Фото: depositphotos
Математики визначили клас задач, у яких алгоритми штучного інтелекту не можуть передбачати розвиток подій точніше, ніж випадкове вгадування. Результати дослідження опублікованов журналі Nature Communications.
Йдеться про так звані динамічні системи — процеси, що постійно змінюються в часі, зокрема кліматичні явища, потоки рідин або фізичні коливання. Дослідники встановили, що для деяких із них точність прогнозів обмежується не якістю чи кількістю даних для навчання, а властивостями самої системи.
За словами авторів, навіть універсальні алгоритми машинного навчання не можуть гарантовано навчитися точно прогнозувати поведінку таких систем. Для ймовірнісних моделей максимальна точність у низці випадків не перевищує 50%, що відповідає випадковому вибору.
Водночас науковці запропонували метод, який дає змогу не лише будувати прогноз, а й оцінювати можливу похибку. Його протестували на моделях із періодичними коливаннями, хаотичними потоками рідин і прогнозуванні змін арктичного морського льоду.
Під час аналізу даних за 1979–2021 роки новий алгоритм виявив приховані закономірності танення льоду та точніше прогнозував межу морського льоду на кілька місяців уперед, ніж наявні підходи. Крім того, модель навчалася на звичайному ноутбуці, тоді як для роботи порівнюваної системи глибинного навчання знадобилося понад добу обчислень на графічному процесорі.
До слова, вчені запропонувалиновий спосіб розрахунку індексу маси тіла: замість квадрата зросту — куб.
Стрілець Діана - pravdatutnews.com
