Apprendimento su larga scala: un contributo agli algoritmi di clustering asincroni distribuiti
La prima grande svolta di Lokad è stata l’utilizzo di tipi di previsioni altamente atipici per scopi di supply chain, in particolare previsioni quantili. Presso Lokad, le previsioni quantili sono state precursori delle previsioni probabilistiche. I quantili hanno segnato la prima significativa deviazione di Lokad da quella che è ancora considerata la ‘corrente principale’ della teoria della supply chain. Questa svolta è stata associata al lavoro del primo dipendente di Lokad, Benoit Patra. (Come CEO e fondatore, non mi sono unito alla mia stessa azienda fino a molto tempo dopo.)
Quindici anni dopo, con mio orrore, ho realizzato che i manoscritti dei numerosi dottorati svolti presso Lokad non erano mai stati pubblicati sul nostro sito web. Quindi, meglio tardi che mai, ripubblichiamo questo manoscritto!
Autore: Benoit Patra
Data: marzo 2012
Abstract:
Gli argomenti affrontati in questo manoscritto di tesi sono ispirati dai problemi di ricerca incontrati dall’azienda Lokad, che sono riassunti nel primo capitolo. Il capitolo 2 tratta di un metodo non parametrico per la previsione dei quantili di una serie temporale a valori reali. In particolare, stabiliamo un risultato di consistenza per questa tecnica con assunzioni minime. Il resto della tesi è dedicato all’analisi degli algoritmi di clustering asincroni distribuiti (DALVQ). Il capitolo 3 propone innanzitutto una descrizione matematica dei modelli e poi offre un’analisi teorica, in cui viene dimostrata l’esistenza di un consenso asintotico e la convergenza quasi certa verso punti critici della distorsione. Nel capitolo successivo, proponiamo una discussione approfondita e alcuni esperimenti su schemi di parallelizzazione da implementare per una distribuzione pratica degli algoritmi DALVQ. Infine, il capitolo 5 contiene un’implementazione efficace di DALVQ sulla piattaforma di Cloud Computing Microsoft Windows Azure. Studiamo, tra gli altri argomenti, gli incrementi di velocità apportati dall’algoritmo con più risorse di calcolo parallelo e confrontiamo questo algoritmo con il cosiddetto metodo di Lloyd, che è anche distribuito e implementato su Windows Azure.
Curiosità: L’abstract menziona ‘Windows Azure’, che era effettivamente il nome commerciale di Microsoft Azure nei primi anni.
Commissione:
