Tiếp theoHướng dẫn tiếp theo
Xác suất của các mô hình mặc định
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Hiệu chuẩn xác suất
Hiệu chuẩn có nghĩa là xác suất đã nêu của mô hình phù hợp với thực tế: khi nó cho biết 70% thì sự kiện sẽ xảy ra trong khoảng 70% thời gian.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Điều này quan trọng vì sự tự tin chính xác thúc đẩy các quyết định đúng đắn trong y học, tài chính và AI nhạy cảm với rủi ro.
Lặn sâu
Một mô hình có thể chính xác nhưng được hiệu chỉnh kém. Mạng sâu hiện đại nổi tiếng là tự tin thái quá, đưa ra 99% dự đoán đúng ít thường xuyên hơn. Quá trình hiệu chuẩn sẽ kiểm tra điều này bằng cách phân nhóm các dự đoán theo độ tin cậy và kiểm tra tần suất quan sát được trong mỗi nhóm. Một biểu đồ độ tin cậy dự đoán so với thực tế; một mô hình được hiệu chỉnh hoàn hảo nằm trên đường chéo. Lỗi hiệu chuẩn dự kiến (ECE) tóm tắt khoảng cách dưới dạng trung bình có trọng số trên các thùng. Các bản sửa lỗi có hai loại: các phương pháp hậu hoc như chia tỷ lệ Platt (khớp một biến đổi logistic), chia tỷ lệ nhiệt độ (chia logit cho vô hướng T đã học) và hồi quy đẳng trương (phù hợp từng bước đơn điệu); và các phương pháp trong thời gian đào tạo như làm mịn nhãn hoặc ghi điểm thích hợp. Hiệu chuẩn và độ chính xác là những mục tiêu riêng biệt và việc cải thiện mục tiêu này không nhất thiết phải cải thiện mục tiêu kia.
Triển khai trong thế giới thực
Dịch vụ thời tiết đảm bảo rằng những ngày được dự báo có lượng mưa 30% thực tế sẽ có mưa khoảng 30% thời gian, mục tiêu hiệu chuẩn trong sách giáo khoa.
Mô hình vỡ nợ tín dụng được tính theo nhiệt độ nên rủi ro vỡ nợ 5% đã nêu thực sự tương ứng với tỷ lệ vỡ nợ lịch sử 5% đối với các khoản vay định giá.
Mạng lưới chẩn đoán y tế được hiệu chỉnh lại bằng phương pháp hồi quy đẳng trương để 'xác suất mắc bệnh cao' phản ánh tỷ lệ mắc bệnh thực sự trước khi bác sĩ lâm sàng hành động.
Ngăn xếp nhận thức tự lái sẽ hiệu chỉnh độ tin cậy của khả năng phát hiện đối tượng để mô-đun lập kế hoạch tin cậy một cách thích hợp 90% số điểm dành cho người đi bộ.
Tương lai của việc hiệu chuẩn xác suất
Khi AI bước vào các vòng lặp có mức độ rủi ro cao, việc hiệu chuẩn sẽ chuyển từ suy nghĩ lại sang yêu cầu. Công việc đang mở rộng theo hướng hiệu chỉnh độ tin cậy của mô hình ngôn ngữ lớn và độ không chắc chắn được diễn đạt bằng lời nói, hiệu chỉnh theo sự thay đổi phân phối và hiệu chỉnh theo nhóm để xác suất là công bằng giữa các nhóm dân cư. Mong đợi các số liệu hiệu chuẩn cùng với độ chính xác trong thẻ mô hình và kiểm tra theo quy định, cộng với sự tích hợp chặt chẽ hơn với dự đoán tuân thủ và dự đoán có chọn lọc để hệ thống có thể tránh được một cách đáng tin cậy khi độ tin cậy trung thực của chúng ở mức thấp.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chi phí và ngân sách. Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
- Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
- Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
coi chừng
- Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
- Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
- Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Các bước tiếp theo
- Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
- Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
- Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
- Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Probability Calibration quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
Hiệu chuẩn xác suất là gì?
Hiệu chuẩn có nghĩa là xác suất đã nêu của mô hình phù hợp với thực tế: khi nó cho biết 70% thì sự kiện sẽ xảy ra trong khoảng 70% thời gian. Điều này quan trọng vì sự tự tin chính xác thúc đẩy các quyết định đúng đắn trong y học, tài chính và AI nhạy cảm với rủi ro.
Việc chia tỷ lệ nhiệt độ có tác dụng gì đối với đầu ra của mạng thần kinh?
Thang đo nhiệt độ chia các log cho một T đã học duy nhất và áp dụng lại các xác suất softmax, làm mềm hoặc làm sắc nét mà không thay đổi argmax.
Biểu đồ độ tin cậy có ý nghĩa gì?
Biểu đồ độ tin cậy so sánh độ tin cậy được dự đoán với tần suất kết quả thực tế; đường chéo thể hiện sự hiệu chuẩn hoàn hảo.
Tại sao một mô hình có độ chính xác cao vẫn cần hiệu chuẩn?
Một mô hình có thể xếp hạng tốt các dự đoán (độ chính xác cao) nhưng vẫn gán các giá trị xác suất không khớp, do đó việc hiệu chuẩn phải được kiểm tra riêng.
On which data is temperature scaling typically fit in the guide’s calibration workflow?
The guide says the single temperature is fit on validation data to minimize negative log-likelihood.
Why can temperature scaling improve calibration without changing top-1 accuracy?
A positive temperature rescales logits before softmax, adjusting confidence while preserving the argmax class.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này