Menu
Nakon što je u srpnju prošle godine predao zahtjev za patent za inovirane tehnike dubokog učenja za predviđanje ponašanja iz strukturiranih podataka kakvi se najčešće koriste u poslovnom svijetu, hrvatski AI startup airt ovaj put osmislio je kako uvesti objašnjivost (explainability) u neuronske mreže i predao novi zahtjev za globalnu zaštitu.
Ovaj je patent inicijalno je prijavljen u USPTO (The US Patent and Trademark Office), a zatim i EU, a planiraju inovirati i dalje. airt gradi platformu za izradu prediktivnih modela na strukturiranim podacima kakvi, primjerice, postoje u bankama ili kod pružatelja komunikacijskih usluga, i za obradu tih podataka interno su razvili vlastite tehnike dubokog učenja inspirirane metodologijama koja se koriste u obradi jezika (NLP/Natural Language Processing). Iskustvo rada na konkretnim problemima iz financijskog sektora upotrijebili su kako bi izgradili potpuno automatiziranu platformu za pripremu transakcijskih podataka te automatiziranu izgradnju modela za konkretne poslovne probleme.
Međutim, jedan od poznatih problema dubokog učenja jest da ono radi na principu tzv. crne kutije, odnosno, ne zna se kako točno algoritmi dolaze do zaključaka i preporuka na temelju kojih se posljedično donose poslovne odluke. Drugim riječima, iako se zna koji parametri te kako bi ponašanje tih parametara (rast ili pad) trebalo utjecati na krajnji rezultat, u modelima dubokog učenja nema garancije da će se to zaista tako i dogoditi.
“Ako su svi ostali parametri jednaki, veća kuća bi, primjerice, trebala imati veću vrijednost od manje ili bi banka klijentu ili klijentici s većim primanjima trebala odobriti veći kredit. No, danas ne postoje adekvatna rješenja koja osiguravaju da se modeli dubokog učenja pridržavaju tih svojstava tako da možemo garantirati da su odluke temeljene na tim modelima legitimne i da se možemo slijepo osloniti na njih, dapače. Iz tog razloga, iako su tehnike dubokog učenja po rezultatima superiorne mnogim drugim tehnikama, mnogi biznisi ih nisu spremni upotrijebiti i upogoniti jer ne mogu objasniti što je točno utjecalo na krajnji rezultat i zašto je moguće da rezultat bude drukčiji za dvije osobe potpuno istog profila”, rekla je Hajdi Ćenan iz airt-a.
U airtu su pronašli način kako unijeti objašnjivost u duboko učenje i osigurati konzistentnost rezultata bez gubitka efikasnosti i točnosti koje donosi korištenje neuronskih mreža.
“Intenzivno se bavimo istraživanjem i razvijamo vlastite pristupe i tehnike, uključujući i ovu, jer sve više tvrtki, osim točnosti modela, traži objašnjivost dubokog učenja. Uspjeli smo na jednostavan način riješiti problem koji u literaturi postoji već 30 godina, a koji osigurava monotonost modela dubokog učenja (kada, ovisno o ulaznom parametru, funkcija može ili samo rasti ili samo padati). Trenutna rješenja koja to pokušavaju osigurati izuzetno su kompleksna te zbog toga neefikasna; trenutna industrijska praksa upotreba je dubokih lattice mreža koje je razvio Google. Kada ih usporedimo s našim rješenjem, na standardnim testovima dobivamo veću točnost s barem 10 puta manje parametara, što izuzetno utječe i na ukupno korištenje računalnih resursa potrebnih za treniranje modela. Naš fokus na poslovne podatke rezultirao je nizom uvida i inovacija koje nisu primjenjive u do sada najrazvijenijim domenama dubokog učenja - vizualnim i jezičnim - ali su se pokazali ključnima u poslovnim primjenama. Poslovni modeli bitno su različiti od vizualnih i jezičnih, prije svega zbog dinamike kojom se mijenja situacija na tržištu, a manje zbog razlike između strukturiranih i nestrukturiranih podataka. Sve naše inovacije uzimaju vrijeme kao dimenziju podataka koja zahtijeva posebnu brigu i specijalizirana rješenja i to se pokazalo kao vrlo plodna linija istraživanja i razvoja”, kazao je Davor Runje.
