Нов метод на обучение ще направи изкуствения интелект по-малко лъжлив

Американски изследователи са разработили иновативен метод за обучение на модели с изкуствен интелект, който автоматично премахва грешките, преди изкуственият интелект да премине през процеса на обучение.

Екип от учени от Центъра за автономност на изкуствения интелект в Колежа по инженерство и компютърни науки към Университета на Флорида Атлантик е разработил метод за автоматично идентифициране и премахване на неправилно обозначените примери, които впоследствие могат да влошат производителността на моделите с изкуствен интелект. ИИ-моделите разчитат в голяма степен на машините с опорни вектори — серия от подобни алгоритми за обучение, които след това ще ръководят решенията, които изкуственият интелект взема. 

Този метод се използва широко при обучението на модели на изкуствен интелект за разпознаване на изображения, разпознаване на глас, медицинска диагностика и анализ на текст. По време на обучението ИИ-моделите определят границата, която най-добре разделя различните категории данни. Ако множество примери не са правилно разделени, това може да наруши границите на решенията на изкуствения интелект и да намали производителността му в реални условия.

Преди AI да започне обучението си, изследователите използват техника, която автоматично премахва странните или необичайни данни, които не се вписват съвсем в общия набор. Такива данни се премахват или маркират, като по този начин се гарантира, че изкуственият интелект използва само надеждна информация от самото начало.

„SVM са сред най-мощните и широко използвани класификатори в машинното обучение, с приложения, вариращи от откриване на рак до филтриране на спам. Това, което ги прави особено ефективни – но и уникално уязвими – е, че разчитат само на малък брой ключови точки от данни, наречени опорни вектори, за да очертаят границата между различните категории. Последиците от това могат да бъдат сериозни, независимо дали става въпрос за пропусната диагноза на рак или система за сигурност, която не разпознава заплаха“ — обяснява професор Димитрис Падос.

Премахването на неверните данни от набора от данни за обучение за моделите с изкуствен интелект разчита на математически алгоритъм, получил наименованието от анализа на главните компоненти L1. Този метод открива и премахва подозрителните набори от данни във всяка категория единствено въз основа на това колко добре съответстват на останалата информация. 

„Точките от данни, които изглежда се отклоняват значително от другите – често поради грешки в етикетирането – се маркират и премахват. За разлика от много съществуващи методи, този процес не изисква ръчна настройка или намеса на потребителя и може да се приложи към всеки модел с изкуствен интелект, което го прави мащабируем и практичен“ — отбелязва Димитрис Падос.

Резултатите от изследването са публикувани в списание IEEE Transactions on Neural Networks and Learning Systems.