Adalet sistemi, bankalar ve özel şirketler, insanların yaşamları üzerinde derin etkileri olan kararlar almak için algoritmalar kullanıyor. Ne yazık ki, bu algoritmalar bazen önyargılı olabiliyor; kredi veya iş başvurusunda bulunduklarında, hatta mahkemeler bir kişi duruşmayı beklerken ne kadar kefalet ödenmesi gerektiğine karar verdiğinde, farklı ırklardan insanları ve düşük gelirli sınıftaki bireyleri orantısız bir şekilde etkiliyor.
MIT araştırmacıları, algoritmaların adilliğini mevcut alternatiflerden daha kesin ve daha hızlı değerlendirebilen yeni bir yapay zeka programlama dili geliştirdi.
Toplam-Çarpım Olasılık Dili (SPPL), olasılıksal bir programlama sistemidir. Olasılıksal programlama, programlama dilleri ile yapay zekanın kesiştiği noktada, yapay zeka sistemlerinin geliştirilmesini çok daha kolay hale getirmeyi amaçlayan, bilgisayarlı görme, sağduyulu veri temizleme ve otomatik veri modellemede erken başarılar sağlayan yeni ortaya çıkan bir alandır. Olasılıksal programlama dilleri, programcıların olasılıksal modelleri tanımlamasını ve olasılıksal çıkarım yapmasını, yani gözlemlenen veriler için olası açıklamalar çıkarmak üzere geriye doğru çalışmasını çok daha kolaylaştırır.
Çeşitli adalet sorularını çözebilen eski sistemler var. Sistemimiz ilk değil; ancak sistemimiz belirli bir model sınıfı için özelleştirilmiş ve optimize edilmiş olduğundan, çözümleri binlerce kat daha hızlı sunabilmektedir.
SPPL, "Modelin 40 yaşın üzerindeki birine kredi önerme olasılığı ne kadar?" gibi olasılıksal çıkarım sorularına hızlı ve kesin çözümler sunar. veya "Kredileri onaylanacak, tamamı 1,000 yaşın altında 30 sentetik kredi başvurusu sahibi oluşturun." Bu çıkarım sonuçları, ne tür başvuru sahiplerinin muhtemel olduğuna ve ayrıca bunların nasıl sınıflandırılacağına ilişkin olasılıksal modelleri kodlayan SPPL programlarına dayanmaktadır. SPPL'nin cevaplayabileceği adalet soruları şunları içerir: "Aynı sosyoekonomik statüye sahip bir göçmen ve göçmen olmayan başvuru sahibine kredi önerme olasılığı arasında bir fark var mı?" veya "Adayın iş için nitelikli olduğu ve yeterince temsil edilmeyen bir gruptan olduğu göz önüne alındığında, işe alınma olasılığı nedir?"
SPPL çoğu olasılıksal programlama dilinden farklıdır; çünkü SPPL yalnızca kullanıcıların kesin olasılıksal çıkarım sonuçlarını otomatik olarak sunabileceği olasılıksal programlar yazmasına izin verir. SPPL ayrıca kullanıcıların çıkarımların ne kadar hızlı olacağını kontrol etmelerine ve dolayısıyla yavaş programlar yazmaktan kaçınmalarına olanak tanır. Buna karşılık, Gen ve Pyro gibi diğer olasılıksal programlama dilleri, kullanıcıların, çıkarım yapmanın bilinen tek yolunun yaklaşık olduğu olasılıksal programlar yazmasına olanak tanır; yani sonuçlar, doğası ve büyüklüğünün karakterize edilmesi zor olabilen hatalar içerir.
Yaklaşık olasılıksal çıkarımlardan kaynaklanan hatalar birçok yapay zeka uygulamasında tolere edilebilir. Ancak yapay zekanın otomatik karar verme gibi sosyal açıdan etkili uygulamalarında ve özellikle adalet analizinde sonuçları bozan çıkarım hatalarının olması istenmez.
SPPL, algoritmik karar verme için yaygın olarak kullanılan karar ağacı sınıflandırıcıları da dahil olmak üzere, hâlâ geniş bir AI algoritması sınıfını içeren dikkatle tasarlanmış bir model sınıfıyla sınırlandırarak hataları önler. SPPL, olasılık programlarını "toplam-çarpım ifadesi" adı verilen özel bir veri yapısında derleyerek çalışır. SPPL ayrıca, etkili olasılıksal çıkarımı mümkün kılan bir temsil olarak olasılıksal devrelerin kullanılmasına ilişkin yeni ortaya çıkan temayı temel alır. Bu yaklaşım, toplam-çarpım ağları üzerindeki önceki çalışmaları olasılıksal bir programlama dili aracılığıyla ifade edilen modellere ve sorgulara kadar genişletir. Ancak Saad, bu yaklaşımın sınırlamalarla birlikte geldiğini belirtiyor: “SPPL, örneğin bir karar ağacının adilliğini analiz etmede önemli ölçüde daha hızlıdır ancak sinir ağları gibi modelleri analiz edemez. Diğer sistemler hem sinir ağlarını hem de karar ağaçlarını analiz edebilir ancak daha yavaş olma ve kesin olmayan yanıtlar verme eğilimindedirler."
SPPL, geniş bir olasılıksal program sınıfı için kesin olasılıksal çıkarımın yalnızca teorik olarak mümkün değil, pratik olduğunu göstermektedir. Laboratuvarımda, daha önce yaklaşık Monte Carlo ve derin öğrenme algoritmalar. Ayrıca nadir olayların olasılığını ölçmek, kısıtlamalar göz önüne alındığında sentetik temsili veriler oluşturmak ve olası anormallikler için verileri otomatik olarak taramak amacıyla gerçek dünya veritabanlarından öğrenilen olasılık programlarına da SPPL uyguluyoruz.
-
elektronika Hindistan ve Productronica Hindistan ile MatDispens 16-18 Aralık 2021'e Ertelendi
-
Honda Yeni U-GO Elektrikli Scooter'ı Piyasaya Sürüyor
-
Yüksek Hızlı İnternet Bağlantısı için Assam State Electronics Development Corporation Limited için Desteler Temizlendi
-
Coğrafi Görüntüleme Uydusu “EOS-03”ün 2021 Yılının Üçüncü Çeyreğinde Fırlatılması Planlanıyor
Mayank Vashisht
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtAnritsu'nun 5G NR İletişimine yönelik Ölçüm Çözümleri, Anritsu Test ve Ölçüm Web Fuarı - Bahar 2021'de
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtAI ve ML, Çip Tasarımı Oyununda Bir Sonraki Seviyenin Kilidini Açacak
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtYapay Genel Zeka (AGI) ve Gerçek Varoluşsal Tehdit Hipotezi
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtGenişletilmiş Gerçeklik, Hayal ile Gerçeklik Arasındaki Çizgiyi Söndürüyor