Teorie dynamického rozhodování
Tento výzkum rozvíjí teorii dynamického racionálního rozhodování za nejistoty. Teorie slouží pro zlepšení rozhodovacích procesů jak lidských, tak technických agentů. Dosažené výsledky již prokázaly svou prospěšnost v celé řadě oborů, včetně lékařské diagnostiky, při řízení výrobních procesů, při řízení pohybu složitých robotických systémů, v ekonomickém rozhodování, v podpoře elektronické demokracie, v dopravě a mnoha dalších.
Náš výzkum trvale zlepšuje podporu rozhodování agentů bez ohledu na to, zda jsou to lidé, zařízení či kombinace obojího. Tito agenti ovlivňují či alespoň pozorují své prostředí a rozhodují se tak, aby dosáhli svých cílů. Na rozdíl od rozhodnutí činěných velkými jazykovými modely, které bez zdůvodnění pouze prokládají vzory situací pozorovaných v minulosti, náš přístup k rozhodování promyšleně optimalizuje rozhodování tak, aby byly co nejlépe dosaženy cíle rozhodování jednotlivého agenta, a to v kontextu daném dostupnou znalostí a reálnými možnostmi agenta.
Naše výsledky se opírají o tři základní pilíře, jimiž jsou:
Axiomatická doporučující teorie rozhodování
Tato teorie modeluje prostředí agenta i cíle jeho rozhodování pravděpodobnostně, což podstatně rozšiřuje stávající teorie založené na maximalizaci očekávaného užitku, [1].
Automatické zpracování znalostí a cílů rozhodování
Nabízíme robustní a dobře podložené postupy pro převod dostupných neformálních nebo neúplných znalostí a cílů rozhodování na pravděpodobnosti, přičemž bereme v úvahu omezené zdroje skutečných agentů, jako jsou odborné znalosti, čas na uvažování, dostupnost dat, výpočetní technika a potřebná energie [2].
Účinný přenos znalostí
Náš výzkum zavádí obecnou korespondenční funkci, která rozpoznává a učí se podobnost dvou souvisejících rozhodovacích úloh, což umožňuje velmi účinný přenos znalostí mezi nimi. Jeho účinnost byla experimentálně prokázána na videohrách [3].
Související publikace:
- KÁRNÝ, Miroslav. Prescriptive Inductive Operations on Probabilities Serving to Decision-Making Agents. IEEE Transactions on Systems Man Cybernetics-Systems, 2022, 52(4):2110-2120.
- KÁRNÝ, Miroslav, GUY, Tatiana Valentine, Preference Elicitation within Framework of Fully Probabilistic Design of Decision Strategies, IFAC-Papers on Line: Proceedings of the 13th IFAC Workshop on Adaptive and Learning Control Systems 2019, 52(29):239-244.
- RUMAN, Marko; GUY, Tatiana Valentine. Knowledge Transfer in Deep Reinforcement Learning via an RL-Specific GAN-Based Correspondence Function, IEEE Access, 2024, 12.
Kontaktní osoba