בעולם האופטימיזציה שבו אלגוריתמים מסורתיים נתקעים באופטימה מקומיים, חוקרים מציגים את CogMCTS – מסגרת חדשנית המשלבת הנחיה קוגניטיבית של מודלים גדולים של שפה (LLMs) עם חיפוש בעץ מונטה קרלו (MCTS). המסגרת הזו מבטיחה איזון טוב יותר בין חקירה לביצוע, ומאפשרת יצירת היוריסטיקות אוטומטיות מתקדמות. לפי המחקר, CogMCTS מתגברת על מגבלות שיטות קיימות ומשפרת את היציבות, היעילות ואיכות הפתרונות.
עיצוב היוריסטי אוטומטי (AHD) הוא מסגרת יעילה לפתרון בעיות אופטימיזציה מורכבות. עם התפתחות ה-LLMs, ניתן לייצר היוריסטיקות באופן אוטומטי. שיטות אבולוציוניות מבוססות LLM סובלות מבעיות אופטימה מקומיים עקב אסטרטגיות אוכלוסייה. שילוב LLM עם MCTS משפר את האיזון בין חקירה לביצוע, אך מוגבל במשוב קוגניטיבי רב-סיבובי ובגיוון החיפוש. CogMCTS מציעה פתרון עם שילוב הדוק של מנגנון הנחיה קוגניטיבית של LLMs ב-MCTS.
המסגרת משתמשת במשוב קוגניטיבי רב-סיבובי שמשלב ניסיון היסטורי, מידע צומת ותוצאות שליליות, ומשפר באופן דינמי את יצירת ההיוריסטיקות. הרחבת צמתים בשני מסלולים בשילוב ניהול היוריסטיקות האליטיות מאזנים בין חקירת היוריסטיקות מגוונות לביצוע ניסיון איכותי. בנוסף, מוטציה אסטרטגית משנה צורות ופרמטרים של היוריסטיקות להגברת הגיוון והביצועים הכוללים.
בניגוד לשיטות קיימות, CogMCTS מאפשרת אינטגרציה קוגניטיבית עמוקה יותר, מה שמוביל לשיפורים משמעותיים. התוצאות הניסוייות מראות עליונות ביציבות, יעילות ואיכות פתרון בהשוואה לשיטות AHD מבוססות LLM אחרות. זה רלוונטי במיוחד לעסקים ישראליים בתחומי הלוגיסטיקה, פיננסים ואופטימיזציה תעשייתית, שבהם פתרונות מהירים חיוניים.
למנהלי עסקים, CogMCTS פותחת אפשרויות חדשות לאוטומציה של פתרון בעיות מורכבות ללא תלות בהיוריסטיקות ידניות. כדאי לעקוב אחרי הפיתוחים האלה, שכן הם עשויים לשנות את אופן הגישה לאופטימיזציה. האם המסגרת הזו תהפוך לסטנדרט חדש?