Seminar Nevergrad Ask-and-Tell, Parallelisierung und asynchrone Optimierung

Zielsetzung

Dieses Seminar macht ask-and-tell-basierte Optimierung mit Nevergrad beherrschbar und produktiv einsetzbar. Im Fokus stehen Steuerung, Parallelisierung und die saubere Integration externer Bewertungsprozesse in robuste Optimierungsabläufe.

Zielgruppe

Adressiert werden Teams, die Nevergrad nicht nur mit minimize, sondern in individuell orchestrierten Workflows einsetzen möchten. Besonders relevant ist das Format für ML- und Forschungsumgebungen mit mehreren Workern, unterschiedlich langen Auswertungen und wiederverwendbaren Pipelines.

Voraussetzungen

Vorausgesetzt werden sichere Python-Grundlagen sowie erste Erfahrung mit Nevergrad oder äquivalentes Wissen aus dem Crashkurs. Ein grundlegendes Verständnis für Optimierungsläufe, Budgets und Auswertungsschleifen ist hilfreich.

Inhalte

• Aufbau und Denkmodell der ask-, tell- und provide_recommendation-Methoden
• Entwurf stabiler Optimierungsschleifen für sequenzielle, parallele und asynchrone Szenarien
• Arbeiten mit num_workers, Batch- und Steady-State-Mustern
• Gezielte Vorgaben über suggest und das Nachmelden bereits bekannter Punkte
• Callbacks, Logging und Kontrollpunkte für transparente Experimente
• Umgang mit unterschiedlich langen Auswertungen und teuren Zielsystemen
• Übertragung auf Worker-Pools, Testumgebungen und verteilte Praxisarchitekturen

Praxisanteil

Mehrere Labs führen von der einfachen ask-and-tell-Schleife bis zum asynchronen Worker-Modell. Dabei werden Bewertungsroutinen, Rückmeldelogik, Ergebnisaggregation und die stabile Berechnung einer Empfehlung Schritt für Schritt aufgebaut.