我可以使用机器学习来确定最佳产品配置

Question

这是一种适用于ML /模式识别模型的场景，还是仅从大型数据库进行过滤会更容易/更快？

我正在寻求创建一个系统，该系统将允许用户通过指定某些约束和首选功能来识别适当的产品。

有数百万种可能的产品配置。让我们假装它是盒子。

产品选项：

• 尺寸（从1mm到1m）以1mm为增量
• 颜色：10种颜色可供选择
• 材料：3种选择，木材，金属，塑料

约束：

• 木材只能以厘米为单位
• 红色仅适用于500毫米及以上的毫米
• 木材是首选材料
• 蓝色是首选颜色

因此，我们有30,000（1000 * 10 * 3）个可能的选项。其中许多是不可行的，例如533 mm-Red-Wood

但是可以进行与请求类似的配置。

• 533毫米红色塑料
• 530毫米-红木
• 540毫米-红木

注意： 我们当前的基于规则和代码的工具可能需要0.5到2分钟才能识别出首选配置。

我们可以生成所有可能的配置以及它们是否有效的列表。

我们估计可能有30,000,000个配置验证配置大约需要0.5秒，因此，以足够的计算能力，我们期望几天之内可以完成30M。

Answer 1

  

我可以使用机器学习来确定最佳的产品配置吗？

是的，如果您有一组理想的配置，可以从中推断出使它变得最佳的功能。

但是在您的问题中，您似乎有固定的规则，并且只想使用这些规则来生成有效的配置。 显然，这也是可能的（并且更加容易），但这不是机器学习，因为您的软件没有什么可从数据中“学习”的，它只能生成受约束的配置。