Aunque la mayoría de nosotros no lo vemos, los algoritmos de optimización (OA) están funcionando en todas partes. Planifican el almacenamiento de nuestras tiendas de comestibles, crean horarios de aeropuertos y nos brindan la ruta más corta a nuestro destino de vacaciones. Los algoritmos exactos en particular funcionan muy bien a la hora de explotar estructuras conocidas. (por ejemplo, estructuras convexas), encontrando soluciones incluso en espacios de decisión masivos con muchas restricciones. En las últimas décadas, la combinación de mejoras algorítmicas y de hardware produjo enormes aceleraciones del orden de millones. Una tarea de planificación que a una computadora le habría llevado meses completar en los años 90, hoy en día podría llevarle sólo un segundo.
De manera similar, el aprendizaje automático (ML) ha tomado un vuelo increíble en la última década. MuZero demostró la capacidad de aprender políticas de juego sobrehumanas sin conocer las reglas de los juegos, Graph Neural Networks aprende relaciones complejas imperceptibles para el ojo humano y Transformers dio origen a ChatGPT y sus competidores. Lo que tienen en común es que todos estos algoritmos son capaces de detectar patrones de su entorno., ya sean bases de datos de texto o videojuegos. Regularmente se introducen arquitecturas novedosas y altamente complicadas, que a menudo resuelven nuevos problemas y ofrecen un rendimiento incomparable. A pesar de todos los éxitos y avances, para muchos problemas del mundo real, el ML de extremo a extremo lucha por lograr resultados competitivos. Los OA personalizados a menudo aún superan al ML, pero pueden requerir un tiempo de cálculo sustancial.
Sin embargo, no es necesario que los dos enfoques compitan. Curiosamente, Los algoritmos de optimización se destacan en explotando patrones, mientras que el aprendizaje automático brilla en detector patrones. En lugar de compararlos entre sí como puntos de referencia y ver cuál supera al otro, ¿no tendría sentido casar las dos mitades complementarias?
Cuando se fusionan la optimización y el aprendizaje automático, a menudo todo se reduce a El aprendizaje estadístico se utiliza para mejorar las rutinas de optimización. de una forma u otra. De esta manera, podemos acelerar la búsqueda explotando patrones que aprendimos. El desarrollo de este tipo de soluciones integradas se ha convertido en un campo de investigación emergente en los últimos tiempos…