Нов метод на обучение ще направи изкуствения интелект по-малко лъжлив
Американски откриватели са създали новаторски способ за образование на модели с изкуствен интелект, който автоматизирано отстранява грешките, преди изкуственият разсъдък да премине през процеса на образование.
Екип от учени от Центъра за самостоятелност на изкуствения разсъдък в Колежа по инженерство и компютърни науки към Университета на Флорида Атлантик е създал способ за автоматизирано идентифициране и унищожаване на погрешно обозначените образци, които след това могат да влошат продуктивността на моделите с изкуствен интелект. ИИ-моделите разчитат в огромна степен на машините с опорни вектори — серия от сходни логаритми за образование, които по-късно ще управляват решенията, които изкуственият разсъдък взема.
Този способ се употребява необятно при образованието на модели на изкуствен интелект за различаване на изображения, различаване на глас, здравна диагностика и разбор на текст. По време на образованието ИИ-моделите дефинират границата, която най-добре разделя другите категории данни. Ако голям брой образци не са вярно разграничени, това може да наруши границите на решенията на изкуствения разсъдък и да понижи продуктивността му в действителни условия.
Преди AI да стартира образованието си, откривателите употребяват техника, която автоматизирано отстранява странните или необикновени данни, които не се вписват напълно в общия набор. Такива данни се отстраняват или маркират, като по този метод се подсигурява, че изкуственият разсъдък употребява единствено надеждна информация през цялото време.
„ SVM са измежду най-мощните и необятно употребявани класификатори в машинното образование, с приложения, вариращи от разкриване на рак до пречистване на спам. Това, което ги прави изключително ефикасни – само че и неповторимо уязвими – е, че разчитат единствено на дребен брой основни точки от данни, наречени опорни вектори, с цел да очертаят границата сред другите категории. Последиците от това могат да бъдат съществени, без значение дали става въпрос за пропусната диагноза на рак или система за сигурност, която не разпознава опасност “ — изяснява професор Димитрис Падос.
Премахването на погрешните данни от набора от данни за образование за моделите с изкуствен интелект разчита на математически логаритъм, получил наименованието от разбора на основните съставни елементи L1. Този способ открива и отстранява подозрителните набори от данни във всяка категория само въз основа на това какъв брой добре подхождат на останалата информация.
„ Точките от данни, които наподобява се отклоняват доста от другите – постоянно заради неточности в етикетирането – се маркират и отстраняват. За разлика от доста съществуващи способи, този развой не изисква ръчна конфигурация или интервенция на потребителя и може да се приложи към всеки модел с изкуствен интелект, което го прави мащабируем и удобен “ — отбелязва Димитрис Падос.
Резултатите от проучването са оповестени в списание IEEE Transactions on Neural Networks and Learning Systems.
