Mathworks “Superare le carenze dell’intelligenza artificiale con Machine Learning automatizzato e Interpretable ML”

L’intelligenza artificiale (AI) viene rapidamente applicata in tutti i settori. Tuttavia, ci sono ancora ostacoli all’adozione dell’intelligenza artificiale.

La difficoltà tipica è assicurarsi esperti di intelligenza artificiale qualificati per costruire modelli di intelligenza artificiale. Questo perché per costruire un modello di intelligenza artificiale è necessaria un’elevata conoscenza matematica per interpretare con precisione algoritmi e gestire enormi quantità di dati.

Inoltre, la maggior parte dei sistemi di intelligenza artificiale non rivela il processo per trarre conclusioni. Ciò significa che quando si verifica un errore, è difficile trovare la causa e risolverlo. Per questo motivo, i settori finanziario e medico sono interessati all’introduzione dell’intelligenza artificiale.

Per risolvere questo problema, il vicedirettore di MathWorks Korea Jang Gyu-hwan ha introdotto l’Automated Machine Learning (auto ML) e l’apprendimento automatico interpretabile utilizzando MATLAB.

Il vice preside Jang Gyu-hwan ha presentato come implementare “Automatic ML and Interpretable ML” attraverso il seminario MATLAB Machine Learning Day 2021, che è stato recentemente condotto online.

■ AutoML, i non esperti sviluppano modelli di apprendimento automatico

AutoML è un processo di sviluppo di modelli di machine learning completamente automatizzato.

Eliminando la fase ripetitiva dell’esperimento di selezione della tecnica di modellazione ottimale, come la scelta dell’algoritmo più appropriato per l’analisi dei dati, supporta l’ottimizzazione e la distribuzione istantanee del modello semplicemente preelaborando i dati.

Ottimizzato per Auto ML, MATLAB riduce lo spreco di risorse nel processo di sviluppo automatizzando i tre passaggi di impostazione dei super parametri durante il processo di sviluppo dell’apprendimento automatico.

L’ingegneria delle caratteristiche fornisce un ambiente che supporta facilmente varie tecniche di ingegneria delle caratteristiche come la trasformata wavelet, la selezione delle caratteristiche inclusa la trasformata di Fourier veloce o l’estrazione delle caratteristiche.

La modellazione consente agli utenti di selezionare automaticamente un modello ad alte prestazioni adatto ai propri dati tra diverse tecniche di modellazione di machine learning con un solo comando.

“Il software AutoML può automatizzare molti passaggi difficili e dispendiosi in termini di tempo in un flusso di lavoro”, ha affermato il vicedirettore Jang Gyu-hwan.

L’impostazione degli iperparametri supporta lo sviluppo di modelli ad alte prestazioni ottimizzando automaticamente i valori degli iperparametri e applicandoli a diversi modelli nell’ambiente MATLAB. Rispetto al processo manuale di ottimizzazione dei super parametri, ha il vantaggio di eliminare le perdite di tempo e garantire il miglioramento delle prestazioni.

Come risultato dei test interni di Mathworks, i modelli di rilevamento del comportamento umano e di rilevamento delle anomalie cardiache sviluppati con MATLAB Auto ML hanno ottenuto punteggi superiori a quelli dei due modelli sviluppati manualmente.

Inoltre, MathWorks supporta l’apprendimento per rinforzo, che supporta la formazione su una quantità aggiornata di dati e l’aggiornamento del modello a partire da R2020b.

■ Rimuovere il fenomeno della scatola nera con ML interpretabile

Attualmente, l’IA soffre del problema della bassa affidabilità dei risultati a causa del fenomeno della scatola nera che non può spiegare il processo di derivazione dei risultati. Questi problemi portano anche a questioni di equità e pregiudizio morale.

Interpretable ML è una tecnica proposta per risolvere il problema dell’affidabilità dei modelli di intelligenza artificiale black box. Supporta un’annotazione basata su algoritmo per un modello specifico, un’annotazione all’interno di un intervallo di dati specificato e un intero dati per un modello globale.

MathWorks aiuta a spiegare il processo decisionale del modello identificando l’insieme di caratteristiche che giocano un ruolo importante nel risultato del modello supportando vari algoritmi come la selezione del passo e il valore di Shapley.

La selezione delle funzionalità supporta lo sviluppo di modelli di annotazione su piccola scala e ad alte prestazioni estraendo solo le funzionalità principali che influiscono sul modello.

Attraverso la tecnica di validazione del processo di classificazione attraverso gerarchie granulari, è possibile trovare caratteristiche che hanno un’influenza importante sul processo decisionale del modello e descrivere in dettaglio il processo decisionale di classificazione del modello.

In generale, maggiore è il potere predittivo, minore è la spiegabilità e minore è il potere predittivo, maggiore è la spiegabilità. Anche nel caso di un modello con alto potere predittivo con annotazioni basse, è possibile implementare l’annotazione e l’ottimizzazione delle prestazioni per un dato intervallo di dati.

Il valore di Shapley è un metodo di applicazione della teoria dei giochi per determinare i fattori che hanno influenzato i risultati sperimentali in ordine di importanza.

Quando si applica il valore Shapley, i fattori vengono visualizzati in base all’importanza in un grafico, in modo da poter vedere a colpo d’occhio quali dati hanno influenzato l’IA.

articoli Correlati

La teoria dei giochi è una teoria analitica che distribuisce i benefici derivanti dalla cooperazione tra i giocatori in base al contributo di ciascun giocatore.

Il vicedirettore generale Jang Gyu-hwan ha dichiarato: “MatLab analizza le immagini utilizzando ML interpretabile, quindi può verificare la presenza di un errore”.