃຫ້ເຫດຜົນກ່ຽວກັບລໍາດັບຂອງຄ່າທີ່ແທ້ຈິງ / ທີ່ບໍ່ຖືກຕ້ອງສໍາລັບຕົວແປ, ໃນຂະນະທີ່ STL ອະນຸຍາດໃຫ້ສົມເຫດສົມຜົນກ່ຽວກັບ. ສັນຍານທາງດ້ານຮ່າງກາຍ,” Deshmukh ເວົ້າ.
ທີມງານຂອງນັກຄົ້ນຄວ້າໄດ້ປະຫລາດໃຈກັບລະດັບຄວາມສໍາເລັດຂອງລະບົບ.
Nikolaidis ກ່າວວ່າ "ເມື່ອປຽບທຽບກັບລະບົບສູດການຄິດໄລ່ທີ່ທັນສະ ໄໝ, ຖືກ ນຳ ໃຊ້ຢ່າງກວ້າງຂວາງໃນກິດຈະ ກຳ ຫຸ່ນຍົນ, ທ່ານຈະເຫັນ ຄຳ ສັ່ງຂອງຄວາມແຕກຕ່າງກັນໃນ ຈຳ ນວນການສາທິດທີ່ຕ້ອງການ," Nikolaidis ເວົ້າ.
ອີງຕາມນັກຄົ້ນຄວ້າ, ລະບົບສາມາດຮຽນຮູ້ຈາກ simulators ຂັບລົດແລະໃນທີ່ສຸດວິດີໂອ. ຂັ້ນຕອນຕໍ່ໄປແມ່ນການທົດສອບມັນໃນຫຸ່ນຍົນທີ່ແທ້ຈິງ, ເປັນການທົດສອບເບື້ອງຕົ້ນໄດ້ເຮັດຢູ່ໃນ simulator ເກມ. ລະບົບຈະເປັນປະໂຫຍດສໍາລັບຄໍາຮ້ອງສະຫມັກຕ່າງໆເຊັ່ນໃນສະພາບແວດລ້ອມໃນຄົວເຮືອນ, ຄັງສິນຄ້າ, ແລະຍານສຳຫຼວດອາວະກາດ.
Nikolaidis ກ່າວວ່າ "ຖ້າພວກເຮົາຕ້ອງການຫຸ່ນຍົນເປັນເພື່ອນຮ່ວມທີມທີ່ດີແລະຊ່ວຍເຫຼືອຄົນ, ກ່ອນອື່ນ ໝົດ ພວກເຂົາຕ້ອງຮຽນຮູ້ແລະປັບຕົວເຂົ້າກັບຄວາມມັກຂອງມະນຸດຢ່າງມີປະສິດທິພາບ," Nikolaidis ເວົ້າ. "ວິທີການຂອງພວກເຮົາໃຫ້ມັນ."
