Американські дослідники представили новий підхід до навчання моделей штучного інтелекту, який дозволяє автоматично виявляти й видаляти помилкові дані ще до початку процесу навчання. Такий метод значно зменшує ймовірність того, що модель буде здійснювати хибні висновки або приймати неправильні рішення під час роботи.
Про це розповідає ProIT
Особливості нового методу навчання
Розробка належить команді з Центру автономії ШІ Коледжу інженерії та комп’ютерних наук Флоридського Атлантичного університету. Вчені створили ефективну методику, яка автоматично знаходить та усуває неправильно марковані приклади у навчальних наборах. Саме такі дані можуть призвести до зниження точності ШІ-моделей. У традиційних підходах моделі штучного інтелекту часто навчаються за допомогою методу опорних векторів, що допомагає їм класифікувати дані, наприклад, у розпізнаванні зображень, голосу, медичній діагностиці та аналізі текстів. Проте, якщо у навчальних наборах трапляються некоректно марковані приклади, це може викривити визначення меж між різними категоріями даних, що негативно вплине на роботу ШІ в реальних умовах.
Пропонований метод дозволяє ще до початку навчання фільтрувати підозрілі чи аномальні приклади. Дані, які не відповідають загальній структурі або суттєво відрізняються від інших, автоматично видаляються або позначаються, забезпечуючи більш якісний і перевірений навчальний набір.
Технологія та переваги алгоритму
В основі інновації лежить математичний алгоритм аналізу головних компонент L1-норми, який оцінює відповідність кожного елемента навчального набору до решти даних у своїй категорії та ідентифікує підозрілі маркери. Такий підхід дозволяє акуратно видаляти або позначати ті дані, що можуть бути результатом помилок маркування. Важливо, що цей процес відбувається повністю автоматично, без потреби втручання користувача чи ручного налаштування, і може застосовуватись до різних моделей штучного інтелекту, що робить його універсальним та масштабованим для впровадження у різних галузях.
«SVM є одними з найпотужніших і широко використовуваних класифікаторів у машинному навчанні, їх застосування варіюється від виявлення раку до фільтрації спаму. Що робить їх особливо ефективними – але й унікально вразливими – так це те, що вони покладаються лише на невелику кількість ключових точок даних, які називають опорними векторами, щоб провести кордон між різними категоріями. Наслідки цього можуть бути серйозними, чи то пропущений діагноз раку, чи то система безпеки, яка не може розпізнати загрозу», — пояснює професор Димитріс Падос.
За результатами дослідження, новий алгоритм значно підвищує продуктивність та надійність моделей ШІ у різноманітних сферах застосування. Робота була опублікована у журналі IEEE Transactions on Neural Networks and Learning Systems.
