Исследователи из Amazon представляют Fortuna библиотеку искусственного интеллекта для оценки неопределенности в глубоком обучении

Fortuna библиотека искусственного интеллекта из Amazon для оценки неопределенности в глубоком обучении

Последние достижения в области искусственного интеллекта и машинного обучения сделали жизнь каждого человека проще. Благодаря их невероятным возможностям ИИ и МО проникают во все отрасли и решают проблемы. Важной составляющей машинного обучения является предсказательная неопределенность, которая позволяет оценить точность прогнозов модели. Чтобы убедиться, что системы МО надежны и безопасны, важно правильно оценивать неопределенность. 

Самодоверие – распространенная проблема, особенно в контексте глубоких нейронных сетей. Самодоверие – когда модель предсказывает определенный класс с намного большей вероятностью, чем в действительности. Это может влиять на суждения и поведение в реальном мире, что делает его проблемой. 

Было разработано множество подходов, способных оценивать и калибровать неопределенность в МО. Среди таких методов есть байесовское выводирование, конформная предсказательная модель и масштабирование температуры. Хотя эти методы существуют, их практическое применение представляет собой сложность. Многие библиотеки с открытым исходным кодом предоставляют уникальные реализации отдельных техник или общих языков программирования с вероятностными возможностями, но отсутствует единый фреймворк, поддерживающий широкий спектр новейших методологий. 

• Исследователи Hugging Face представляют модель распознавания речи Distil-Whisper компактная модель распознавания речи, заполняющая пробел в высокопроизводительных, слаборесурсных средах.
• Это исследование искусственного интеллекта представляет PERF Панорамное преобразование NeRF, превращающее одиночные изображения в исследуемые 3D сцены
• Это исследование искусственного интеллекта представляет две модели диффузии для генерации высококачественного видео модели текст-в-видео (T2V) и модели изображение-в-видео (I2V).

Для преодоления этих препятствий команда исследователей представила Fortuna, свободную библиотеку калибровки неопределенности. В Fortuna из литературы интегрированы современные масштабируемые техники и предоставлены пользователям с помощью последовательного и интуитивного интерфейса. Ее главная цель – упростить применение сложных методов калибровки неопределенности в задачах регрессии и классификации. 

Команда предоставила две основные функции Fortuna, которые существенно повышают точность определения неопределенности глубокого обучения.

1. Техники калибровки: Fortuna поддерживает несколько инструментов для калибровки, включая конформную предсказательную модель. Любую предварительно обученную нейронную сеть можно использовать с помощью конформной предсказательной модели для получения надежных оценок неопределенности. Она помогает сбалансировать оценки уверенности модели с фактической точностью ее прогнозов. Это крайне полезно, поскольку позволяет пользователям отличить надежные прогнозы модели от ненадежных. Команда привела пример врача, в котором врачу помогает определить, является ли диагноз ИИ достоверным или интерпретация окружающей среды автомобилем без водителя.

1. Масштабируемое байесовское выводирование: Fortuna предоставляет масштабируемые инструменты байесовского выводирования в дополнение к процедурам калибровки. С помощью этих методов можно обучать глубокие нейронные сети с самого начала. Вероятностный метод, называемый байесовским выводированием, позволяет учесть неопределенность как в параметрах модели, так и в прогнозах. Реализация масштабируемого байесовского выводирования позволяет увеличить общую точность Fortuna и способность модели к оценке неопределенности.

В заключение, Fortuna предлагает единый фреймворк для измерения и калибровки неопределенности в прогнозах модели, что безусловно делает его полезным дополнением в области машинного обучения.