یکی از مشکلات بزرگ در سیستمهای هوش مصنوعی حساس (مثل پزشکی یا حقوقی)، پدیده «چندگانه بودن پیشبینیها» (Predictive Multiplicity) است؛ جایی که چندین مدل با دقت مشابه، نتایج متفاوتی تولید میکنند که باعث کاهش اعتماد به خروجی سیستم میشود.
محققان در مقالهای جدید، سه راهکار خلاقانه برای هماهنگسازی و کاهش تضاد بین این مدلها ارائه کردهاند:
۱. تصحیح دادههای پرت (Outlier Correction)
۲. وصلهپینه محلی (Local Patching)
۳. تطبیق جفتبهجفت (Pairwise Reconciliation)
با این روشها، نهتنها دقت مدلها حفظ میشود، بلکه خروجی نهایی قابلاطمینانتر و تفسیرپذیرتر برای استفاده در دنیای واقعی خواهد بود. گامی مهم برای کاربردیتر کردن هوش مصنوعی در حوزههای حساس! ✨
منبع: arXiv Machine Learning