Et Alternativ til Backpropagation?

Noget som virkelig ville hive tæppet væk under Deep Learning, som vi kender det i dag, ville være et bedre alternativ til Backpropagation-algoritmen, som bruges til at træne neurale netværk.

Manden bag Backpropagation-agoritmen, den gode Geoffrey Hinton, gav i starten af december 2022 et bud på et interessant alternativ til Backpropagation, som han kalder Forward-Forward algoritmen.

Hintons paper gik lidt tabt i al hypen omkring ChatGPT, men jeg syntes ikke man skal snyde sig selv for at læse det, eller høre Hinton selv forklare om algoritmen i denne podcast 👇



Pricerunner for Bæredygtighed

Forleden gik min kaffemaskine i stykker. Det var en billig en jeg havde købt for 1 år siden. Så var det jeg kom til at tænke på en ting. Hvis jeg nu havde købt en kaffemaskine som var dobbelt så dyr, ville den så have holdt i dobbelt så lang tid? Hvis det er tilfældet, så kunne jeg jo lige så godt have købt den dyre. Det ville både have sparet mig for besværet ved at købe en ny og have sparet de ressourcer det kræver at fabrikere en ny.

Tænk hvis der nede i Elgiganten havde stået kaffemaskinens pris relativt til dens forventede levetid? Så havde jeg muligvis truffet et andet valg da jeg skulle købe min kaffemaskine. Det kunne være en fed metric at have tilgængelig som forbruger!

pris / produkt levetid

Tænk hvis lige netop det tal var tilgængeligt for forbrugere. Det ene tal ville sandsynligvis spare verden for virkelig meget ressourcespild. Samtidigt ville det give kaffemaskine producenterne incitament til at producere mere solide kaffemaskiner af højere kvalitet.

Det eneste problem er bare at jeg ikke ved om den dyre kaffemaskine holder tilsvarende længere. Produktets forventede levetid er ikke en oplysning som kaffemaskine-producenten angiver nogle steder. Hvis man havde adgang til det tal og produktets totale CO2-aftryk kunne man lave en interessant Pricerunner ækvivalent specifikt for bæredygtighed. Et website hvor forbrugere kunne træffe mere bæredygtige købsbeslutninger på et oplyst grundlag. En ultra MVP på Pricerunner for bæredygtighed kunne se sådan ud 👇

+------------------------+------+---------+--------------+
| Produkt                | Pris | Levetid | Pris/Levetid |
+------------------------+------+---------+--------------+
| Nespresso Vertuo Plus  | 549  | 2       | 274,5        |
+------------------------+------+---------+--------------+
| Moccamaster Manual     | 1379 | 5       | 275,8        |
+------------------------+------+---------+--------------+
| Senseo Original HD6553 | 299  | 1       | 299          |
+------------------------+------+---------+--------------+
| Philips HD 7546        | 599  | 2       | 299,5        | 
+------------------------+------+---------+--------------+
Jeg aner selvfølgelig ikke om tallene her er realistiske, men hvis vi forestiller os at de var, så ville man som forbruger have en helt andet syn på sagen. Så ville Moccamaster Manual, den umiddelbart dyreste, næsten være den billigste. Jeg kunne godt nok spare 1,3 kr hvis jeg købte Nespresso Vertuo Plus, men den miljøbevidste forbruger ville nok gerne betale 1,3 kr mere for at spare Jordens ressourcer for 1,5 kaffemaskine.

Jeg er ingeniør og arbejder med machine learning til dagligt. Jeg er nysgerrig. Kan man sige noget om produkters levetid med machine learning? Hvis man indsamlede al den data man kunne få fat i for et udvalg af produkter og på en eller anden måde fandt ud af levetiden på dem, ville det så være muligt at modellere det med machine learning? 🤷‍♀️ Måske en genial start-up ide eller måske slet ikke 😅

Uanset hvad er det interessant at forestille sig hvordan et bestemt tal præsenteret sammen med et produkt potentielt kunne ændre forbrugeradfærd.