Süni intellekt modelləri çox vaxt əhəmiyyətsiz və potensial yanlış məlumatlara əsaslanaraq qərarlar qəbul edərək “saxta korrelyasiyalara” güvənirlər. Tədqiqatçılar indi bu öyrənilmiş saxta korrelyasiyaların təlim məlumatlarının çox kiçik bir hissəsinə aid edilə biləcəyini aşkar etdilər və problemi aradan qaldıran bir texnika nümayiş etdirdilər.

Jung-Eun Kim, iş üzrə məqalənin müxbir müəllifi və Şimali Karolina Dövlət Universitetinin kompüter elmləri üzrə dosenti Jung- Eun Kim deyir: “Bu texnika ona görə yenidir ki, süni intellektin hansı saxta korrelyasiyalara əsaslandığını bilmirsinizsə belə istifadə edilə bilər” .

“Əgər saxta xüsusiyyətlərin nə olduğu barədə artıq yaxşı təsəvvürünüz varsa, bizim texnikamız problemi həll etmək üçün səmərəli və təsirli bir yoldur. Bununla belə, sadəcə olaraq performans problemləriniz olsa da, lakin bunun səbəbini başa düşməsəniz belə, saxta korrelyasiya olub-olmadığını müəyyən etmək və bu problemi həll etmək üçün texnikamızdan istifadə edə bilərsiniz.”

Saxta korrelyasiyalar ümumiyyətlə AI təlimi zamanı sadəlikdən qaynaqlanır. Təcrübəçilər xüsusi tapşırıqları yerinə yetirmək üçün AI modellərini öyrətmək üçün məlumat dəstlərindən istifadə edirlər. Məsələn, AI modeli itlərin fotoşəkillərini müəyyən etmək üçün öyrədilə bilər. Təlim məlumat dəstinə fotoşəkildə AI-yə bir itin olduğu deyildiyi itlərin şəkilləri daxildir.

Təlim prosesi zamanı süni intellekt itləri müəyyən etmək üçün istifadə edə biləcəyi xüsusi xüsusiyyətləri müəyyən etməyə başlayacaq. Bununla belə, fotoşəkillərdəki itlərin çoxu yaxalıq taxırsa və yaxalıqlar ümumiyyətlə itin qulaqları və ya xəzindən daha mürəkkəb xüsusiyyətləri olduğundan, süni intellekt itləri tanımaq üçün sadə bir üsul kimi yaxalıqlardan istifadə edə bilər. Sadəlik qərəzinin saxta korrelyasiyalara səbəb ola biləcəyi budur.

“Əgər süni intellekt itləri müəyyən etmək üçün istifadə etdiyi faktor kimi yaxalıqlardan istifadə edərsə, süni intellekt yaxalıq taxan pişikləri it kimi tanıya bilər” dedi Kim.

https://googleads.g.doubleclick.net/pagead/ads?client=ca-pub-0536483524803400&output=html&h=188&slotname=2793866484&adk=1121470953&adf=746485419&pi=t.ma~as.2793866484&w=750&abgtt=6&fwrn=4&lmt=1741693772&rafmt=11&format=750×188&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-03-technique-spurious-problem-ai.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTMzLjAuNjk0My4xNDIiLG51bGwsMCxudWxsLCI2NCIsW1siTm90KEE6QnJhbmQiLCI5OS4wLjAuMCJdLFsiR29vZ2xlIENocm9tZSIsIjEzMy4wLjY5NDMuMTQyIl0sWyJDaHJvbWl1bSIsIjEzMy4wLjY5NDMuMTQyIl1dLDBd&dt=1741693771657&bpp=1&bdt=1298&idt=775&shv=r20250305&mjsv=m202503060101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dfdc40d724f2dca57%3AT%3D1735367325%3ART%3D1741693771%3AS%3DALNI_MYStQ6fUQQQLyo5Z7z1h-XhXcWBtA&gpic=UID%3D00000f80eacffadc%3AT%3D1735367325%3ART%3D1741693771%3AS%3DALNI_MYaOugky0UawScoidzfbXof3-N-iw&eo_id_str=ID%3De43bb863646b60b8%3AT%3D1735367325%3ART%3D1741693771%3AS%3DAA-AfjbQoPwZqH28q9IwcCLRSzzg&prev_fmts=0x0&nras=1&correlator=2022409210879&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=1691&biw=1905&bih=945&scr_x=0&scr_y=0&eid=31090876%2C95352077%2C95354314%2C95354324%2C95354338%2C95354597%2C31090842&oid=2&pvsid=2172631512570808&tmod=584577517&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=779

Saxta korrelyasiyaların yaratdığı problemləri həll etmək üçün ənənəvi üsullar praktikantların problemə səbəb olan saxta xüsusiyyətləri müəyyən edə bilmələrinə əsaslanır. Daha sonra AI modelini öyrətmək üçün istifadə olunan məlumat dəstlərini dəyişdirərək bu məsələni həll edə bilərlər. Məsələn, praktikantlar yaxası taxmayan itlərin daxil olduğu məlumat dəstindəki fotoşəkillərin çəkisini artıra bilər.

Bununla belə, tədqiqatçılar yeni işlərində nümayiş etdirirlər ki, problemlərə səbəb olan saxta xüsusiyyətləri müəyyən etmək həmişə mümkün olmur – saxta korrelyasiyaları həll etmək üçün ənənəvi üsulları səmərəsiz edir.

Kim deyir: “Bu işdə məqsədimiz, bu saxta xüsusiyyətlər haqqında heç nə bilmədiyimiz halda belə, saxta korrelyasiyaları kəsməyə imkan verən bir texnika hazırlamaq idi”.

Yeni texnika AI modelini öyrətmək üçün istifadə olunan məlumatların kiçik bir hissəsinin silinməsinə əsaslanır.

Kim deyir: “Təlim məlumat dəstlərinə daxil olan məlumat nümunələrində əhəmiyyətli dəyişikliklər ola bilər “. “Nümunələrin bəziləri çox sadə, digərləri isə çox mürəkkəb ola bilər. Və biz hər bir nümunənin necə “çətin” olduğunu modelin təlim zamanı necə apardığına əsaslanaraq ölçə bilərik.

“Bizim fərziyyəmiz ondan ibarət idi ki, verilənlər dəstindəki ən çətin nümunələr səs-küylü və qeyri-müəyyən ola bilər və çox güman ki, şəbəkəni modelin performansına zərər verən qeyri-müəyyən məlumatlara etibar etməyə məcbur edəcək” – Kim izah edir.

” Anlaşılması çətin olan təlim məlumatlarının kiçik bir hissəsini aradan qaldırmaqla siz həm də saxta xüsusiyyətlər ehtiva edən sərt məlumat nümunələrini aradan qaldırmış olursunuz. Bu ləğv əhəmiyyətli mənfi təsirlərə səbəb olmadan saxta korrelyasiya problemini aradan qaldırır.”

Tədqiqatçılar nümayiş etdirdilər ki, yeni texnika ən müasir nəticələrə nail olur – hətta saxta xüsusiyyətlərin müəyyən olunduğu modellərdə əvvəlki işlərlə müqayisədə performansı artırır.

“Məlumatların budama ilə saxta korrelyasiyaların kəsilməsi” adlı ekspert tərəfindən nəzərdən keçirilmiş məqalə 24-28 aprel Sinqapurda keçiriləcək Öyrənmə Nümayəndəlikləri üzrə Beynəlxalq Konfransda ( ICLR 2025 ) təqdim olunacaq.

Ətraflı məlumat: Məlumatların kəsilməsi ilə saxta korrelyasiyaların kəsilməsi: openreview.net/pdf?id=Bk13Qfu8RuŞimali Karolina Dövlət Universiteti tərəfindən təmin edilmişdir