"Mashinani o'rganish har doim hamma joyda yuzaga keladi va undan jiddiy oqibatlarga olib keladigan ilovalar uchun foydalanilayotganda, odamlarga reklama qilishdan ko'ra ko'proq ish qilsa, unga ishonishadi, shuning uchun ular taxmin qilishlarini tushunishlariga ehtiyoj bor", deydi Jonatan Su MIT Linkoln laboratoriyasining Informatika va qarorlarni qo`llab-quvvatlash guruhidagi texnik xodimlar.
Hozirgi vaqtda tadqiqotchilar yoki xok texnikalar yoki qarama-qarshilik modelining qanday xulosaga kelishini tushuntirish uchun qaror daraxti kabi sharhlovchi modellardan foydalaniladi. Post-hoc texnikasi bilan tadqiqotchilar algoritmning kirish va chiqimlarini kuzatishadi va keyin qora qutida sodir bo'lgan voqealar uchun taxminiy tushuntirishlarni tuzishga harakat qilishadi. Ushbu usul bilan muammo tadqiqotchilar faqat ichki ishlarni taxmin qilishlari mumkin va tushuntirishlar odatda noto'g'ri bo'lishi mumkin. Daraxtga o'xshash qurilishda xaritalarni tanlash va ularning potentsial natijalarini aniqlaydigan qaror daraxtlari, ularning mazmuni mazmunli bo'lgan qat'iy ma'lumot uchun yaxshi ishlaydi, ammo bu daraxtlar kompyuter ko'rinishi va boshqa murakkab ma'lumotlar muammolari kabi muhim sohalarda sharhlanmaydi.
Neyron tarmoq - bu o'zaro bog'liq bo'lgan ko'plab ishlash elementlaridan iborat hisoblash tizimi. Ushbu tarmoqlar, odatda, tasvirni tahlil qilish va ob'ektni aniqlash uchun ishlatiladi. Misol uchun, algoritm fotosurat itlar fotosuratlari ko'rsatilib, itni o'z ichiga olganligini aniqlash uchun o'rgatilishi mumkin. Tadqiqotchilarning aytishicha, ushbu neyron tarmoqlar bilan bog'liq muammolar ularning funktsiyalari noan'anaviy va rekürsif bo'lgan, shuningdek murakkab va chalkash odamlar uchundir va natija shuni anglatadiki, tarmoq ichidagi fotosuratlardagi "itlik" va bunga nima sabab bo'ldi.
Ushbu muammoni hal qilish uchun jamoa "protetib neyron tarmoqlari" ni ishlab chiqmoqda. Bu an'anaviy neyron tarmoqlardan farq qiladi, chunki ular tabiiy ravishda kirish tasvirining o'ziga xos qismlari bo'lgan prototiplarni yaratib, ularning har bir predmeti uchun tushuntirishlarni tabiiy ravishda kodlaydi. Ushbu tarmoqlar o'zlarining prognozlarini har bir prototipga kirish tasvirining qismlari o'xshashligiga asoslanadi.
Tadqiqot guruhi tekshiradigan boshqa soha BRLs bo'lib, ular kamroq murakkab, bir tomonlama qaror daraxtlari bo'lib, ular jadvalli ma'lumotlarga mos keladigan va ko'pincha boshqa modellar kabi to'g'ri. BRLlar tabiiy ravishda izohlash mumkin bo'lgan modelni yaratadigan shartli so'zlar ketma-ketligidan iborat. Masalan, agar qon bosimi yuqori bo'lsa, yurak xastaligi xavfi yuqori bo'ladi. Suv va uning hamkasblari BRL-larning xususiyatlarini foydalanuvchilarning taxmin qilish uchun qaysi xususiyatlar muhimligini ko'rsatishlarini ta'minlash uchun ishlatadilar. Ular, shuningdek, interaktiv BRL-larni ishlab chiqmoqdalar, ular yangi ma'lumotlar tez-tez o'sib borayotgan ma'lumotlar to'plamidan noldan farq qilmasdan tezda moslashtirilishi mumkin.
"Biz odamlarni ishongan laboratoriya-mashinani o'rganish algoritmlari uchun yangi strategik qobiliyatni yaratish umididamiz", - deydi u.
