Nieuw gereedschap helpt AI leren van onvolledige gegevens
Wetenschappers hebben een gratis softwarepakket gemaakt dat een echte wereldprobleem oplost: AI-systemen trainen met rommelige, onvolledige informatie—precies zoals gegevens in werkelijkheid zijn.
In theorie werkt kunstmatige intelligentie (AI) het best met volledige, perfecte datasets. Maar in de echte wereld zijn gegevens altijd rommelig. Informatie verdwijnt. Sensoren falen. Gegevensbestanden zijn incompleet. Dit gat tussen theorie en praktijk is een groot probleem voor bedrijven en onderzoekers die praktische AI-systemen willen bouwen.
Nu hebben onderzoekers **iMML** gepresenteerd: een gratis softwarepakket (iedereen kan de code bekijken en gebruiken) dat speciaal voor dit probleem is ontworpen. Het gereedschap helpt AI-systemen te leren en **multi-modale gegevens** te begrijpen—informatie die uit verschillende bronnen en in verschillende formats komt. Stel je een doktersdiagnose voor: je hebt bloedtesten, röntgenfoto's, patiëntengeschiedenis en symptomen. Elk daarvan is een ander soort informatie, en sommige stukken kunnen ontbreken.
Waarom is dit belangrijk? Omdat echte AI met de werkelijkheid moet kunnen omgaan, niet met een schone droom. Als een AI-systeem alleen met perfecte, volledige gegevens kan werken, is het nutteloos in ziekenhuizen, fabrieken of banken—plekken waar informatie altijd onvolledig is. Door AI flexibeler te maken voor ontbrekende gegevens, brengt dit nieuwe gereedschap machine learning dichter bij het oplossen van echte problemen die echte mensen raken.
Het onderzoek is gepubliceerd in *Nature*, een van 's werelds meest gerespecteerde wetenschappelijke tijdschriften. Dat duidt erop dat deze doorbraak serieus wordt genomen door wetenschappers.
Originele bron: Nature.com