Iliustratyvūs sintetinių duomenų rezultatai. Viršuje: vienas numanomas užpakalinis pavyzdys, du modeliai. Būsenos erdvės modelyje tikroji padėtis atsekama iš triukšmingų stebėjimų laikui bėgant. Mišinio modelyje daromos išvados, kad didėja duomenų pogrupių grupavimas. Vidurinė dalis: kiekvieno žingsnio vėlesnių lūkesčių įverčiai, sudaryti iš dalelių rinkinių. Kiekvieną algoritmą vykdome 5 kartus. Apačia: registruokite ribinės tikimybės įverčius kiekviename išvados žingsnyje; aukščiau yra geriau. Kreditas: SMCP3: nuoseklus Monte Karlas su tikimybinių programų pasiūlymais (2023 m.) Nepaisant milžiniško dydžio ir galios, šiandieninės dirbtinio intelekto sistemos paprastai nesugeba atskirti haliucinacijų nuo tikrovės. Autonominės vairavimo sistemos gali nepastebėti pėsčiųjų ir greitosios pagalbos transporto priemonių tiesiai priešais juos, o pasekmės gali būti mirtinos. Pokalbio AI sistemos užtikrintai nustato faktus ir po mokymosi per sustiprintą mokymąsi dažnai nesugeba tiksliai įvertinti savo neapibrėžtumo.
Bendradarbiaudami MIT ir Kalifornijos universiteto Berklyje mokslininkai sukūrė naują sudėtingų AI išvadų algoritmų kūrimo metodą, kuris vienu metu generuoja galimų duomenų paaiškinimų rinkinius ir tiksliai įvertina šių paaiškinimų kokybę.
Naujasis metodas pagrįstas matematiniu metodu, vadinamu nuosekliuoju Monte Karlu (SMC). SMC algoritmai yra nusistovėjęs algoritmų rinkinys, plačiai naudojamas neapibrėžtumui kalibruotam dirbtiniam intelektui, siūlant galimus duomenų paaiškinimus ir stebint, kaip tikėtini ar mažai tikėtini siūlomi paaiškinimai, kai tik pateikiama daugiau informacijos. Tačiau SMC yra pernelyg supaprastintas sudėtingoms užduotims atlikti.
Pagrindinė problema yra ta, kad vienas iš pagrindinių algoritmo žingsnių – iš tikrųjų spėjimų dėl galimų paaiškinimų žingsnis (prieš kitą žingsnį, kuriuo stebima, kaip tikėtina, kad skirtingos hipotezės atrodo viena kitos atžvilgiu) – turėjo būti labai paprastas. Sudėtingose taikymo srityse duomenų peržiūra ir tikėtini spėliojimai apie tai, kas vyksta, gali būti pati savaime sudėtinga problema.
Pavyzdžiui, vairuojant savarankiškai reikia žiūrėti vaizdo įrašo duomenis iš savarankiškai važiuojančio automobilio kamerų, atpažinti automobilius ir pėsčiuosius kelyje ir atspėti galimus pėsčiųjų judėjimo kelius, kurie šiuo metu nėra matomi. Norint atlikti patikimus spėjimus iš neapdorotų duomenų, gali prireikti sudėtingų algoritmų, kurių įprastas SMC nepalaiko.
Štai čia atsiranda naujasis metodas SMC su tikimybiniais programos pasiūlymais (SMCP3). SMCP3 leidžia naudoti išmanesnius būdus atspėti galimus duomenų paaiškinimus, atnaujinti siūlomus paaiškinimus atsižvelgiant į naują informaciją ir įvertinti programos kokybę. šie paaiškinimai buvo pasiūlyti sudėtingais būdais. SMCP3 tai daro suteikdamas galimybę naudoti bet kokią tikimybinę programą – bet kurią kompiuterinę programą, kuriai taip pat leidžiama atsitiktinai pasirinkti – kaip strategiją siūlyti (ty protingai atspėti) duomenų paaiškinimus.
Ankstesnėse SMC versijose buvo galima naudoti tik labai paprastas strategijas, tokias paprastas, kad buvo galima apskaičiuoti tikslią bet kokio spėjimo tikimybę. Šis apribojimas apsunkino kelių etapų atspėjimo procedūras.
Tyrėjų SMCP3 dokumentas rodo, kad naudojant sudėtingesnes pasiūlymų procedūras, SMCP3 gali pagerinti AI sistemų tikslumą sekti 3D objektus ir analizuoti duomenis, taip pat pagerinti pačių algoritmų duomenų tikimybės įvertinimų tikslumą. Ankstesni MIT ir kitų tyrimai parodė, kad šie įverčiai gali būti naudojami norint daryti išvadą, kaip tiksliai išvadų algoritmas paaiškina duomenis, palyginti su idealizuotu Bajeso samprotavimu.
George’as Matheosas, pirmasis šio straipsnio autorius (ir atvykstantis MIT elektros inžinerijos ir kompiuterių mokslo [EECS] Ph.D. studentas), sako, kad jį labiausiai jaudina SMCP3 potencialas, kad būtų praktiška naudoti gerai suprantamus, neapibrėžtumo kalibruotus algoritmus sudėtingose problemose, kuriose senesnės SMC versijos neveikė.
„Šiandien turime daug naujų algoritmų, kurių daugelis yra pagrįsti giliais neuroniniais tinklais, kurie gali pasiūlyti, kas gali vykti pasaulyje, atsižvelgiant į duomenis, įvairiose probleminėse srityse. Tačiau dažnai šie algoritmai nėra netikrumas. Jie tiesiog pateikia vieną idėją apie tai, kas gali vykti pasaulyje, ir neaišku, ar tai vienintelis tikėtinas paaiškinimas, ar yra kitų, ar net jei tai yra geras paaiškinimas!
„Tačiau naudojant SMCP3, manau, bus galima naudoti daug daugiau šių protingų, bet sunkiai patikimų algoritmų, kad būtų sukurti algoritmai, kurie kalibruojami pagal neapibrėžtumą. Kadangi mes naudojame „dirbtinio intelekto” sistemas, kad priimtume sprendimus vis daugiau sričių. gyvybės, sistemos, kuriomis galime pasitikėti ir kurios suvokia savo neapibrėžtumą, bus labai svarbios patikimumui ir saugumui.
Vikashas Mansinghka, vyresnysis šio straipsnio autorius, priduria: „Pirmieji elektroniniai kompiuteriai buvo sukurti Monte Karlo metodams paleisti, ir tai yra vieni iš plačiausiai naudojamų kompiuterijos ir dirbtinio intelekto metodų. Tačiau nuo pat pradžių Monte Karlo metodai buvo naudojami buvo sunku sukurti ir įgyvendinti: matematika turėjo būti išvesta ranka, o naudotojai turėjo žinoti daug subtilių matematinių apribojimų. SMCP3 tuo pačiu metu automatizuoja sudėtingą matematiką ir išplečia dizaino erdvę.
„Mes jau panaudojome tai, kad galvotume apie naujus AI algoritmus, kurių anksčiau negalėjome sukurti.
Ši istorija iš naujo paskelbta „MIT News“ (web.mit.edu/newsoffice/), populiarios svetainės, kurioje pateikiamos naujienos apie MIT tyrimus, inovacijas ir mokymą, dėka.
Citata: Tikimybinis AI, kuris žino, kaip gerai jis veikia (2023 m. gegužės 25 d.), gautas 2023 m. gegužės 25 d. iš https://techxplore.com/news/2023-05-probabilistic-ai.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
