40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 اختراع ابزار جدید به‌منظور افزایش ضریب اطمینان مدل‌های یادگیری ماشینی

اختراع ابزار جدید به‌منظور افزایش ضریب اطمینان مدل‌های یادگیری ماشینی

مدل‌های یادگیری ماشینی عموما برای کمک به حل مشکلات دشوار مورد استفاده قرار می‌گیرند، اما با‌این‌حال مستعد اشتباه نیز هستند. جمعی از محققان، یک مدل جدید با نام  کمی‌سازی عدم قطعیت طراحی کرده‌اند که برای افزایش قابلیت اطمینان پیش‌بینی‌های یک مدل، بسیار مفید و ارزشمند هستند.

به گزارش هوشیو، روش ذکر‌شده برای محاسبه اطمینان یک مدل یادگیری ماشین، در پیش‌بینی‌های ارائه‌شده توسط این مدل‌ها مورد استفاده قرار می‌گیرد. این روش به هیچ داده اضافی یا منابع محاسباتی فراتر از آنچه که در‌حال‌حاضر در دسترس مدل قرار دارد نیاز ندارد. این موضوع، روش یادشده ‌را نسبت به روش‌های دیگر کارآمدتر می‌سازد، به گونه‌ای که می‌توان از آن به‌منظور بهبود دقت مدل استفاده کرد.

عموما از مدل‌های قدرتمند یادگیری ماشینی برای کمک به افراد به‌منظور مقابله با مشکلات سختی همچون شناسایی بیماری در تصاویر پزشکی یا شناسایی موانع جاده‌ای برای ماشین‌های خودران استفاده می‌شود. اما مدل‌های یادگیری ماشینی می‌توانند اشتباه کنند، بنابراین در موضوعات پرمخاطره بسیار مهم است که انسان بداند چه زمانی می‌تواند به پیش‌بینی‌های یک مدل اعتماد کند.

Efficient technique improves machine

کمی‌سازی عدم قطعیت ابزاری است که قابلیت اطمینان مدل را بهبود می‌بخشد. در این فرایند نشان داده می‌شود که مدل چقدر به درست‌بودن پیش‌بینی ارائه‌شده مطمئن است. در‌حالی‌که تعیین کمیت عدم قطعیت موضوع مهمی است، اما روش‌های موجود معمولا نیازمند آموزش مجدد کل مدل، برای نشان‌دادن این توانایی هستند. فرایند بازآموزی به میلیون‌ها داده ورودی جدید نیاز دارد که دسترسی به آن‌ها می‌تواند گران و دشوار باشد، ضمن‌آنکه به منابع محاسباتی زیادی هم نیاز دارد.

محققان MIT و آزمایشگاه هوش مصنوعی واتسون MIT-IBM، تکنیکی را توسعه داده‌اند که براساس آن به یک مدل می‌تواند با منابع محاسباتی کمتر و بدون نیاز به آموزش مجدد یا اصلاح مدل، پیش‌بینی‌های دقیق‌تری ارائه دهد. این تکنیک می‌تواند در بسیاری از برنامه‌های کاربردی مورد استفاده قرار گیرد، و قادر است به مشکل کمبود منابع محاسباتی مورد‌نیاز برای پیش‌بینی‌های دقیق کمک کند. مدل مذکور نشان داده که در بسیاری از موارد به اندازه کافی انعطاف‌پذیر است.

در‌واقع، این تکنیک شامل ایجاد یک مدل همراه ساده‌تر است که به مدل اصلی یادگیری ماشینی کمک می‌کند، تا عدم قطعیت را تخمین بزند. این مدل کوچکتر برای شناسایی انواع مختلف عدم قطعیت طراحی شده و می‌تواند به محققان کمک کند تا علت اصلی پیش‌بینی‌های نادرست توسط مدل اصلی را کشف کنند.

کمی‌سازی عدم قطعیت بخش مهمی از مدل‌های یادگیری ماشینی است که هم برای توسعه‌دهندگان و هم برای کاربران مدل‌های یادگیری ماشین ضروری است. توسعه‌دهندگان می‌توانند از اندازه‌گیری‌های عدم قطعیت برای ایجاد مدل‌های دقیق‌تر و قابل‌اعتمادتر استفاده کنند. در‌حالی‌که کاربران، می‌توانند در هنگام استقرار مدل‌ها در دنیای واقعی، لایه بیشتری از اعتماد و قابلیت اطمینان را تجربه کنند. مائوهائو شن، دانشجوی فارغ‌التحصیل مهندسی برق و علوم کامپیوتر و یکی از طراحان این مدل در مورد این تکنیک، می‌گوید: «پروژه ما به یک راه‌حل انعطاف‌پذیرتر و عملی‌تر، برای تعیین کمیت عدم قطعیت منتهی می‌شود.»

بنر اخبار هوش مصنوعی

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]