社会应该如何决定谁接受肝移植?在不久的将来是否应该有数据市场?这些市场应该如何运作?如果无人驾驶汽车撞死人，谁该负责?随机性如何帮助优化机器学习中使用的算法?
在9月28日(周五)为期一天的普林斯顿优化日(Princeton Day of Optimization)上，人们讨论了这些问题以及其他一些问题，从技术性很强的问题到广泛适用的问题。
来自50多个学术和工业机构的约350名研究人员和学生聆听了来自机器学习(人工智能的一个分支)、优化(系统效率最大化)和控制(系统计算机控制的基础理论)领域的6位演讲者。
活动组织者、运筹学和金融工程学助理教授阿米尔•阿里•艾哈迈迪说:“这一天的成功超出了我们最乐观的预期。”“出席人数很多，演讲很吸引人，海报环节也被超额认购，我们几乎没有空间容纳所有希望出席的人。”
尽管细节可能涉及高等数学，但会议上讨论的主题在人们的生活中越来越普遍。随着计算机控制着我们每天与之交互的越来越多的设备，通过使用机器学习和以前的“经验”，计算机对更有效的算法和更好的适应方法的需求比以往任何时候都更大。
普林斯顿大学统计与机器学习中心(CSML)主任、工程学教授、电气工程学教授Peter Ramadge说:“技术，在某种程度上，社会将越来越依赖先进的算法、计算和数据，以确保可用资源得到最有效的利用。”优化是这项工作的核心组件之一。例如，想想自动驾驶汽车或高效加热和冷却城市基础设施带来的挑战。”
将优化、控制和机器学习结合起来的一个很好的例子就是无人驾驶汽车。这种车辆的目标之一是减少能源消耗(优化问题)，根据条件(控制问题)使用反馈回路来加速和减速。由于无人驾驶汽车可能会遇到大量的情况，因此不可能预测并为所有情况编写规则——这正是机器学习成为关键组件的地方。
无人驾驶汽车还指出了计算机控制设备涉及的一些伦理问题。麻省理工学院斯隆管理学院(MIT ‘s Sloan School of Management)波音(Boeing)运营研究教授迪米特里斯?“谁有错?”作为一个社会，我们能容忍不理解谁是错的吗?”
Bertsimas的报告“可解释的人工智能”认为，神经网络，一种流行的机器学习方法，并没有提供足够清晰的结论是如何得出的。神经网络模拟大脑的结构，但本质上是“黑匣子”——它们不包含关于如何得出结论的明确信息。Bertsimas提出使用决策树——最简单的形式是一系列的是非问题——在很多情况下，因为它们如何得出结论更加透明和容易理解。
他说，利用这种决策树学习方法，贝尔西马斯和他的研究小组开发了另一种算法，将肝脏移植的优先次序安排给患者，如果实施这种算法，每年将比目前的系统挽救400条生命。
学生志愿者登记参与者。
除了六场主要的演讲外，来自22个机构的67张海报在弗里克实验室泰勒公地的午间海报会议上展示——这是该领域强劲增长的证据。该活动由ORFE主办，CSML联合赞助，由工程与应用科学学院、机械与航天工程系、IBM Thomas J. Watson研究中心和国家科学基金会支持。
ORFE系主任Ronnie Sircar教授说:“我们期待着两年内第二天的优化，但我们需要一个更大的礼堂。”