Дослідники Amazon представили ШІ-бібліотеку для кількісної оцінки невизначеності в глибокому навчанні

Машинне навчання (ML) зробило наше життя простішим, але важливо переконатися, що системи машинного навчання надійні та безпечні. Одним з ключових компонентів машинного навчання є прогностична невизначеність, яка дозволяє нам оцінити точність прогнозів моделі.

Надмірна самовпевненість є поширеною проблемою глибоких нейронних мереж, яка може призвести до неточних суджень і поведінки в реальному світі. Для оцінки та калібрування невизначеності в машинному навчанні розроблено низку методів, але застосування цих методів на практиці може бути складним завданням.

Fortuna — це бібліотека кількісної оцінки невизначеності з відкритим вихідним кодом, яка вирішує цю проблему. Вона об’єднує сучасні, масштабовані методи з літератури в послідовний, інтуїтивно зрозумілий інтерфейс. Fortuna полегшує застосування складних методів кількісної оцінки невизначеності до задач регресії та класифікації.

Дві основні функції Fortuna, які покращують кількісну оцінку невизначеності глибокого навчання, є такими:

• Методи калібрування: Fortuna підтримує ряд інструментів калібрування, включаючи передбачення відповідно до конформності. Прогнозування можна використовувати з будь-якою попередньо навченою нейронною мережею для отримання надійних оцінок невизначеності. Це допомагає користувачам розрізняти випадки, коли прогнози моделі є надійними, і випадки, коли вони не є такими. Наприклад, лікар може використовувати Fortuna, щоб визначити, чи достовірний діагноз, поставлений системою штучного інтелекту.
• Масштабований Байєсівський аналіз: Fortuna також надає масштабовані інструменти Байєсівського висновку. Ці інструменти можна використовувати для навчання глибоких нейронних мереж з нуля, включаючи невизначеність як в параметри моделі, так і в прогнози. Впроваджуючи масштабований байєсівський висновок, користувачі можуть підвищити загальну точність Fortuna і здатність моделі кількісно оцінювати невизначеність.

Загалом, Fortuna пропонує послідовну структуру для вимірювання та калібрування невизначеності в модельних прогнозах. Це корисне доповнення до галузі машинного навчання.