AnyScale Learning For All（ALFA）研究组 隶属于 麻省理工学院计算机科学与人工智能实验室（CSAIL） ，旨在解决最具挑战性的大数据问题——这些问题超出了典型分析的范畴。ALFA 运用最新的机器学习和进化计算理念，针对涉及高维度的复杂问题开展研究。
“如今，人们通过许多不同渠道接收数据，”ALFA 主任、CSAIL 首席研究科学家 Una-May O’Reilly 说。“我们正在帮助他们连接并关联这些渠道之间的数据。”
ALFA 研究组承担的挑战包括规划风电场布局，以及研究和分类血压数据中的心搏，以预测血压骤降和飙升。该组还在分析海量记录的点击数据，以预测大规模开放在线课程（MOOC）的学习行为，甚至帮助美国国税局防范代价高昂的逃税骗局。
ALFA 更愿意挑战直接来自源头的原始数据。随后，它会运用多种技术研究这些数据，其中大多数涉及可扩展的机器学习和进化计算算法。
“机器学习非常有用，可以回顾历史数据，帮助你预测未来，”O’Reilly 说。“进化计算也可以用同样的方式，而且尤其适用于规模大、维度极高的问题。”
O’Reilly 说，过去，机器学习面临数据不足的挑战，难以据此推断预测模型或分类标签。“现在数据太多了，因此我们采用可扩展的机器学习，尝试处理海量数据样本，”她说。“我们还需要提升机器学习应对极高维问题所伴随额外变量的能力。”
O’Reilly 对 ALFA 的另一项主要工具——进化计算——特别感兴趣。“借鉴进化中的理念，例如基于种群的适应和遗传继承，并将它们融入计算模型，效果非常好，”她说。“在工程领域，我们常使用进化算法进行优化，例如协方差矩阵自适应算法或离散值算法。此外，进化算法几乎可以毫不费力地并行化，从而能够处理许多最新的数据知识发现问题。”
在进化领域中，O’Reilly 尤其关注遗传编程，或者按她的定义说，“程序的进化”。“我们将遗传编程算法分布到许多节点上，再把数据分配到各个节点，”她解释说。“我们把能够并行计算出的所有独立解汇集起来，然后淘汰较弱的解，并将较强的解集体融合，构建一个集成模型。我们已经证明，基于集成的方法比基于全部数据的单一模型更准确。”
规划风电场布局
ALFA 最成功的项目之一是开发用于协助设计风电场的算法。O’Reilly 说，这个问题具有极高维度，尤其是在涉及数百台风力涡轮机时。
“优化风力涡轮机的布局可以显著提高效率，但这是一个非常复杂的问题，”她说。“首先要考虑涡轮机本身的参数：发电量、高度和邻近范围。你必须确定场址所需的风力大小，然后收集更精细的信息，了解风从何处吹来、风量有多少。还必须考虑土地的地形条件，以及风如何掠过土地。”
O’Reilly 说，最难处理的变量是某台涡轮机对其后方涡轮机造成的尾流效应。“我们必须进行非常复杂的流场建模，才能计算出每台涡轮机后方的损失。”
ALFA 发现了如何应用并行化的进化算法，使其能够扩展到拥有一千多台涡轮机的风电场。“我们得以在比以往任何人都更大的规模上规划涡轮机布局，”O’Reilly 说。
最近，ALFA 一直在为场址设计构建生成式模板。“现在，我们正在运用进化理念开发一个程序，能够在任何场址布局任意一组涡轮机，”她说。“我们构建的是设计流程，而不是场址设计本身。”
GigaBEATS：读懂血压数据
许多用于规划风电场的进化和机器学习理念，同样可以用于从临床数据中获取洞见。ALFA 正尝试从医疗传感器收集的、不断增加的生理数据中提取有用信息。这些数据包括从睡眠模式到心电图（ECG）和血压等各种测量信息。
“临床医生很难理解如此大量的数据，”O’Reilly 说。“我们希望提取信号层面的信息，并将其与机器学习相结合，从而做出更好的预测。”
O’Reilly 说，研究人员往往只从少量样本中收集少量数据，并开展一项耗时超过 18 个月的研究。“我们想把这 18 个月缩短到几个小时，”她说。
ALFA 正在开展一个名为 GigaBEATS 的项目，从超大规模生理数据集中提取知识。该项目最初研究的是重症监护病房数千名患者的血压数据。
“我们正在检查每一次心搏的微观特征，”O’Reilly 说。“最终，我们会按历史片段汇总这些特征，从而预测血压飙升。”
ALFA 研究组创建了一个名为 BeatDB 的数据库，它收集的不仅是波形中的心搏，还包括“每次心搏的一组属性或特征”，O’Reilly 说。BeatDB 已存储了来自 5,000 多名患者的 10 亿个血压心搏特征。
“我们为每次心搏描述一组时间序列形态特征，”O’Reilly 解释说。“一旦建立起一套可靠的信号基础数据，我们就可以在此基础上提供技术服务，让新的心搏数据得以添加和处理。”
由于 BeatDB 能够将心搏汇总为片段，医生可以更好地判断需要多少历史数据才能进行预测。“要提前 15 分钟预测血压下降，你可能需要数小时的患者数据，”O’Reilly 说。“由于 BeatDB 数据经过整理，并利用了机器学习算法，医生不必反复计算。他们可以试验需要多少数据和提前量，然后检查模型的准确性。”
最近，O’Reilly 开始运用这项技术探索心电图（ECG）数据。“我们希望研究可能在量化自我实践中收集的数据，”O’Reilly 说。她所指的是一种新兴做法：佩戴健身手环来追踪个人的身体数据。
“越来越多的人通过佩戴 Fitbit 等设备来监测自身，了解自己是否疲倦、睡得如何，”O’Reilly 说。“解读所有这些身体信号，与 GigaBEATS 项目类似。可以围绕这些信号建立类似 BeatDB 的数据库和云端平台，帮助解读它们。”
本文由 MIT News 合作发布。发表本文并不代表世界经济论坛认可其中观点。
了解论坛动态：Agenda 订阅我们的每周通讯。
作者：Eric Brown 是 MIT News 的特约撰稿人。
图片：2008 年 5 月 19 日，丹麦萨姆索岛附近的海面上，一座海上风电场矗立水中。路透社/Bob Strong。
