Sempre più spesso, i sistemi di intelligenza artificiale noti come reti neurali di apprendimento profondo vengono utilizzati per comunicare decisioni vitali per la salute e la sicurezza umana, come accade nella guida autonoma o nella diagnosi medica. Queste reti sono in grado di riconoscere i modelli in grandi e complessi set di dati per aiutare a compiere il processo decisionale. Ma come essere certi che una rete neurale non commetta errori? Alexander Amini e i suoi colleghi del MIT e della Harvard University avevano intenzione di scoprirlo.
Una rete neurale potrà aiutarci a compiere decisioni importanti
Gli studiosi hanno sviluppato un modo rapido per far assimilare i dati a una rete neurale e far sì che essa fornisca non solo una previsione, ma anche il livello di affidabilità del modello in base alla qualità dei dati disponibili. Questo importante progresso potrebbe salvare vite umane, dato che l’apprendimento profondo è già diffuso nel mondo reale. Il livello di affidabilità di una rete può fare la differenza; ad esempio, nel caso di un veicolo autonomo che deve attraversare un incrocio può distinguere fra l’indicazione di “via libera” e quella di “via probabilmente libera: fermarsi”.
Gli attuali metodi di stima dell’incertezza nel campo delle reti neurali tendono ad essere impegnativi dal punto di vista dei calcoli e relativamente lenti nelle decisioni da prendere in poche frazioni di secondo. Ma l’approccio di Amini, soprannominato “regressione profonda basata sull’evidenza”, accelera il processo e potrebbe portare a risultati più sicuri. Amini, dottorando che fa parte del gruppo guidato dalla professoressa Daniela Rus del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT, spiega che occorre essere in grado capacità non solo di avere modelli ad alte prestazioni, ma anche di capire in quali occasioni tali modelli non sono affidabili.
La professoressa Rus aggiunge che questa idea è importante e applicabile in senso lato; è utilizzabile per valutare prodotti che si basano su modelli appresi. Stimando l’incertezza di un modello appreso, scopriamo anche il margine di errore che bisogna aspettarsi e quali sono i dati mancanti che potrebbero migliorare il modello. Amini presenterà la ricerca alla conferenza NeurIPS che si terrà il mese prossimo, insieme a Daniela Rus, docente di Ingegneria Elettrica e Informatica all’Andrew e Erna Viterbi, direttore del CSAIL, e agli studenti Wilko Schwarting del MIT e Ava Soleimany del MIT e di Harvard.
.Ph. credits: Foto di Gerd Altmann da Pixabay
