Российские учёные нашли способ снизить затраты ресурсов при работе классических систем ИИ.
Исследователи из НИУ ВШЭ теоретически обосновали простой и вычислительно лёгкий метод оценки неопределённости для стохастического градиентного спуска — одного из самых популярных алгоритмов классического машинного обучения. Как сообщила пресс-служба вуза, это позволит сократить ресурсы, затрачиваемые на работу таких систем ИИ.
Алгоритмы градиентного спуска широко применяются для решения задач оптимизации и создания классических систем машинного обучения, не использующих нейросети. Поскольку они основаны на случайных элементах, важно оценивать доверительные интервалы — диапазоны, в которых с высокой вероятностью находится истинное решение. Традиционные методы требуют сложных статистических расчётов, что дорого и ресурсоёмко, сообщает ТАСС.
Учёные доказали, что простые эмпирические методы оценки точности, которые уже применялись на практике и часто показывали лучшие результаты, имеют строгое математическое обоснование. Это позволяет получать надёжные оценки неопределённости быстрее и с меньшими затратами, что особенно важно в медицине, финансах и автономных системах, где критична степень уверенности в предсказании. Разработка упростит и удешевит решение многих оптимизационных задач.
