面对不确定性新的人工智能方法可提供更大的确定性
一项即将在AAAI上发表的，涉及拉德布德大学，奥斯丁大学，美国大学的研究人员的新研究表明，一种新的不确定性推理方法可以帮助人工智能更快地找到更安全的选择，例如在自动驾驶汽车中。加利福尼亚，伯克利和艾恩德霍芬科技大学。
研究人员定义了一种新的方法来处理所谓的“不确定的，部分可观察的马尔可夫决策过程”或uPOMDP。用外行的话来说，这些是估算事件发生可能性的现实世界模型，例如自动驾驶汽车，会面临很多未知的情况下，它开始行驶时，为了验证人工智能自动驾驶汽车的，广泛的计算运行分析AI会如何处理各种情况。研究人员认为，他们的新方法，这些模拟练习，可以成为远更现实，从而使AI更快地做出更好，更安全的决策。
使理论成为现实
POMDP已经用于模拟和建模许多情况。它们可以帮助预测流行病的蔓延，计算飞机和航天器如何避免碰撞，甚至可以用来调查和保护濒危物种。“我们知道这些模型非常擅长真实地捕捉现实世界。但是，使用它们需要大量的处理能力，这意味着它们在实际应用中的使用通常仍然受到限制，”其中一位Nils Jansen说。主要作者。“这种新方法使我们能够获取所有计算结果和理论信息，并在更加一致，常规的基础上在现实世界中使用它。”
自动驾驶汽车
团队的突破是通过将现实世界的不确定性明确纳入模型来实现的。詹森：“例如，当前的模型可能只是告诉您，无人驾驶汽车中的驱动器有80%的可能性是完全安全的。目前尚不清楚另外20%的情况将发生什么，以及可能发生的风险类型用这种新方法，系统可以对可能出了什么问题进行更详细的解释，并在进行计算时将这些因素考虑在内。对于用户而言，这意味着他们拥有更具体的示例找出可能出问题的地方，并进行更好，更充分的调整以避免这些特定的风险。”
以前，其他研究人员已经考虑过研究人员对这些uPOMPDPs采取的方法，但仅在特定的有限情况和思想实验中才考虑。詹森解释说：“但是，我们第一次能够将这些先前的理论思想实验变成一种实用和现实的方法。” “这被认为是一个独特而困难的问题，但是由于采用了跨学科的方法，我们得以取得真正的突破。
标签：