Explicó la inteligencia artificial (XAI) una rama de IA que ayuda a los usuarios a hervir dentro de la caja negra de los modelos de IA para que se genere su salida y se puedan confiar en sus predicciones. Recientemente, Jai se ha ganado una reputación en las tareas de visión por computadora en reconocimiento de la imagen, donde es importante comprender las decisiones del modelo. Según su éxito, ahora se está expandiendo gradualmente en diferentes campos donde la confianza y la transparencia, incluida la atención médica, el transporte y el dinero, son particularmente importantes.
Investigadores del Laboratorio de Ingeniería y Energía Renovable de EPFL (cable) han creado Jai con los modelos de IA Black-Box utilizados en su caso. Presente en un estudio FuerzaDescubrieron que JAI podría mejorar la explicación de la predicción de la potencia del aire con la cadena de las decisiones tomadas por un modelo de caja negra y puede ayudar a identificar qué variables deben usarse en la entrada de un modelo.
“Los operadores de la red necesitan un pronóstico diario confiable para la producción de energía del aire con sus brechas cortas, antes de que los operadores de la red integren efectivamente la energía del aire”, dijo el profesor Fernando Port-Agel, la cabeza del cable. “Los pronósticos incorrectos significan que los operadores de la red a menudo necesitan compensar en el último minuto utilizando energía más costosa a base de combustibles fósiles”.
Profecía más creíble y confiable
Los modelos utilizados para predecir la potencia de salida del aire se basan en la dinámica líquida, el modelado meteorológico y los métodos estadísticos, pero todavía tienen márgenes de error no ignorados. Las variables del modelo meteorológico de IA y las salidas de energía de la turbina eólica han permitido a los ingenieros mejorar la predicación de la potencia del aire mediante el uso de datos amplios para detectar patrones. La mayoría de los modelos de IA, por supuesto, actúan como “caja negra”, desafiando a comprender cómo alcanzan ciertas predicciones. JAI aborda este problema al proporcionar transparencia en los procesos de modelado dirigidos hacia el pronóstico, lo que hace predicciones más creíbles y confiables.
La variable más importante
Para administrar su estudio, el equipo de investigación ha entrenado una red neuronal seleccionando variables de entrada de un modelo meteorológico con un impacto significativo en la producción de energía del aire, como direcciones del aire, velocidad y temperatura del viento, así como en Suiza y granjas aéreas globales. “Hemos creado cuatro estrategias XAI y hemos creado métricas para determinar si los datos de una técnica son confiables”, Welong Liao dice un postdoch en la investigación y un cable.
En el aprendizaje automático, las métricas son ingenieros que usan para evaluar el rendimiento del modelo. Por ejemplo, las métricas pueden mostrar si la relación entre las dos variables o la relación entre las dos variables. Están hechos para aplicaciones específicas, diagnóstico de una condición de tratamiento, miden la cantidad de horas perdidas en el tráfico del tráfico o calculan la evaluación de comercialización de cualquier organización. “En nuestra investigación, hemos definido diferentes métricas para evaluar la credibilidad de las técnicas XAI. Además, las técnicas XAI creíbles pueden determinar qué variables deben crearse en nuestros modelos para generar pronósticos confiables”, dijo Lia también. “Incluso vimos que podríamos dejar algunas variables sin hacer nada menos de nuestros modelos” “
Más competitivo
Según Gyang Fang: un científico de EPFL y coautores de la investigación, estas búsquedas pueden ayudar a que el poder aéreo sea más competitivo. “Los operadores del sistema de energía no se sentirán muy cómodos para confiar en la energía del aire si no entienden los procesos internos en función de sus modelos predichos”, dijo. “Sin embargo, los modelos se pueden diagnosticar y actualizar con el enfoque basado en XAI, por lo que la fuerza del aire diario genera un pronóstico más confiable para el levantamiento”.