Современная электроника №7/2023

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ 26 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 7 / 2023 использующего древовидную струк - туру Parzen Estimator с функцией по - лучения EI [19, 20]; 3) Algo3 с использованием модели про - цесса Гаусса [21] и функции сбора данных с более низкой доверитель - ной границей . Все алгоритмы используют масшта - бированное евклидово расстояние в качестве целевой функции и запу - скались без какого - либо обучения и с использованием неинформативных априорных значений [22]. Алгоритмы были запрограммирова - ны на использование выходных пока - зателей , но не выходных изображений профилей , поэтому они фактически игнорировались . Для каждой партии использовался только один метод , что является значением по умолчанию для байесовской оптимизации [23]. Траектории были повторены 100 раз для статистической релевантности , чтобы учесть присущую случайность в стоимости достижения цели из - за вероятностного характера байесов - ской оптимизации . Чтобы сэкономить вычислительное время , траектории усекались , если они не соответствова - ли целевому показателю до экспертно - го ориентира в 105 000 долларов США . Мы определяем « показатель успеха » как процент траекторий с более низ - кой стоимостью достижения цели , чем у эксперта . Для справки , вероятность успеха только от чистой случайности оценивается менее чем в 0,2% ( на осно - ве вероятности 0,003% на метод , упомя - нутой ранее ). Алгоритмы запускали каждую траек - торию со случайно сгенерированного начального числа из латинского гипер - куба , а затем генерировали один метод для каждой партии . На панелях рис . 3 результаты отмечены как « без челове - ка ». Показатели успеха низкие : менее 1% для Algo1, 2% для Algo2 и 11% для Algo3. В общей сложности только 13 из 300 ( менее 5%) попыток обыграли эксперта . Для справки , мы позволили одной траектории Algo2 выйти за пре - дел усечения , в итоге достигнув цели в 739 000 долларов США , что на много порядков дороже , чем результаты экс - пертов . В целом , одни только алгорит - мы не смогли выиграть состязание с человеком - экспертом . Стратегия « сначала человек – компьютер в последнюю очередь » Мы предположили , что алгоритмы потерпели неудачу , потому что они тратят впустую свои попытки для экспериментов , перебирая огромное количество конфигураций процес - сов без каких - либо предварительных знаний . Напротив , мы предположи - ли , что инженеры - технологи опира - лись на свой опыт и интуицию , чтобы принимать более правильные реше - ния на начальном этапе навигации . Поэтому мы решили протестировать гибридную стратегию , в которой экс - перт управляет алгоритмами в сцена - рии « сначала человек – компьютер в последнюю очередь » (HF–CL). В этой реализации вместо случайной выбор - ки эксперт предоставляет эксперимен - тальные данные , собранные до точки перехода , обозначенной от A до E на рис . 2, вместе с диапазоном поиска , ограниченным экспертом . Для справ - ки , вероятность успеха для нахождения цели в этом « ограниченном » диапазо - не поиска оценивается в 13%, исходя из 0,27% вероятности достижения цели на каждый метод из 2700 случайных выборок . В стратегии HF-CL, как толь - ко компьютер берёт на себя принятие решений , эксперт фактически отказы - вается от контроля и больше не играет никакой роли в планировании экспе - римента . Как и прежде , для статисти - ческой достоверности каждое условие повторялось 100 раз . В стратегии HF–CL точка передачи A обеспечивает наименьшее количество данных от эксперта к компьютерному алгоритму . На данный момент меди - анная целевая стоимость для HF–CL всё ещё постоянно выше , чем у одно - го эксперта , с коэффициентом успеха всего 20% для Algo1, 43% для Algo2 и 42% для Algo3. Хотя эти значения зна - чительно выше , чем результаты только для компьютеров , вероятность успеха менее 50% указывает на то , что затраты , скорее всего , увеличатся , а не умень - шатся . Таким образом , хотя некоторые начальные рекомендации улучшили производительность компьютерного алгоритма , HF–CL статистически даёт сбой в точке A. На рис . 3 показаны результаты HF– CL с увеличением количества данных , предоставляемых компьютерному алгоритму . Мы наблюдаем V- образную зависимость целевых затрат от коли - чества экспертных данных . От точек A до C доступ к большему количеству экспертных данных снижает общую стоимость достижения цели по мере повышения производительности алго - ритма . Однако после точки C тенден - ция меняется на противоположную , когда доступ к большему количеству экспертных данных увеличивает стои - Рис . 2. Игровые траектории для инженеров - людей несколькими способами Трекер прогресса Трекер прогресса 1,0 1,0 0,8 0,8 0,6 0,6 0,4 0,4 0,2 Совокупная стоимость ($1000) 0 0 50 100 150 200 0,2 0 0 20 40 60 80 100 105,000$ A B C D E 120 Совокупная стоимость ($1000) Старший инженер 1 Старший инженер 2 Старший инженер 3 Младший инженер 1 Младший инженер 2 Младший инженер 3