Tiene razón al pensar “fuera de la caja” para las aplicaciones de ML.
El uso de ML en el diseño implica que entendemos las partes del diseño lo suficientemente bien como para formular el problema como un problema de optimización. Hay algunas cosas que me vienen a la mente.
Placas de circuito de enrutamiento automático.
- Soy un brogrammer exitoso. ¿Cómo hago la transición al jefe de cabello puntiagudo y / o al rockstar de la banda de chicos?
- ¿Por qué los megabytes no son exactamente 1 millón de bytes?
- ¿Cómo describirías la evolución de la inteligencia artificial programada en los videojuegos desde su lanzamiento hasta hoy?
- Aprendiendo a programar, académicamente un ingeniero. ¿Llegué tarde?
- ¿Hay alguna prueba de usabilidad con respecto a las ventanas modales de Facebook Connect?
Optimización estructural de las relaciones peso / resistencia.
Cualquier ayuda de diseño para optimizar un conjunto de criterios de diseño (por ejemplo, filtro DSP o selección de parámetros del sistema de control).
Probablemente hay muchos más.
En el otro lado de la moneda está Verificación, lo principal que sobresale es la prueba automatizada.
Una técnica común es la prueba de tipo monte carlo que simplemente se basa en desviaciones aleatorias para perturbar un sistema para obtener dispersión operativa y buscar agujeros en el diseño.
Puede ser un problema interesante buscar no linealidades donde las funciones de sensibilidad de rendimiento del sistema tienen una ganancia más alta y presumiblemente es más probable que fallen (singularidades potenciales) y ejercitar estas áreas más basándose en algún tipo de búsqueda de ML para “puntos de dolor”.
En entornos complejos, este tipo de prueba seleccionada puede ser más eficiente que las técnicas estándar de Monte Carlo.
Todo esto es solo una lluvia de ideas para agregar a su experiencia “fuera de la caja”.
