Математики нашли способ упростить и удешевить оценку точности классического ИИ

Классические системы машинного обучения, не использующие нейросети, по-прежнему востребованы в медицине, финансах и автономных системах. Однако их работа требует значительных вычислительных ресурсов для оценки точности предсказаний, а традиционные методы построения доверительных интервалов либо дороги, либо неточны. Исследователи из НИУ ВШЭ теоретически обосновали простой и вычислительно лёгкий метод оценки неопределённости для стохастического градиентного спуска — одной из популярных форм классического ИИ. Этот метод уже применялся на практике и часто показывал лучшие результаты по сравнению с альтернативами, но до сих пор не имел строгого математического обоснования. Учёные смогли дать эмпирическому преимуществу метода строгую математическую интерпретацию и определить границы его применимости. Полученное доказательство позволяет пересмотреть отношение к простым эмпирическим методам оценки точности в машинном обучении. Это особенно важно в областях, где критично знать не только предсказание, но и степень уверенности в нём. Упрощение и удешевление решения оптимизационных задач станет возможным для большого числа систем машинного обучения, использующих алгоритмы стохастического градиентного спуска.