Przełom, na który czekano dekadami! Badacze wykonali obliczenia uznawane za niewykonalne!
Rozwój sztucznej inteligencji sprawił, że modele oparte na uczeniu maszynowym są dziś wykorzystywane w coraz większej liczbie dziedzin – od medycyny i przemysłu po analizę danych i systemy bezpieczeństwa. W praktyce okazuje się jednak, że wiele rozwiązań dobrze działających w laboratorium traci skuteczność po wdrożeniu w rzeczywistych warunkach. Naukowcy z Wojskowej Akademii Technicznej postanowili znaleźć sposób na zwiększenie wiarygodności takich modeli i opracowali innowacyjną metodę regresji o nazwie Malcov.
Badacze połączyli metrologię, czyli naukę o dokładnych pomiarach, z nowoczesną analizą dużych zbiorów danych. Efektem jest rozwiązanie, które pozwala znacznie lepiej oceniać, czy dany model rzeczywiście opisuje badane zjawisko, czy jedynie dopasowuje się do konkretnych danych treningowych. Według autorów metoda może nawet 40-krotnie zmniejszyć obliczaną niepewność w porównaniu z klasycznymi podejściami.
Problem, którym zajęli się naukowcy, dotyczy jednego z największych wyzwań współczesnej sztucznej inteligencji. Modele uczone na określonych danych i urządzeniach często tracą dokładność, gdy zostaną zastosowane w innych warunkach. Nawet niewielkie zmiany w sposobie zbierania danych czy środowisku pracy mogą prowadzić do pogorszenia wyników. To właśnie dlatego wiele obiecujących rozwiązań AI nigdy nie trafia do codziennego zastosowania.
Odpowiedni model do pracy
Uczeni zauważyli, że w klasycznej metrologii ogromne znaczenie ma precyzyjne określenie warunków pomiaru i niepewności wyników. Dzięki temu eksperyment można powtórzyć w różnych laboratoriach na świecie i uzyskać porównywalne rezultaty. W uczeniu maszynowym takie podejście stosowane jest znacznie rzadziej. Naukowcy postanowili więc połączyć oba obszary i stworzyć metodę, która nie tylko dopasowuje model do danych, ale także ocenia jego rzeczywistą wiarygodność.
Kluczowym elementem nowego rozwiązania jest odpowiedni dobór modelu. Zbyt prosty model daje duże błędy, natomiast zbyt skomplikowany może nauczyć się przypadkowych zależności zamiast rzeczywistego mechanizmu działania badanego procesu. Metoda Malcov pomaga określić moment, w którym model rzeczywiście odzwierciedla badane zjawisko, a nie jedynie „zapamiętuje” dane.
Przy okazji powstały nowe narzędzia
Prace nad projektem doprowadziły również do opracowania nowych narzędzi matematycznych. Naukowcy stworzyli między innymi procedurę wyznaczania odwrotnej macierzy czterowymiarowej, co stanowi unikatowe osiągnięcie i otwiera możliwości prowadzenia bardziej zaawansowanych analiz danych. Znaczenie praktyczne badań może być bardzo szerokie. Metoda znajduje zastosowanie wszędzie tam, gdzie wykorzystuje się analizę regresyjną, czyli poszukiwanie zależności między zmiennymi na podstawie danych pomiarowych. Dotyczy to między innymi systemów diagnostycznych, prognozowania zjawisk, analizy procesów przemysłowych, laboratoriów badawczych czy nowoczesnych systemów opartych na sztucznej inteligencji.
Nowe rozwiązanie pozwala nie tylko przewidywać wyniki, ale również oceniać stopień pewności tych prognoz. To szczególnie ważne w zastosowaniach wymagających wysokiej precyzji, gdzie błędne decyzje mogą prowadzić do poważnych konsekwencji. Dzięki metodzie Malcov możliwe staje się uzyskiwanie bardziej powtarzalnych i porównywalnych rezultatów niezależnie od miejsca prowadzenia badań. Model został już pozytywnie zweryfikowany w środowisku wirtualnego laboratorium. Kolejnym etapem będą testy w rzeczywistych warunkach eksperymentalnych. Naukowcy planują również rozwijać metodę w kierunku klasyfikacji danych, czyli rozpoznawania wzorców i przypisywania nowych informacji do określonych kategorii. To obszar szczególnie istotny dla nowoczesnych systemów AI wykorzystywanych między innymi w medycynie, automatyce czy analizie obrazów.
Opracowana technologia może w przyszłości przyczynić się do stworzenia bardziej niezawodnych systemów sztucznej inteligencji, które będą lepiej radzić sobie poza laboratorium i dostarczać wyniki o wysokiej wiarygodności. Badania pokazują również, jak duże znaczenie dla rozwoju AI ma połączenie nowoczesnej analizy danych z klasycznymi zasadami precyzyjnego pomiaru i oceny niepewności.
Źródło: Wojskowa Akademia Techniczna w Warszawie
Czytaj też: Przełom w medycynie dziecięcej! Czujniki MRI z drukarki 3D odmienią diagnostykę najmłodszych!
Grafika tytułowa: Hitesh Choudhary / Unsplash
