kvantifikace nejistoty | AI slovník

Odborná definice

Uncertainty quantification je systematický proces identifikace zdrojů nejistoty, jejich matematického opisu, propagace přes model a vyjadrení v konečnom výsledku. Zahrnuje nejistotu vstupních měření, parametrů, modelové struktury, numerického výpočtu i budoucích podmínek. Výstupem mohou být rozdělení, intervaly, citlivostné analýzy nebo scénáře. V AI se UQ nevzťahuje pouze na jedno confidence score, ale na celý řetězec od sběru dat po rozhodnutí a jeho validované riziko. Korelace mezi vstupnými zdroji se nesmějí ignorovat, lebo nezávislé vzorkování může vytvořit nereálne scénáře.

Srozumitelné vysvětlení

Pokud model predpovedá životnost súčiastky, nejistotu nevytváří pouze neuronová síť. Měření mají toleranci, materiál se liší mezi dávkami, provozní zaťažení není zcela známé a samotný model zjednodušuje fyziku. Kvantifikace nejistoty tyto zdroje pomenuje, přiřadí im rozdělení nebo hranice a sleduje, jak se premietnu do výsledku. Rozhodovatel potom nevidí pouze nejlepší odhad, ale i rozsah a faktory, které ho nejvíce rozširují. Výsledná správa má vysvetlit, či interval popisuje variabilitu sveta, nejistotu modelu nebo kombinaci více mechanizmů.

Časté otázky

Jak se UQ liší od uncertainty estimation?

Odhad nejistoty může být jedna modelová metoda. UQ je širší proces zahrňajúci zdroje nejistoty, jejich propagaci, citlivost, validaci a komunikaci rozhodovatelovi.

Co znamená propagace nejistoty?

Vstupní veličiny se považují za náhodné nebo intervalové a zkoumá se, jako jejich variabilita mění výstup. Používá se Monte Carlo, analytické aproximace nebo surrogate model.

Proč je důležitá citlivostná analýza?

Určuje, které vstupy nebo předpoklady nejvíce přispívají k variabilite výsledku. Tím pomáhá rozhodnout, kde zlepšit měření, sběr dat nebo model.

Může být interval úzký a navzdory tomu nesprávný?

Ano. Pokud model vynechá důležitý zdroj nejistoty nebo používá chybnou distribuci, vytvoří presvedčivo úzký, ale nedostatočne pokrývajúci interval.

Jak se UQ dokumentuje?

Uvádějí se zdroje nejistoty, předpoklady, distribuce, korelace, metoda propagace, validační pokrytí, citlivosti a hranice použití výsledku.

Související pojmy

Zdroje a redakční stopa

NIST, Uncertainty Prediction for Machine Learning Models of Material Properties
NIST Machine Learning Uncertainty Estimation Toolbox

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.