controllo degli errori dei modelli di intelligenza artificiale eXplainable.

Abstract

Astratto I soggetti osservati in questa tesi stanno controllando gli errori nell'eXplainable AI (XAI) e nell'intelligenza artificiale affidabile. Si concentra sulla necessità di costruire sistemi di intelligenza artificiale stabili e intelligibili. Una questione importante che si cerca di risolvere in questa tesi è come modificare e ottimizzare le soglie negli algoritmi di intelligenza artificiale per controllare adeguatamente gli errori. La tesi osserva gli algoritmi genetici (GA), uno degli algoritmi euristici, per confrontare approcci automatizzati alla correzione e all'ottimizzazione delle soglie con altre tecniche come la grid search, che è più precisa e veloce della grid search. L'approccio basato su GA migliora la procedura di impostazione della soglia e la sua ottimizzazione. I risultati mostrano che il metodo basato su GA aumenta il controllo degli errori e riduce i tempi di ottimizzazione. Questo documento si concentra su come l'ottimizzazione GA come approccio di ottimizzazione potrebbe migliorare l'affidabilità del modello AI. Infine, utilizzando GA per l’aggiustamento della soglia, questa tesi suggerisce un approccio adeguato per migliorare le prestazioni del sistema AI. In questa osservazione, l’algoritmo genetico viene applicato a situazioni pratiche, quindi il plotone sarà l’obiettivo principale della tesi.

Abstract Observed subjects in this thesis are controlling errors in eXplainable AI (XAI) and reliable artificial intelligence. It focuses on the need to build stable and intelligible AI systems. One important issue trying to be resolved in this thesis is how to change and optimize thresholds in artificial intelligence algorithms to properly control errors. The thesis observes genetic algorithms (GA), one of the heuristic algorithms, to compare automated approaches to the correction and optimization of thresholds with other techniques such as grid search, which is more precise and quicker than grid search. The GA-based approach enhances the threshold setting procedure and its optimization. Results show that the GA-based method increases error control and lowers tuning time. This paper is focused on how GA optimization as an optimization approach could improve AI model dependability. Finally, by using GA for threshold adjustment, this thesis suggests a suitable approach to improving AI system performance. In this observation, the genetic algorithm is applied to practical situations, so platooning will be the main focus of the thesis.