Kiértékelési környezet kép alapú relációs következtető rendszerekhez
A képfeldolgozáson alapuló gépi tanulás egyre nagyobb teret hódít; az egészségügytől kezdve az önvezető járművekkel bezáróan számos területen előszeretettel alkalmazzák. Ezzel számos új lehetőség és kihívás tárul a mérnökök elé. Megjelentek továbbá Mesterséges Intelligencián (MI) alapuló komponensek biztonságkritikus rendszerekben (például önvezető járművekben) is, ahol a hibák életekbe kerülhetnek, ezért kiemelten fontos a tesztelés és a megbízhatóság elemzése.
Számos tesztelésre és teljesítménymérésre képes környezet létezik a képfeldolgozó MI-k képességeinek értékelésére, azonban gyakran kell szembesülünk azzal, hogy módszereik részrehajlók és képesek anélkül magas pontosságú eredményeket elérni, hogy teljesítenék a tényleges követelményét. Ebből kifolyólag olyan mérési eredménnyel szolgálnak, ami nem tükrözi az MI tényleges képességeit, gyengeségeit.
A probléma elkerülése érdekében szükség van tehát egy olyan kiértékelési környezetre, ami képes pártatlan teljesítménymérést végezni számos képfeldolgozó MI-n. Ezáltal olyan mérési környezetet javaslunk, amelyben összehasonlíthatóvá válnak különböző gépi tanulás modellek, és ezek ellenőrzési/tesztelési módszerei.
A beszámoló egy olyan újszerű módszert mutat be, ami bemeneti adatokat generál képfeldolgozó MI-k számára, amit ezek után fel lehet használni a különböző MI modelek és ellenőrzési technikák tesztelésre és tanítására. Az elkészült keretrendszer célja, hogy az MI-k képességeit több különböző statisztikai és diverzitás metrika szerint legyen képes mérni. Mintaillesztés felhasználásával képes tehát megfelelően sokrétű, releváns kérdéseket generálni és ellenőrizni a rájuk adott választ.
A fentebb említett környezet segítségével lehetőség nyílik arra, hogy számos MI teljesítményét mérjük, ezeket összehasonlítsuk, erősségeket és hiányosságaikat összegezzük.
szerző
-
Huszti Petra
Villamosmérnöki szak, alapképzés
alapképzés (BA/BSc)