Дослідники зі США розробили іноваційний метод навчання моделей штучного інтелекту із автоматичним видаленням помилок ще до того, як ШІ пройде процес навчання.
Команда науковців з Центру автономії ШІ при Коледжі інженерії та комп’ютерних наук Флоридського Атлантичного університету розробила метод автоматичного виявлення та видалення неправильно маркованих прикладів, що згодом можуть знизити продуктивність ШІ-моделей. Моделі штучного інтелекту у процесі навчання переважно покладаються на метод опорних векторів — низку схожих алгоритмів навчання, які згодом визначатимуть рішення, які прийматиме ШІ.
Цей метод широко використовується під час навчання ШІ-моделей розпізнаванню зображень, голосу, а також у медичній діагностиці і під час аналізу текстів. У процесі навчання моделі ШІ виявляють межу, яка найкращим чином ділить різноманітні категорії даних. Якщо кілька прикладів некоректно поділені, це може спотворити межі прийняття рішень ШІ і знизити його продуктивність у реальних умовах.
Перш ніж ШІ перейде до навчання, дослідники застосовують техніку, що автоматично видаляє дивні або незвичайні приклади даних, які не зовсім вписуються у загальний набір. Такі дані видаляються або помічаються, гарантуючи, що ШІ від самого початку використовуватиме тільки перевірену інформацію.
«SVM є одними з найпотужніших і широко використовуваних класифікаторів у машинному навчанні, їх застосування варіюється від виявлення раку до фільтрації спаму. Що робить їх особливо ефективними – але й унікально вразливими – так це те, що вони покладаються лише на невелику кількість ключових точок даних, які називають опорними векторами, щоб провести кордон між різними категоріями. Наслідки цього можуть бути серйозними, чи то пропущений діагноз раку, чи то система безпеки, яка не може розпізнати загрозу», — пояснює професор Димитріс Падос.
Видалення помилкових даних з навчального набору інформації для моделей ШІ працює на базі математичного алгоритму, що отримав назву аналізу головних компонент L1-норми. Цей метод виявляє та видаляє підозрілі маркери даних у кожній категорії виключно на основі того, наскільки добре вони відповідають решті інформації.
«Точки даних, які, мабуть, значно відхиляються від інших — часто через помилки в маркуванні — позначаються і видаляються. На відміну від багатьох існуючих методів, цей процес не вимагає ручного налаштування або втручання користувача і може бути застосований до будь-якої моделі ШІ, що робить його масштабованим та практичним», — зазначає Димитріс Падос.
Результати дослідження були опубліковані у журналі IEEE Transactions on Neural Networks and Learning Systems
Джерело: TechXplore
Favbet Tech – це ІТ-компанія зі 100% украінською ДНК, що створює досконалі сервіси для iGaming і Betting з використанням передових технологіи та надає доступ до них. Favbet Tech розробляє інноваційне програмне забезпечення через складну багатокомпонентну платформу, яка здатна витримувати величезні навантаження та створювати унікальний досвід для гравців.
Повідомити про помилку
Текст, який буде надіслано нашим редакторам: