С помощью инструментов машинного обучения мы можем предвидеть будущие события, а также противостоять липким калиткам, в том числе выявлять редкие заболевания в медицинской отрасли или определять препятствия на дорогах для тяжелых транспортных средств.
В конце концов, это было бы плохо для человека-надзирателя, он может ошибаться, при большой ставке, он показывает некоторые ключевые вещи, которым когда-нибудь можно доверять. Чтобы обнаружить это при первом запуске, некоторые исследователи утверждают, что термин, получивший название «Количественная оценка неопределенности», повышает доверие к инструменту: модель генерирует число рядом с прогнозом, которое указывает на степень достоверности прогноза.
Что, если существующие методы обычно связаны с моделями, и если необходимо задействовать способность для обеспечения достоверности прогноза, ей придется переобучить всю модель, чтобы продемонстрировать эту способность. Рутирование модуля снизу вверх, починка и установка всех задач внутри капота для получения ожидаемых результатов также требуют колоссальной суммы вычислительных ресурсов.
Исследователи из Массачусетского технологического института и Лаборатории искусственного интеллекта Watson MIT-IBM теперь создали тонкую технологию, которая позволяет модели проводить адекватную количественную оценку неопределенности. Для этого потребовалось всего несколько вычислительных ресурсов, что меньше по сравнению с другими методами.
Метод количественного определения неопределенности
Недавно разработанные методы представляют собой упрощенную модель. Эта модель создана для выявления различных типов неопределенности, что может помочь исследователям выявить основную причину ошибочных прогнозов.
Количественная оценка неопределенности: модель машинного обучения выдает числовой балл для каждого результата, который генерирует точный прогноз. Затем следует проверка количественной оценки. Этот метод включает добавление шума к данным в наборе проверки. Скульптура зашумленных данных аналогична распределению, которое может непосредственно быть моделью неопределенности. Исследователи находят количественную оценку неопределенности с помощью набора зашумленных данных.
