Waarom is dit belangrijk?
Pas als een model tijdens het leren steeds beter wordt afgestemd, kunnen computers uit grote verzamelingen gegevens bruikbare voorspellingen halen. In de zorg zetten onderzoekers een optimalisatiealgoritme in voor modellen die helpen om medische behandelingen in te delen. Voor zorgverleners betekent dat ondersteuning bij keuzes over een behandeling, maar de training kost veel energie en het model kan soms fouten maken.
Zo werkt het in de praktijk
Onderzoekers van de Universiteit Twente testen DynaPlex bij ASML, waar het model zijn keuzes stap voor stap aanpast. De test wees op vijf procent efficiënter productie- en voorraadbeheer. Het KNMI traint neurale netwerken voor HARMONIE-AROME en verkleint een maat voor de fout, zodat de modellen afwijkingen in satellietmetingen schatten.
Een artikel in Scientific Reports vergelijkt verschillende optimalisatiealgoritmen bij de training van diepe restnetwerken. Die netwerken voorspellen de stroomvraag op korte termijn met echte data uit een gematigd en een tropisch klimaat. AMSGrad was het stabielst bij het basisnetwerk, tot weergegevens eerst werden samengevat.




