Το MIT ερευνά για να κάνει την ΤΝ εξυπνότερη

Η ομάδα του MIT διδάσκει στα μοντέλα ΤΝ όσα δεν γνώριζαν.

Η εφαρμογή της τεχνητής νοημοσύνης (ΤΝ) αναπτύσσεται ραγδαία και ενσωματώνεται όλο και περισσότερο στην καθημερινή μας ζωή και σε κλάδους υψηλού ρίσκου, όπως η υγειονομική περίθαλψη, οι τηλεπικοινωνίες και η ενέργεια. Ωστόσο, με τη μεγάλη δύναμη έρχεται και μεγάλη ευθύνη: τα συστήματα ΤΝ μερικές φορές κάνουν λάθη ή δίνουν αβέβαιες απαντήσεις που μπορεί να έχουν σοβαρές συνέπειες.

Το Themis AI του MIT, που συνιδρύθηκε και διευθύνεται από την καθηγήτρια Daniela Rus του εργαστηρίου CSAIL, προσφέρει μια πρωτοποριακή λύση. Η τεχνολογία τους επιτρέπει στα μοντέλα ΤΝ να «γνωρίζουν τι δεν γνωρίζουν». Αυτό σημαίνει ότι τα συστήματα ΤΝ μπορούν να υποδεικνύουν πότε είναι αβέβαια για τις προβλέψεις τους, αποτρέποντας έτσι λάθη πριν προκαλέσουν ζημιά.

Γιατί είναι αυτό τόσο σημαντικό;
Πολλά μοντέλα ΤΝ, ακόμη και τα προηγμένα, μπορεί μερικές φορές να παρουσιάσουν λεγόμενες «ψευδαισθήσεις»—δίνουν λανθασμένες ή αβάσιμες απαντήσεις. Σε τομείς όπου οι αποφάσεις έχουν μεγάλο βάρος, όπως η ιατρική διάγνωση ή η αυτόνομη οδήγηση, αυτό μπορεί να έχει καταστροφικές συνέπειες. Η Themis AI ανέπτυξε το Capsa, μια πλατφόρμα που εφαρμόζει την ποσοτικοποίηση της αβεβαιότητας (uncertainty quantification): μετρά και ποσοτικοποιεί την αβεβαιότητα της εξόδου της ΤΝ με λεπτομερή και αξιόπιστο τρόπο.

 Πώς λειτουργεί;
Με την ενσωμάτωση της επίγνωσης της αβεβαιότητας στα μοντέλα, μπορούν να παρέχονται στις εξόδους τους ετικέτες κινδύνου ή αξιοπιστίας. Για παράδειγμα: ένα αυτόνομο όχημα μπορεί να υποδείξει ότι δεν είναι σίγουρο για μια κατάσταση και, ως εκ τούτου, να ενεργοποιήσει ανθρώπινη παρέμβαση. Αυτό όχι μόνο αυξάνει την ασφάλεια, αλλά και την εμπιστοσύνη των χρηστών στα συστήματα Τεχνητής Νοημοσύνης.

Παραδείγματα τεχνικής υλοποίησης

  • Κατά την ενσωμάτωση με το PyTorch, η ενθυλάκωση (Wrapping) του μοντέλου γίνεται μέσω capsa_torch.wrapper() με την έξοδο να αποτελείται τόσο από την πρόβλεψη όσο και από τον κίνδυνο:

Python example met capsa

Για τα μοντέλα TensorFlow, το Capsa χρησιμοποιεί έναν διακοσμητή (decorator):

tensorflow

Ο αντίκτυπος για επιχειρήσεις και χρήστες
Για την NetCare και τους πελάτες της, αυτή η τεχνολογία σημαίνει ένα τεράστιο άλμα προς τα εμπρός. Μπορούμε να παρέχουμε εφαρμογές Τεχνητής Νοημοσύνης που δεν είναι μόνο έξυπνες, αλλά και ασφαλείς και πιο προβλέψιμες, με μικρότερη πιθανότητα παραισθήσεων (hallucinations). Βοηθά τους οργανισμούς στη λήψη τεκμηριωμένων αποφάσεων και στη μείωση των κινδύνων κατά την εισαγωγή της ΤΝ σε κρίσιμες για την επιχείρηση εφαρμογές.

Συμπέρασμα
Το MIT ομάδα δείχνει ότι το μέλλον της Τεχνητής Νοημοσύνης δεν αφορά μόνο την εξυπνότερη λειτουργία, αλλά κυρίως την ασφαλέστερη και δικαιότερη λειτουργία. Στη NetCare, πιστεύουμε ότι η Τεχνητή Νοημοσύνη γίνεται πραγματικά πολύτιμη μόνο όταν είναι διαφανής σχετικά με τους δικούς της περιορισμούς. Με προηγμένα εργαλεία ποσοτικοποίησης της αβεβαιότητας, όπως το Capsa, μπορείτε να εφαρμόσετε αυτό το όραμα στην πράξη.

Gerard

Ο Gerard δραστηριοποιείται ως σύμβουλος και διευθυντής Τεχνητής Νοημοσύνης. Με μεγάλη εμπειρία σε μεγάλους οργανισμούς, μπορεί να αναλύσει ένα πρόβλημα εξαιρετικά γρήγορα και να εργαστεί για την επίλυσή του. Σε συνδυασμό με οικονομικό υπόβαθρο, εξασφαλίζει επιχειρηματικά τεκμηριωμένες επιλογές.

AIR (Τεχνητή Νοημοσύνη Ρομπότ)