Исследователи НИУ ВШЭ математически обосновали лёгкий способ проверять, насколько классическая система машинного обучения уверена в своём результате. Метод требует меньше вычислительных ресурсов и помогает отличить надёжный ответ от предположения, которому лучше не доверять без дополнительной проверки.
Разработка касается стохастического градиентного спуска — популярного алгоритма, который ищет оптимальное решение с элементами случайности. Поэтому одной цифры на выходе недостаточно: важно знать доверительный интервал, то есть диапазон, где с высокой вероятностью находится правильный результат.
Раньше для такой проверки требовались сложные статистические расчёты, а иногда и повторное обучение программы. Новый подход позволяет обойтись без этого. Его уже применяли на практике, а теперь исследователи объяснили, почему он работает, и определили границы его надёжности.
Это особенно важно для медицины, финансов и автономных систем, где опасно полагаться на уверенный, но ошибочный ответ. Метод может упростить и удешевить работу многих классических алгоритмов машинного обучения, которые не используют нейросети.
Читайте ещё материалы по теме:
- Госдума дала старт «суверенному ИИ»: законопроект приняли в первом чтении
- Нейросети научились льстить: что такое «сикофантия»?
- Почти каждый пятый россиянин доверяет свои финансы искусственному интеллекту — опрос