2026ko irailak 17
Bilbao
Gero eta automatizatuago dagoen mundu honetan, adimen artifizialak (AA) erabaki kritikoak hartzen ditu zibersegurtasun, medikuntza edo gidatze autonomoa bezalako gaietan. Hala ere, egungo tresna gehien-gehienek egiturazko ahultasun bat dute: ingurune itxietan jarduteko diseinatuta daude, hau da, aurrez ikusi daitezkeen egoeretan, non interakzioan arituko diren datu kategoria guztiak jada jasota zeuden entrenamenduan.
Zer gertatzen da sistema horietako batek mundu errealean objektu ezezagun batekin topo egiten duenean? Ezagutzen ez duen zerbait, eta horretarako entrenatu ez duten egoera batean dagoenean zer egiten du? Bere ezjakintasuna aitortu beharrean, AAk datu ezezaguna jada ezagutzen duen kategorietako bati esleitu eta akatsa egiteko joera du; konfiantza maila handia erakutsiz egiten du, gainera. Adibidez, txakurrak eta katuak ezagutzeko bakarrik entrenatu badute eta lehoi bat agertzen bazaio, txakur edo katu gisa sailkatuko du. Marcos Barcinaren "Open-World Machine Learning and the Management of the Unknown: A Review and New Perspectives" izeneko doktorego tesiak erronka horri egiten dio aurre.
Ikerketak oinarri kontzeptual eta metodologikoak ezartzen ditu AAri ezezaguna kudeatzeko gaitasuna emateko, ‘Managing the Unknown in Machine Learning '(MUML) izeneko esparru kontzeptual baten bidez, zeinak oinarri bat ezartzen baitu AAko sistemek ezagutzen ez dutena hauteman eta ingurune aldakorretara egokitu ahal izateko.
Ingurune irekietan gehiegizko konfiantza izateko arriskua
Orain arte, sailkapen-programa batek ingurune ireki bati aurre egin behar dionean eta inoiz izan gabeko informazio bat iristen zaionean, programak oker interpretatzen du, bere aurretiazko ezagutzaren oinarrikoa balitz bezala.
Fenomeno hori larriagotu egiten da informazioa bloke estatikoetan aztertzen ez denean, denbora errealeko datu-fluxu jarraituetan baizik (‘streaming 'bidez). Egoera dinamiko horietan, inguruneko arauak etengabe alda daitezke, eta sailkapen okerra egiteko arriskua areagotu egiten da.
Muga hori konpontzeko, tesiaren lehen ekarpen teknikoak denbora errealean lan egiteko esparru hibridoa garatzen du. Algoritmo horrek zorrotz mugatzen du datu ezagunek betetzen duten espazioa, taldekatze teknikak (clustering) erabiliz, eta entropian oinarritutako neurri matematiko bat (ziurgabetasun maila) erabiliz. Mekanismo horri esker, sistemak bere ziurtasun eremuetatik kanpo dagoen informazioa prozesatzen duenean, ez da itsu-itsuan asmatzen saiatzen, “klase ezezagun” gisa markatzen du berehala, eta, horrela, gehiegizko konfiantzagatik sortutako sailkapen okerrak murriztu egiten ditu.
Akats puntual bat, berrikuntza bat eta joera bat bereizten jakitea
Barcinaren tesiak, gainera, zuzeneko datuen analisian ohikoa den dilema bat ikertzen du: anomalia mota desberdinen arteko nahasmena. Praktikan, AA batek datu arraro bat hautematen duenean, arrazoia ez da beti bera izaten. Sentsore batean ausazko errore soil bat izan daiteke, ikastea komeni den kategoria erabat berri baten agerpena, edo ingurunean izandako aldaketen ondorioz sortutako datuen deriba progresibo bat.
Metodo tradizionalek fenomeno horiek elkarrekin nahasten dituzte, baina tesi honetan, ikertzaileak grafo malguen egituretan oinarritutako sistema bat diseinatu du, datuen tokiko topologia aztertzen duena. Tresna horrek AAri aukera ematen dio hiru fenomeno anomaloren artean bereizteko:
-Balio atipikoak (outliers), hau da, behaketa isolatuak edo ohiko portaeratik urrun daudenak, sistemak alde batera utzi behar dituenak ikaskuntza ez kutsatzeko.
-Mota ezezagun berriak, hau da, sistemak pixkanaka ikasteko isolatu eta ezaugarritu behar dituen kategoria berri baina koherenteak.
-Ezaugarrien deriba (Feature Drift) edo aldaketa mailakatu edo iraunkorretatik eratorria, ingurunearen baldintzen bilakaera baten ondorioz sistemak jasotzen dituenak eta ereduak birmoldatu behar dituenak.
Bere mugez gehiago jabetzen den AA baterantz
Ikerketan aurkeztutako esperimentu enpirikoek, datu sintetikoen eta benetako probako kasu konplexuen hamarnaka multzoren gainean egindakoek, algoritmo berri horien abantailak erakutsi dituzte algoritmo konbentzionalen aldean. Garatutako metodoek asmatze-tasa hobeak lortzen dituzte, eta ezusteko egoeretan nahasmena nabarmen murrizten dute.
Arlo praktikoan, doktorego tesi honen ekarpenek AA soluzio fidagarriagoak garatzen laguntzen dute, mundu errealean egoera berriak eta aldakorrak kudeatzeko gai direnak. Berrikuntza bat sortzen den bakoitzean softwarea itzali eta zerotik eskuz berrentrenatu beharra murrizten denez, teknologia autonomo, sendo eta, batez ere, ezagutzen ez duten zerbaiten aurrean noiz dauden jakiteko gai diren teknologien belaunaldi berri baterantz egiten da aurrera.
