Университет МИСИС представил математический метод, позволяющий заранее определить, насколько успешно искусственный интеллект перенесёт знания с одной задачи на другую.
Сегодня модели машинного обучения редко создают с нуля. Обычно схема выглядит так: система осваивает одну задачу, а затем использует накопленный опыт для решения другой. Это экономит время и снижает потребность в больших объёмах данных. Но предсказать, сохранится ли точность модели после такого перехода, почти невозможно.
Исследователь НИТУ МИСИС разработал теорему, которая описывает условия корректного переноса знаний между моделями. Традиционные подходы опираются в основном на эксперименты, тогда как новый метод даёт формальное математическое доказательство надёжности переноса.
В основе работы — аппарат математической логики, применяемый для проверки сложных компьютерных систем. Учёный адаптировал его под задачи ИИ, связав перенос знаний с логикой Хоара — одним из самых известных инструментов формальной верификации программ. Это позволяет не только тестировать модель опытным путём, но и доказывать, при каких условиях она сохранит свои свойства после обучения на новых данных.
«Предложенный математический аппарат может стать основой для создания более надёжных систем ИИ, особенно в тех сферах, где ошибки недопустимы. Например, в медицине, промышленности, робототехнике и беспилотном транспорте. В дальнейшем метод может использоваться для проверки алгоритмов ещё до их внедрения в реальные системы, что позволит сделать технологии искусственного интеллекта более предсказуемыми и безопасными», — сказал Никита Никитин, сотрудник Института новых материалов НИТУ МИСИС.
Результаты исследования опубликованы в журнале Scientific Reports (Q1). Работа выполнена при поддержке гранта Российского научного фонда (проект №23-73-00131).
Загрузка...
