دوشنبه 14 اردیبهشت 1405 – 13:20
پژوهشگران روشی جدید برای کاهش عدمقطعیت هوش مصنوعی معرفی کردهاند که دقت و ایمنی مدلها را در کاربردهای حساس افزایش میدهد.
به گزارش سرویس هوش مصنوعی تکناک، بیشتر سامانههای هوش مصنوعی معاصر با تکیه بر یادگیری ماشینی وظایف خود را انجام میدهند. یادگیری ماشینی یک رویکرد محاسباتی است که به مدلها امکان میدهد الگوهای پنهان در دادهها را شناسایی کنند و از آنها برای پیشبینی بهره ببرند. در مقابل، یادگیری عمیق به عنوان زیرمجموعهای از این حوزه، مبتنی بر شبکههای عصبی چندلایه است که قادر هستند به صورت خودکار ویژگیها را استخراج کنند و الگوهای پیچیده را از دادههای غیرساختاریافته، گاه با حداقل یا بدون نظارت انسانی فرا بگیرند.
در همین راستا، پژوهشگران مؤسسه علوم و فناوری پیشرفته کره (KAIST) رویکردی الهامگرفته از سازوکارهای مغز انسان ارائه کردهاند که میتواند باعث برآوردهای واقعبینانهتر از عدمقطعیت در مدلهای هوش مصنوعی شود. این روش که در مقالهای در مجله Nature Machine Intelligence منتشر شده، شامل یک مرحله آموزش اولیه کوتاه روی نویز تصادفی و خروجیهای دلخواه است تا شبکه عصبی پیش از ورود به یادگیری وظایف اصلی، کالیبراسیون واقعبینانهتری از سطح اطمینان خود به دست آورد.
برای مشاهده کامل مطب کلیک کنید