原标题:办理旧AI题目的新方法 为了这统统 我们已经从约莫60年的发展寿掷中相识到了人工智能,并从中获悉,我们与它之间的关系的一个底子部门通常仍旧遥不可及:人类对复杂的呆板学习模子如安在环球范围内思索的深刻明白。 BCG数据科学首席IP官Jan Ittner博士大概终于有了答案。 输入FACET,这是BCG GAMMA构建的开源办理方案,旨在提供呆板学习模子的正确全局表明。FACET由Ittner开辟,以相应客户对更好地明白和优化生产流程的需求,旨在使数据科学家可以或许逾越单一猜测的当地视野,而是资助他们终极明白和评估整个“黑匣子”模子中全部变量的依靠性和相互作用。科学家们第一次有了可访问的工具,可以资助呆板学习模子在环球范围内表明本身背后的幕后运动。 Ittner说:“我仍旧听到统计学家和数据科学家说-不相识FACET-这种东西是行不通的。” 多亏了Ittner和他的团队,如今可以了。FACET与scikit-learn(一个盛行的Python呆板学习库)互助推出,以游戏理论模子为底子-已有近100年汗青的研究范畴,研究个体因素怎样影响终极效果比年来,人工智能研究职员的爱好日益浓重。 Ittner说:“假如您思量与玩家举行一场游戏,而且游戏中有五位玩家……他们都做出选择并共同为一项结果做出贡献,那么他们(每个)应该如作甚这一结果赢得赞誉?” “根本上,重要题目是,假如从游戏中删除玩家,效果将怎样改善或恶化?” 从汗青上看,不存在差别的方法来答复一个题目。但伊特纳发现刻面SHAP(灵感SH apley一个dditive前P lanations),用于表明呆板学习模子的输出近来的和盛行的游戏理论方法。 Ittner说:“ SHAP方法的精彩之处在于,我们只是说差别的变量是到场者,而猜测是游戏。” “因此,我要求模子做出猜测-删除这些变量中的一个或多个后,该猜测将怎样变革?” 但是,假如没有可用的算法,就无法表明模子的一样平常举动(超出其单独的猜测)以及变量之间复杂的相互作用的星座。确定手工挑选的变量集之间的依靠关系和相互作用,这是一个手动和探索性的过程。如今,FACET可以一劳永逸地做到这一点-只需按一下按钮。FACET鉴戒了SHAP方法,评估了数千个单独的猜测,以辨认模子在练习过程中发现的变量之间的关系。 “总会有这种衡量弃取–您拥有一个简朴的模子……而且您有点明白它的作用,大概您拥有一个非常强盛的“黑匣子”模子,但是它是云云复杂,以至于没有人能明白它。 ”,伊特纳说。“这就是FACET的去处-它接纳了复杂的“黑匣子”模子,但以一种数据科学家可以访问的方式对其举行了表明。”
返回搜狐,检察更多 责任编辑: |