Sistem keadilan, bank, dan syarikat swasta menggunakan algoritma untuk membuat keputusan yang memberi kesan mendalam terhadap kehidupan masyarakat. Malangnya, algoritma tersebut kadang-kadang berat sebelah - memberi kesan yang tidak seimbang kepada orang-orang warna serta individu di kelas berpendapatan rendah ketika mereka memohon pinjaman atau pekerjaan, atau bahkan ketika mahkamah memutuskan jaminan apa yang harus ditetapkan sementara seseorang menunggu perbicaraan.
Penyelidik MIT telah mengembangkan bahasa pengaturcaraan AI baru yang dapat menilai kewajaran algoritma dengan lebih tepat, dan lebih cepat, daripada alternatif yang ada.
Sum-Product Probabilistic Language (SPPL) mereka adalah sistem pengaturcaraan probabilistik. Pengaturcaraan probabilistik adalah bidang yang muncul di persimpangan bahasa pengaturcaraan dan kecerdasan buatan yang bertujuan untuk menjadikan sistem AI lebih mudah dikembangkan, dengan kejayaan awal dalam penglihatan komputer, pembersihan data akal sehat, dan pemodelan data automatik. Bahasa pengaturcaraan probabilistik menjadikan lebih mudah bagi pengaturcara untuk menentukan model probabilistik dan melakukan inferens probabilistik - iaitu, mundur untuk menyimpulkan kemungkinan penjelasan untuk data yang diperhatikan.
Terdapat sistem sebelumnya yang dapat menyelesaikan pelbagai persoalan kewajaran. Sistem kami bukan yang pertama; tetapi kerana sistem kami dikhususkan dan dioptimumkan untuk kelas model tertentu, ia dapat memberikan penyelesaian ribuan kali lebih cepat.
SPPL memberikan penyelesaian tepat dan cepat untuk pertanyaan inferens probabilistik seperti "Seberapa besar kemungkinan model tersebut mengesyorkan pinjaman kepada seseorang yang berusia lebih dari 40 tahun?" atau "Hasilkan 1,000 pemohon pinjaman sintetik, semua di bawah usia 30 tahun, yang pinjamannya akan diluluskan." Hasil inferensi ini didasarkan pada program SPPL yang menyandikan model probabilistik mengenai jenis pemohon, apriori, dan juga cara mengklasifikasikannya. Soalan kewajaran yang dapat dijawab oleh SPPL termasuk "Adakah terdapat perbezaan antara kemungkinan mengesyorkan pinjaman kepada pendatang dan pemohon bukan imigran dengan status sosioekonomi yang sama?" atau "Apa kemungkinan pengambilan pekerja, memandangkan calon itu layak untuk pekerjaan dan dari kumpulan yang kurang terwakili?"
SPPL berbeza dari kebanyakan bahasa pengaturcaraan probabilistik, kerana SPPL hanya membenarkan pengguna menulis program probabilistik yang secara automatik dapat memberikan hasil inferensi probabilistik yang tepat. SPPL juga memungkinkan pengguna memeriksa seberapa cepat kesimpulan, dan dengan itu mengelakkan menulis program yang lambat. Sebaliknya, bahasa pengaturcaraan probabilistik lain seperti Gen dan Pyro membolehkan pengguna menuliskan program probabilistik di mana satu-satunya cara yang diketahui untuk membuat kesimpulan adalah perkiraan — iaitu, hasilnya termasuk kesalahan yang sifatnya dan besarnya sukar dicirikan.
Kesalahan dari kesimpulan kebarangkalian dapat diterima dalam banyak aplikasi AI. Tetapi tidak diinginkan untuk membuat kesalahan kesimpulan yang merosakkan hasil dalam aplikasi AI yang mempengaruhi sosial, seperti pembuatan keputusan automatik, dan terutama dalam analisis kewajaran.
SPPL mengelakkan kesilapan dengan menghadkan ke kelas model yang dirancang dengan teliti yang masih merangkumi kelas algoritma AI yang luas, termasuk pengelasan pokok keputusan yang banyak digunakan untuk membuat keputusan algoritma. SPPL berfungsi dengan menyusun program probabilistik ke dalam struktur data khusus yang disebut "ekspresi jumlah produk." SPPL selanjutnya membangun tema penggunaan litar probabilistik sebagai perwakilan yang memungkinkan inferensi probabilistik yang cekap. Pendekatan ini memperluas pekerjaan sebelumnya pada rangkaian produk-produk hingga model dan pertanyaan yang dinyatakan melalui bahasa pengaturcaraan probabilistik. Namun, Saad menyatakan bahawa pendekatan ini dilengkapi dengan batasan: “SPPL jauh lebih cepat untuk menganalisis keadilan pohon keputusan, misalnya, tetapi tidak dapat menganalisis model seperti jaringan saraf. Sistem lain dapat menganalisis jaringan saraf dan pohon keputusan, tetapi mereka cenderung lebih lambat dan memberikan jawapan yang tidak tepat. "
SPPL menunjukkan bahawa inferensi probabilistik tepat adalah praktikal, tidak hanya secara teoritis mungkin, untuk kelas program probabilistik yang luas. Di makmal saya, kami telah melihat peningkatan kelajuan dan ketepatan inferensi simbolik dalam tugas inferensi lain yang sebelumnya kami jalani melalui anggaran Monte Carlo dan pembelajaran mendalam algoritma. Kami juga telah menerapkan SPPL untuk program probabilistik yang dipelajari dari pangkalan data dunia nyata, untuk mengukur kemungkinan kejadian jarang berlaku, menghasilkan data proksi sintetik yang diberikan kekangan, dan secara automatik menyaring data untuk kemungkinan anomali.
-
electronica India dan Productronica India bersama MatDispens dijadualkan semula hingga 16-18 Disember 2021
-
Honda Melancarkan Skuter Elektrik U-GO Baru
-
Dek dikosongkan untuk Assam State Electronics Development Corporation Limited untuk Kesambungan Internet Berkelajuan Tinggi
-
Satelit pencitraan geografi "EOS-03" Dijadualkan Dilancarkan pada Suku Ketiga 2021
Mayank Vashisht
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtPenyelesaian Pengukuran Anritsu untuk Komunikasi 5G NR di Ekspo Web Ujian dan Pengukuran Anritsu - Spring 2021
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtAI dan ML akan membuka tahap seterusnya dalam permainan reka bentuk cip
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtKecerdasan Umum Buatan (AGI) dan Hipotesis Ancaman Eksistensial Sebenar
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtRealiti yang Diperpanjang, Memudaratkan Garisan antara Imaginasi dan Realiti