Cambridge · Ciencia · Global · IA
Cambridge identifica límites matemáticos del aprendizaje de sistemas dinámicos
El estudio clasifica problemas en los que añadir datos no basta para obtener predicciones fiables.
Fecha de la fuente original:
Lo esencial
- Comunicación del 14 de julio de un estudio de sistemas dinámicos; se evita generalizar sus teoremas a toda IA.
Fronteras de la predicción dinámica
Investigadores de Cambridge y UC Santa Barbara diseñaron sistemas matemáticos adversarios para estudiar cuándo falla el aprendizaje de operadores de Koopman. El trabajo distingue problemas resolubles de otros en los que un algoritmo no puede determinar si dispone de datos suficientes o separar patrones relevantes.
Un algoritmo con límites de error
El equipo también propone un algoritmo con límites de error y lo prueba sobre más de 40 años de datos de hielo ártico. Los resultados publicados en Nature Communications se refieren a esos sistemas y supuestos matemáticos; su conexión con fallos de chatbots aparece como una posible explicación, no como una prueba directa sobre ellos.