تعد مشكلة التعلم المعتمد على اتخاذ القرارات (Decision-Focused Learning) واحدة من أبرز التوجهات الحديثة في مجال الذكاء الاصطناعي، حيث تهدف إلى معالجة مشكلات توقع ثم تحسين (Predict-Then-Optimize) حتى في ظل النماذج غير المحددة. ومع ذلك، أثبتت التطبيقات العملية أنها تواجه تحديات جسيمة، بما في ذلك التكاليف الحسابية العالية وصعوبة التوسع، حيث يتطلب الأمر حل مشكلات تحسين مقيدة لكل حالة تدريب في كل تكرار.

للتغلب على هذه الصعوبات، اقترح الباحثون إطار عمل جديد يعتمد على دمج تحليل لاجرانج (Lagrangian Decomposition) ضمن مفاهيم التعلم المعتمد على اتخاذ القرارات. يقدم هذا الإطار هدفًا بديلًا جديدًا بالإضافة إلى وظيفتين خسارتين (Loss Functions) لتقييم وتدريب النموذج التنبؤي الأساسي. كما تم اقتراح نوعين من هذا الأسلوب، مما يوفر تجارب مختلفة من حيث الكفاءة الحسابية وجودة الحل.

يمكن دمج إطار العمل بسلاسة مع طرق التعلم المعتمد على اتخاذ القرارات الشائعة، بما في ذلك منهجيات Smart Predict-then-Optimize (SPO+) وتقدير الاحتمالية القصوى الضمنية (Implicit Maximum Likelihood Estimation - IMLE).

من خلال التجارب التي أُجريت على معيارين شائعين: مشكلة الحقيبة متعددة الأبعاد (Multi-Dimensional Knapsack Problem) وتحسين المحفظة التربيعية (Quadratic Portfolio Optimization)، أثبت هذا الإطار الجديد قدرته التنافسية في الأداء مع الحفاظ على إمكانية التوازي. وقد أظهر أنه يتفوق بانتظام على الطرق التقليدية للتعلم المعتمد على اتخاذ القرارات في حالات كبيرة، تصل إلى ثمانية أضعاف عدد المتغيرات التي يتم النظر فيها عادةً في الدراسات المشابهة.

للمزيد من المعلومات حول التنفيذ، يمكنكم زيارة رابط المشروع على GitHub. كيف ترون تأثير هذه التقنية الجديدة على مستقبل التعلم المعتمد على اتخاذ القرارات؟ شاركونا آراءكم في التعليقات!