APPLICATIONDRIVENLEARNING.JL: UM PACOTE JULIA DE ALTA PERFORMANCE PARA TREINAMENTO DE MODELOS PREDITIVOS NO CONTEXTO DE TOMADA DE DECISÃO

O framework Application-Driven Learning propõe uma abordagem que integra o treinamento de modelos preditivos com processos de tomada de decisão, otimizando os modelos especificamente para o contexto da aplicação. Neste artigo, apresentamos o ApplicationDrivenLearning.jl, uma biblioteca de código aberto que, a partir dos ecossistemas de otimização e aprendizado de máquina da linguagem Julia, permite a representação flexível e treinamento eficiente desses modelos. A interface permite ao usuário modelar de forma precisa os processos de tomada de decisão, com restrições e funções objetivo de diversas naturezas, bem como utilizar modelos preditivos de tamanhos e estruturas variadas. O treinamento pode ser realizado a partir de uma formulação exata de otimização binível ou uma abordagem heurística utilizando métodos de otimização com Nelder-Mead ou gradiente descendente, uma contribuição secundária deste trabalho. O pacote reduz drasticamente as barreiras de acesso a essa nova tecnologia combinando facilidade de uso e métodos de solução de alta performance.