Disimballare la “scatola nera” per costruire modelli di intelligenza artificiale migliori

I modelli di deep learning possono essere utilizzati per rilevare frodi finanziarie da attività con carte di credito o identificare il cancro nelle immagini mediche e sono spesso in grado di battere gli umani.

I modelli di apprendimento automatico sono generalmente basati su reti neurali artificiali in grado di elaborare milioni di punti dati.

I modelli sono spesso chiamati “scatole nere” perché gli scienziati che li costruiscono non capiscono tutto.

Jegelka, neoprofessore associato di ruolo presso il Dipartimento di ingegneria elettrica e informatica del MIT, sta studiando il deep learning per capire come i modelli apprendono e come si comportano.

Costruire una comprensione che sia rilevante nella pratica ci aiuterà a progettare modelli migliori e ci aiuterà anche a capire cosa sta succedendo al loro interno in modo da sapere quando possiamo implementare un modello e quando no.

Jegelka è membro dell’Institute for Data, Systems, and Society e del Computer Science and Artificial Intelligence Laboratory.

Quando i dati di input sono sotto forma di grafici, Jegelka è particolarmente interessata a migliorare i modelli di apprendimento automatico.

Lo stesso grafico porta sempre alla stessa previsione perché i grafici hanno simmetrie matematiche che devono essere rispettate dal modello di apprendimento automatico.

È difficile costruire tali simmetrie in un modello di apprendimento automatico.

Una previsione delle proprietà chimiche di una molecola può essere fatta utilizzando modelli matematici di apprendimento automatico che prendono i dati del grafico come input e producono qualcos’altro.

Se i dati del mondo reale sono diversi, cosa possono aspettarsi i ricercatori dal modello? Ciò che puoi imparare e ciò che non puoi imparare dipende da come imposti il ​​modello.

Jegelka viveva a Tbingen con due coinquilini che lavoravano come assistenti di ricerca presso il Max Planck Institute.

Ha esplorato come i concetti della matematica possono essere utilizzati nelle tecniche di apprendimento automatico.

Jegelka è diventata più incuriosita dalle difficoltà di capire come si comportano i modelli quando ha appreso dell’apprendimento automatico.

Puoi utilizzare l’apprendimento automatico se disponi dei dati e del modello giusti.

Dice che devi pensare a cosa vuoi che il modello impari e faccia.

Studia applicazioni di apprendimento automatico in biologia, visione artificiale e scienza dei materiali al MIT.

Sta ricercando modi per migliorare le prestazioni dei modelli di apprendimento automatico.

Poiché è costoso per gli esseri umani etichettare manualmente milioni di immagini, i ricercatori utilizzano spesso set di dati senza etichetta per preaddestrare i modelli.

I ricercatori vogliono che il modello apprenda il più possibile prima dell’addestramento in modo da poterlo applicare al suo compito a valle.

Dice che questo è il primo passo per capire cosa faranno effettivamente i modelli.

Anche se i ricercatori non comprendono tutto ciò che accade all’interno di un modello di deep learning o come possono influenzare ciò che un modello apprende e come si comporta, Jegelka non vede l’ora di continuare a esplorare questi argomenti.

Cerchiamo di capire cosa è successo in pratica nel machine learning.

Stefanie Jegelka è professore associato presso il Dipartimento di Ingegneria Elettrica e Informatica del MIT e si occupa di applicazioni di deep learning.