Efficiënter problemen oplossen
De pas gepromoveerde Hao Wang van het Leiden Institute of Advanced Computer Science leert computers hoe je problemen in het dagelijks leven kunt oplossen. Zijn doel is om het proces van probleemoplossing efficiënter te maken. Op 1 november promoveerde hij met het predicaat cum laude. ‘Ik hoop moeilijke problemen op te lossen die eerder onoplosbaar waren.’
Hao Wang over Machine Learning
Vanwege de gekozen cookie-instellingen kunnen we deze video hier niet tonen.
Bekijk de video op de oorspronkelijke website ofOptimalisatie
Wang doet onderzoek in het domein van Machine Learning, of meer specifiek Optimalisatie. ‘In dit onderzoeksgebied leren we computerprogramma’s hoe ze praktische problemen voor ons oplossen’, legt hij uit. Met de optimalisatietechniek selecteert een computerprogramma de best mogelijke oplossing op basis van de gestelde criteria. Wang houdt zich voornamelijk bezig met wat hij 'het efficiëntieprobleem' noemt: hoe kunnen de algoritmes die de beste oplossing berekenen, efficiënter werken qua tijd en kosten? Zijn nieuwe ontwikkelingen zijn zeer toepasbaar voor het oplossen van veel dagelijkse problemen. ‘Bijvoorbeeld het vehicle routing problem, waarbij we de kosten in de bezorgdienst willen minimaliseren of de snelste route voor een ambulance willen berekenen. Hier zoeken we naar de beste route op basis van real-time verkeersinformatie. Ik wil dergelijke problemen op een efficiëntere manier oplossen.’
Industriële toepassingen
Wang werkte onder andere aan industriële processen. ‘Voor TATA-staal hebben we de één-kilometer-lange productielijn geoptimaliseerd’, vertelt Wang. ‘Soms ontstaan er defecten in het geproduceerde staal. Het bedrijf wil dit natuurlijk tot een minimum beperken.’ Tienduizenden parameters, zoals temperatuur en walssnelheid, beheersen het hele productieproces. Wang en zijn collega's verzamelden alle gegevens die het bedrijf in elke productiestap verzamelt. Vervolgens gebruikten ze deze gegevens om een voorspellend model te bouwen. ‘We kunnen zien bij welke instellingen van de besturingsprogramma's de meeste defecten optreden. Deze waarnemingen abstraheren we in een model. Met dit model kunnen we, gegeven bepaalde instellingen, voorspellen of er al dan niet een defect op zal treden.’
Nadat het model gevalideerd is, kan het gebruikt worden voor het optimaliseren van het productieproces. Wang: ‘We vragen het model: wat is de optimale instelling die ons het minimale aantal defecten oplevert? Op deze manier passen we onze kennis toe op de industrie en helpen hen met de productie.’
Nieuwe problemen oplossen
Wang bedacht een aantal nieuwe methoden en algoritmes voor Optimalisatie en Machine Learning, en vulde hiermee enkele hiaten in zijn onderzoekdomein. Hij combineerde technieken en methoden uit verschillende subdomeinen, bijvoorbeeld de zogenaamde Evolutionary Algorithms met Bayesiaanse optimalisatiemethoden. Dit resulteerde in goed werkende nieuwe algoritmes. Wang zet zijn onderzoek aan de Universiteit Leiden voort als postdoc. Hij wil zich richten op een theoretische analyse van enkele methoden die hij in zijn proefschrift heeft voorgesteld. ‘Ik wil zien of ik de methodes die voortkomen uit de theorie ook empirisch kan valideren, zodat ik kan bevestigen dat ze echt correct werken. Als dat zo is, zijn onze vorderingen ook zeer betrouwbaar als ze op een ander scenario worden toegepast.’ Bovendien wil Wang de nieuwe methoden en algoritmes toepassen op meer van de praktische problemen, zoals het routing problem. ‘Als we Optimalisatie efficiënter en sneller maken, kunnen we een heel nieuw scala aan problemen oplossen!’