Een nieuwe AI-methode van MIT-onderzoekers kan ingenieurs en ontwerpers helpen om complexe optimalisatieproblemen veel sneller op te lossen. Denk aan het ontwerpen van een veiligere auto, het afstemmen van een elektriciteitsnet of het ontwikkelen van nieuwe materialen. Deze problemen hebben vaak honderden variabelen die je kunt aanpassen, maar elke test of simulatie is kostbaar en tijdrovend. De nieuwe aanpak, gebaseerd op een zogenaamd ’tabular foundation model’, identificeert automatisch welke variabelen het belangrijkst zijn en zoekt daardoor veel efficiënter naar de beste oplossing.

Wat is het precies en hoe werkt het?

De techniek is een geavanceerde vorm van ‘Bayesian optimization’, een bewezen wiskundige methode om het beste resultaat te vinden in een complexe ruimte met veel mogelijkheden. Het verschil zit in de inzet van een foundation model dat specifiek is getraind op tabelgegevens, zoals je die in spreadsheets tegenkomt. Dit model hoeft niet voor elk nieuw probleem opnieuw te worden getraind. In plaats daarvan leert het tijdens het optimalisatieproces zelf welke variabelen er echt toe doen om de prestaties te verbeteren, en welke minder relevant zijn. Door zich te concentreren op de kernvariabelen, kan het algoritme veel sneller tot een goede oplossing komen.

Volgens het onderzoeksteam, dat hun bevindingen zal presenteren op de International Conference on Learning Representations, vond hun methode in tests op realistische technische problemen de beste oplossingen 10 tot 100 keer sneller dan veelgebruikte methoden. Het voordeel wordt groter naarmate het probleem ingewikkelder is, wat het potentieel geeft voor veeleisende toepassingen zoals medicijnontwikkeling.

Hoe kun je dit vandaag toepassen?

De specifieke techniek uit het MIT-onderzoek is nog niet direct beschikbaar als kant-en-klare tool. Het illustreert echter een belangrijke trend: AI wordt steeds beter in het navigeren door complexe, multidimensionale problemen waar traditionele software of menselijk trial-and-error tegen grenzen aanloopt. Voor Nederlandse ingenieurs, ontwerpers en onderzoekers die met optimalisatie te maken hebben, zijn er nu al stappen te zetten.

Als je werkt aan productontwerp of engineering… kun je overwegen om bestaande optimalisatiesoftware te verkennen die AI-componenten bevat. De kern van de MIT-methode – het slim reduceren van de zoekruimte – is een principe dat ook in commerciële tools begint door te dringen. Je zou kunnen beginnen met het duidelijk definiëren van je ontwerpvariabelen en prestatiemetrics in een gestructureerd format, zoals een spreadsheet, om voorbereid te zijn op dergelijke tools.

Als je procesoptimalisatie in een fabriek of logistiek netwerk beheert… waarbij tientallen instellingen de output beïnvloeden, is een mogelijke stap om te onderzoeken of machine learning-modellen ingezet kunnen worden om patronen in je historische data te vinden. Deze modellen kunnen vaak voorspellen welke combinatie van instellingen tot het gewenste resultaat leidt, wat een vorm van optimalisatie is zonder dat je elke mogelijke combinatie fysiek hoeft te testen.

Als je onderzoek doet naar nieuwe materialen of chemische samenstellingen… een domein dat expliciet in het onderzoek wordt genoemd, dan zou je kunnen kijken naar platforms voor computational design of AI-gestuurde discovery. Deze velden lopen voorop in het toepassen van vergelijkbare technieken om het aantal dure lab-experimenten te minimaliseren.

Als je algemeen te maken hebt met complexe besluitvorming gebaseerd op veel data… is het principe van het identificeren van de meest invloedrijke variabelen altijd waardevol. Je zou kunnen beginnen met correlatie- of belangrijkheidsanalyses op je eigen datasets, bijvoorbeeld in Python met bibliotheken zoals scikit-learn of via geavanceerde functies in data-analyseplatforms. Dit helpt om focus aan te brengen voordat je überhaupt aan geavanceerde optimalisatie begint.

De praktische toepassing hangt sterk af van jouw specifieke situatie en de complexiteit van je problemen. De doorbraak van MIT laat vooral zien dat de tools om dit soort uitdagingen aan te pakken, snel krachtiger en toegankelijker worden.

Bron: MIT News