URN_NBN_SI_DOC-RKSH48DC

Tveganja in možnosti kontrol pri rešitvah umetne inteligence 79 3.3.6. P RENATRENIRANOST MODELOV V želji po čim boljših rezultatih se manj izkušeni razvijalci hitro ujamejo v past prekomernega prilagajanja (angl. overfitting) napovednih modelov. Po načelu Ockhamove britv e 1 so splošnejši modeli znanja primernejši od zelo specializiranih, saj praviloma z njimi dosegamo boljše rezultate na novih, nepoznanih primerih, ki jih bomo dejansko morali reševati v realnem, produkcijskem okolju. Ker imamo v laboratorijskem okolju na voljo le znane podatke, s pretiranim prilagajanjem dobimo modele, ki so izredno dobri zgolj na teh podatkih in praviloma bistveno slabši kasneje na realnih. 3.3.7. M ERJENJE KAKOVOSTI MODELOV Ključnega pomena pri zagotavljanju kakovosti razvitih napovednih modelov in na njih temelječih inteligentnih rešitev je ustrezen postopek njihovega vrednotenja. Pri vrednotenju modelov znanja je treba izbrati primerno metodo ocenjevanja (določa postopek merjenja) in ustrezen nabor cenitvenih metrik oz. meril kakovosti (določajo, katere lastnosti modelov znanja merimo). Z izbiro cenitvenih metrik določimo, kaj si od modela znanja želimo, medtem ko nam ustrezno izbrana in uporabljena metoda ocenjevanja zagotavlja preverljivost in ponovljivost postopka ter verodostojnost rezultatov. 4. MOŽNOSTI KONTROL PRI REŠITVAH UMETNE INTELIGENCE S prodorom umetne inteligence in tehnik strojnega učenja v praktično vse veje gospodarstva, še posebej pa na področje informacijskih tehnologij, se vedno pogosteje zastavlja vprašanje o zagotavljanju kakovosti takšnih rešitev. V nasprotju z na primer programskim inženirstvom, kjer so procesi integracije in testiranja programske kode ter programske metrike že dodobra opredeljeni in uveljavljeni, pri razvoju napovednih modelov trenutno še ni dobro opredeljenih okvirov oz. strategij, kako jih pravilno in učinkovito integrirati, testirati in zagotavljati kakovost [5] . Sprejeti in uveljavljeni procesi testiranja in zagotavljanja kakovosti napovednih modelov so nujni za njihovo množično integracijo v obstoječe ali celo kritične dele IS-jev, saj lahko le na tak način zagotovimo ustrezno možnost njihove kontrole [6] . 1 Princip Ockhamove britve je raziskovalno načelo, ki določa, da pri oblikovanju nekega modela privzamemo čim manj predpostavk ter pojav pojasnimo s kar najmanjšim številom elementov. Poenostavljeno povedano – preprostejši model, ki da (primerljivo) enake rezultate kot kompleksnejši, je zmeraj bolj smiselno uporabiti.