Hệ thống tư pháp, ngân hàng và các công ty tư nhân sử dụng các thuật toán để đưa ra các quyết định có tác động sâu sắc đến cuộc sống của người dân. Thật không may, những thuật toán đó đôi khi thiên vị — tác động không cân đối đến những người da màu cũng như những cá nhân thuộc tầng lớp thu nhập thấp hơn khi họ nộp đơn xin vay hoặc xin việc, hoặc thậm chí khi tòa án quyết định mức bảo lãnh nào nên được đưa ra trong khi một người đang chờ xét xử.
Các nhà nghiên cứu của MIT đã phát triển một ngôn ngữ lập trình AI mới có thể đánh giá tính công bằng của các thuật toán chính xác hơn và nhanh hơn so với các lựa chọn thay thế có sẵn.
Ngôn ngữ xác suất tổng sản phẩm (SPPL) của họ là một hệ thống lập trình xác suất. Lập trình xác suất là một lĩnh vực mới nổi ở giao điểm của ngôn ngữ lập trình và trí tuệ nhân tạo nhằm mục đích làm cho các hệ thống AI phát triển dễ dàng hơn nhiều, với những thành công ban đầu trong thị giác máy tính, làm sạch dữ liệu thông thường và mô hình hóa dữ liệu tự động. Ngôn ngữ lập trình xác suất giúp các lập trình viên dễ dàng hơn nhiều trong việc xác định các mô hình xác suất và thực hiện suy luận xác suất — nghĩa là, làm việc ngược lại để suy ra các giải thích có thể xảy ra cho dữ liệu quan sát được.
Có những hệ thống trước đây có thể giải quyết các câu hỏi công bằng khác nhau. Hệ thống của chúng tôi không phải là hệ thống đầu tiên; nhưng vì hệ thống của chúng tôi chuyên biệt và được tối ưu hóa cho một số loại mô hình nhất định, nó có thể cung cấp giải pháp nhanh hơn hàng nghìn lần.
SPPL đưa ra các giải pháp nhanh chóng, chính xác cho các câu hỏi suy luận xác suất, chẳng hạn như "Khả năng mô hình đề xuất khoản vay cho người trên 40 tuổi như thế nào?" hoặc “Tạo ra 1,000 người đăng ký khoản vay tổng hợp, tất cả đều dưới 30 tuổi, những người có khoản vay sẽ được phê duyệt.” Các kết quả suy luận này dựa trên các chương trình SPPL mã hóa các mô hình xác suất về những loại ứng viên có khả năng nộp đơn, tiên nghiệm và cũng như cách phân loại họ. Các câu hỏi công bằng mà SPPL có thể trả lời bao gồm "Có sự khác biệt giữa xác suất đề xuất khoản vay cho người nộp đơn nhập cư và không định cư có cùng tình trạng kinh tế xã hội không?" hoặc "Xác suất được tuyển dụng, cho rằng ứng viên đủ tiêu chuẩn cho công việc và từ một nhóm không được đại diện là bao nhiêu?"
SPPL khác với hầu hết các ngôn ngữ lập trình xác suất, vì SPPL chỉ cho phép người dùng viết các chương trình xác suất mà nó có thể tự động đưa ra kết quả suy luận xác suất chính xác. SPPL cũng giúp người dùng có thể kiểm tra mức độ suy luận nhanh như thế nào và do đó tránh viết các chương trình chậm. Ngược lại, các ngôn ngữ lập trình xác suất khác như Gen và Pyro cho phép người dùng viết ra các chương trình xác suất trong đó các cách suy luận duy nhất đã biết là gần đúng — nghĩa là, kết quả bao gồm các lỗi mà bản chất và độ lớn của chúng có thể khó xác định.
Lỗi từ suy luận xác suất gần đúng có thể chấp nhận được trong nhiều ứng dụng AI. Nhưng không mong muốn có lỗi suy luận làm hỏng kết quả trong các ứng dụng có tác động xã hội của AI, chẳng hạn như ra quyết định tự động và đặc biệt là trong phân tích công bằng.
SPPL tránh lỗi bằng cách hạn chế ở một lớp mô hình được thiết kế cẩn thận vẫn bao gồm một lớp rộng các thuật toán AI, bao gồm các bộ phân loại cây quyết định được sử dụng rộng rãi để ra quyết định theo thuật toán. SPPL hoạt động bằng cách biên dịch các chương trình xác suất thành một cấu trúc dữ liệu chuyên biệt được gọi là “biểu thức tổng tích”. SPPL tiếp tục xây dựng dựa trên chủ đề mới nổi là sử dụng các mạch xác suất làm đại diện cho phép suy luận xác suất hiệu quả. Cách tiếp cận này mở rộng công việc trước đây trên mạng tổng sản phẩm đến các mô hình và truy vấn được thể hiện qua ngôn ngữ lập trình xác suất. Tuy nhiên, Saad lưu ý rằng cách tiếp cận này có những hạn chế: “Ví dụ, SPPL nhanh hơn đáng kể để phân tích tính công bằng của cây quyết định, nhưng nó không thể phân tích các mô hình như mạng nơ-ron. Các hệ thống khác có thể phân tích cả mạng nơron và cây quyết định, nhưng chúng có xu hướng chậm hơn và đưa ra câu trả lời không chính xác ”.
SPPL cho thấy rằng suy luận xác suất chính xác là thực tế, không chỉ có thể về mặt lý thuyết, đối với một lớp rộng các chương trình xác suất. Trong phòng thí nghiệm của tôi, chúng tôi đã thấy những cải tiến về tốc độ và độ chính xác trong việc điều khiển suy luận tượng trưng trong các nhiệm vụ suy luận khác mà chúng tôi đã tiếp cận trước đây thông qua Monte Carlo gần đúng và học kĩ càng các thuật toán. Chúng tôi cũng đã và đang áp dụng SPPL cho các chương trình xác suất học được từ cơ sở dữ liệu trong thế giới thực, để định lượng xác suất của các sự kiện hiếm gặp, tạo dữ liệu proxy tổng hợp đưa ra các ràng buộc và tự động sàng lọc dữ liệu để tìm các dị thường có thể xảy ra.
-
electronica India và Productronica India cùng với MatDispens được lên lịch lại từ ngày 16–18 tháng 2021 năm XNUMX
-
Honda ra mắt xe điện U-GO mới
-
Bộ bài được dọn cho Assam State Electronics Development Corporation Limited để có kết nối Internet tốc độ cao
-
Vệ tinh chụp ảnh địa lý “EOS-03” được lên kế hoạch ra mắt vào Quý 2021 năm XNUMX
Mayank Vashisht
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtCác giải pháp đo lường của Anritsu cho truyền thông 5G NR tại Triển lãm web thử nghiệm và đo lường Anritsu - Mùa xuân năm 2021
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtAI và ML sẽ mở khóa cấp độ tiếp theo trong trò chơi thiết kế chip
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtTrí tuệ chung nhân tạo (AGI) và giả thuyết về mối đe dọa hiện hữu thực sự
-
Mayank Vashishthttps://www.eletimes.com/author/mayankvashishtThực tế mở rộng, làm mờ ranh giới giữa tưởng tượng và thực tế