Новый метод обучения сделает ИИ менее лживым

Исследователи из США разработали инновационный метод обучения моделей искусственного интеллекта с автоматическим удалением ошибок еще до того, как ИИ пройдет процесс обучения.

Команда ученых из Центра автономии ИИ при Колледже инженерии и компьютерных наук Флоридского Атлантического университета разработала метод автоматического выявления и удаления неправильно маркированных примеров, которые впоследствии могут снизить производительность ИИ-моделей. Модели искусственного интеллекта в процессе обучения преимущественно полагаются на метод опорных векторов — ряд похожих алгоритмов обучения, которые впоследствии будут определять решения, принимаемые ИИ.

Этот метод широко используется при обучении ИИ-моделей распознаванию изображений, голоса, а также в медицинской диагностике и при анализе текстов. В процессе обучения модели ИИ определяют границу, которая наилучшим образом делит различные категории данных. Если несколько примеров некорректно разделены, это может исказить границы принятия решений ИИ и снизить его производительность в реальных условиях.

Прежде чем ИИ перейдет к обучению, исследователи применяют технику, автоматически удаляющую странные или необычные примеры данных, которые не совсем вписываются в общий набор. Такие данные удаляются или помечаются, гарантируя, что ИИ с самого начала будет использовать только проверенную информацию.

«SVM являются одними из самых мощных и широко используемых классификаторов в машинном обучении, их применение варьируется от обнаружения рака до фильтрации спама Что делает их особенно эффективными — но и уникально уязвимыми — так это то, что они полагаются только на небольшое количество ключевых точек данных, называемых опорными векторами, чтобы провести границу между различными