Mathworks “Superar las brechas de inteligencia artificial con aprendizaje automático automático y aprendizaje automático interpretable”

La inteligencia artificial (IA) se está aplicando rápidamente en todos los sectores. Sin embargo, todavía existen barreras para adoptar la IA.

Una dificultad típica es la contratación de expertos en IA calificados para crear modelos de IA. De hecho, para construir un modelo de IA, se necesita un alto conocimiento matemático para interpretar algoritmos y administrar con precisión cantidades masivas de datos.

Además, la mayoría de las enfermeras registradas no divulgan el proceso para obtener resultados. Esto significa que cuando ocurre un error, es difícil encontrar la causa y corregirla. Por esta razón, los campos financiero y médico están prestando atención a la introducción de la IA.

Para abordar este problema, el director adjunto de MathWorks Korea, Jang Gyu-hwan, presentó el aprendizaje automático automatizado (Machine ML) y el ML interpretable mediante MATLAB.

El subdirector Jang Gyu-hwan explicó cómo implementar “ML automático y ML interpretable” durante el seminario web MATLAB Machine Learning Day 2021, que se llevó a cabo recientemente en línea.

■ AutoML, desarrollo de modelos de aprendizaje automático incluso para no expertos

AutoML es un proceso de desarrollo de modelos de aprendizaje automático totalmente automatizado.

Al eliminar el paso de la experimentación repetida para seleccionar la técnica de modelado óptima, como la selección del algoritmo más adecuado para el análisis de datos, se apoya la optimización inmediata y la distribución del modelo por adelantado, simplemente procesando los datos.

Optimizado para la implementación de Auto ML, MATLAB minimiza los recursos desperdiciados en el proceso de desarrollo al automatizar las tres etapas de ingeniería de características, modelado y configuración de hiperparámetros durante el proceso de desarrollo.

La ingeniería de características proporciona un entorno que admite fácilmente varias técnicas de ingeniería de características, como la transformación de ondículas, la selección de características, incluida la transformada rápida de Fourier, o la extracción de características.

El modelado permite a los usuarios seleccionar automáticamente un modelo de alto rendimiento adecuado para sus datos a partir de una variedad de técnicas de modelado de aprendizaje automático con un solo comando.

“AutoML puede automatizar muchos pasos de flujo de trabajo difíciles y que requieren mucho tiempo”, dijo el subdirector Jang Gyu-hwan. .

El ajuste de hiperparámetros admite el desarrollo de modelos de alto rendimiento optimizando y aplicando automáticamente valores de hiperparámetros a varios modelos en el entorno MATLAB. En comparación con el proceso de optimización de hiperparámetros manual, tiene la ventaja de eliminar el tiempo perdido y garantizar la optimización del rendimiento.

Como resultado de las pruebas internas de Mathworks, el rendimiento de los modelos de detección de comportamiento humano y detección de anomalías cardíacas desarrollados con MATLAB Auto ML superó el rendimiento de los dos modelos desarrollados manualmente.

Además, MathWorks admite el aprendizaje aumentado, que admite la capacitación sobre una cantidad actualizada de datos y la actualización del modelo desde R2020b.

■ Elimine el fenómeno de la caja negra con ML explicable

Actualmente, la IA adolece de un problema de baja fiabilidad de los resultados debido al fenómeno de la caja negra que no puede explicar el proceso de derivación de resultados. Estos problemas también conducen a problemas de equidad y prejuicios éticos.

El ML explicable es una técnica propuesta para resolver el problema de confiabilidad de los modelos de IA de caja negra. Admite un método de explicación basado en algoritmos para un modelo específico y un método de explicación en un rango de datos específico y datos completos para un modelo universal.

MathWorks ayuda a explicar el proceso de toma de decisiones del modelo determinando el conjunto de características que desempeñan un papel importante en el resultado del modelo al admitir varios algoritmos, como la selección de pasos y el valor de Shapley.

La selección de características respalda el desarrollo de modelos explicativos a pequeña escala y de alto rendimiento al extraer solo las características clave que influyen en el modelo.

Usando la técnica de verificación del proceso de clasificación de capa granular, es posible encontrar características que tienen una influencia significativa en la toma de decisiones del modelo y describir en detalle el proceso de decisión de clasificación del modelo.

En general, cuanto mayor es el poder predictivo, menor es la explicabilidad, y cuanto menor es el poder predictivo, mayor es la explicabilidad. Incluso en el caso de un modelo con alto poder predictivo con baja explicabilidad, es posible implementar explicabilidad y mejorar el rendimiento para un rango de datos específico.

El valor de Shapley es un método de aplicar la teoría de juegos para determinar los factores que afectaron los resultados experimentales por importancia.

Cuando se aplica el valor de Shapley, los elementos basados ​​en su importancia se muestran en un gráfico, para que pueda ver de un vistazo qué datos han afectado a la IA.

Artículos relacionados

La teoría de juegos es una teoría analítica que asigna los beneficios creados por la colaboración entre jugadores de acuerdo con la contribución de cada jugador.

El subdirector general Jang Gyu-hwan dijo: “MatLab analiza las imágenes con un ML interpretable, para que pueda comprobar dónde hay un error. “