AI-nyhederSmirnov: Dybe AI-net er nu matematisk præcise
Ny forskning viser, at deep belief networks kan lære præcist uden tilnærmelser – et springbræt for pålidelig AI.
Det er sket
Forskeren Gleb Smirnov har bevist, at deep belief networks – en type AI, der efterligner hjernens lagdelte genkendelse – kan fungere helt eksakt. Tidligere antog man, at de kun kunne tilnærme sig sandheden. Beviset er et teoretisk gennembrud, der giver matematisk garanti for, at netværket lærer præcist, når det trænes.
Hvorfor nu?
Problemet var, at modellerne byggede på uendelige processer, som i praksis blev afkortet – det gav fejl. Smirnov viser, hvordan man kan omgå det med en anden måde at opbygge netværket på. Resultatet er, at selv med begrænsede data og få lag kan AI’en give eksakte svar, ikke kun statistiske gæt.
Hvad betyder det?
Hvis metoden fanges op af udviklere, kan du få AI-systemer, der er nemmere at stole på – fx i medicin eller økonomi, hvor fejl koster. Beviset gør det også lettere at designe nye netværk, fordi forskerne nu kender de præcise betingelser for, hvornår de virker. Vejen fra teori til praktiske værktøjer er dog stadig lang.
- Forskeren hedder Gleb Smirnov og har publiceret beviset på arXiv.
- Deep belief networks er AI-modeller med flere lag, inspireret af hjernen.
- Tidligere modeller brugte tilnærmelser, der kunne give fejl i læringen.
- Beviset viser, at netværkene kan være eksakte under bestemte betingelser.
- Gennembruddet kan øge pålideligheden af AI i kritiske anvendelser.
- Forskningen er teoretisk og kræver videre arbejde før praktisk brug.
Hvis metoden bliver standard, kan du få AI, der laver færre fejl i alt fra diagnose til finansielle beslutninger – men det kræver, at udviklere tager den i brug.
Kilder:
arXiv cs.AI →
Genfortalt i egne ord af AI-nyheder.com · Tjek altid originalkilden, før du handler på vigtige oplysninger.