🔍 چرا هوش مصنوعی در تحلیل سری‌های زمانی به خطا می‌افتد؟

مدل‌های هوش مصنوعی برای پیش‌بینی سری‌های زمانی (مثل نوسانات بورس یا داده‌های سنسورها) هنوز با چالش‌های بزرگی در توضیح‌پذیری دست‌وپنج نرم می‌کنند.

در پژوهش جدیدی که به تازگی منتشر شده، محققان نشان داده‌اند که روش‌های فعلیِ تعیین «سهم ویژگی‌ها» (Attribution Methods) مانند SHAP، در درک روابط علت و معلولی در داده‌های زمانی دچار مشکل هستند. مشکل اصلی اینجاست که این مدل‌ها نمی‌توانند به درستی بین تأثیر مستقیم و تأثیر غیرمستقیم (که ناشی از خودهمبستگی داده‌هاست) تمایز قائل شوند.

این تحقیق مفهوم جدیدی به نام «DAG-faithfulness» را معرفی می‌کند تا مدل‌ها بتوانند ساختارهای علت و معلولی را دقیق‌تر درک کنند. این گامی مهم برای افزایش اعتماد به هوش مصنوعی در سیستم‌های حساس مالی و علمی است.

منبع: arXiv AI