Aprendizaje a gran escala: una contribución a los algoritmos de agrupamiento distribuido asincrónico
El primer gran avance de Lokad fue el uso de tipos de pronósticos altamente atípicos para fines de la cadena de suministro, específicamente pronósticos de cuantiles. En Lokad, los pronósticos de cuantiles fueron los precursores de los pronósticos probabilísticos. Los cuantiles marcaron la primera desviación significativa de lo que todavía se considera la “corriente principal” de la teoría de la cadena de suministro. Este avance estuvo asociado con el trabajo del primer empleado de Lokad, Benoit Patra. (Como CEO y fundador, no me uní a la nómina de mi propia empresa hasta mucho más tarde).
Quince años después, para mi horror, me di cuenta de que los manuscritos de los múltiples doctorados realizados en Lokad nunca se habían publicado en nuestro sitio web. Así que, más vale tarde que nunca, ¡vamos a republicar este manuscrito!
Autor: Benoit Patra
Fecha: marzo de 2012
Resumen:
Los temas abordados en este manuscrito de tesis están inspirados en problemas de investigación encontrados por la empresa Lokad, que se resumen en el primer capítulo. El Capítulo 2 trata sobre un método no paramétrico para pronosticar los cuantiles de una serie temporal de valores reales. En particular, establecemos un resultado de consistencia para esta técnica bajo suposiciones mínimas. El resto de la tesis se dedica al análisis de algoritmos de agrupamiento distribuido asincrónico (DALVQ). El Capítulo 3 propone primero una descripción matemática de los modelos y luego ofrece un análisis teórico, donde se demuestra la existencia de un consenso asintótico y la convergencia casi segura hacia puntos críticos de la distorsión. En el siguiente capítulo, proponemos una discusión detallada y algunos experimentos sobre esquemas de paralelización que se deben implementar para una implementación práctica de los algoritmos DALVQ. Finalmente, el Capítulo 5 contiene una implementación efectiva de DALVQ en la plataforma de computación en la nube Microsoft Windows Azure. Estudiamos, entre otros temas, las mejoras de velocidad que aporta el algoritmo con más recursos de computación paralela y comparamos este algoritmo con el llamado método de Lloyd, que también es distribuido e implementado en Windows Azure.
Dato curioso: El resumen menciona ‘Windows Azure’, que era de hecho el nombre comercial de Microsoft Azure en los primeros años.
Jurado:
