Standardmäßige neuronale Netze geben einzelne Punktschätzungen aus, wie einen Hauspreis von 385.000 $, was die zugrunde liegende Unsicherheit verbirgt. Dies schränkt die Entscheidungsfindung ein, da Metriken wie MAE nur den durchschnittlichen Fehler über Datensätze hinweg widerspiegeln, nicht die Zuversicht in einzelne Vorhersagen. Bayessche Neuronale Netze (BNN) lösen dieses Problem, indem sie einen Bereich plausibler Werte schätzen und die Modellzuversicht quantifizieren.

Anstatt zu fragen 'Was ist der vorhergesagte Wert?', antworten BNNs: 'Was ist der Bereich plausibler Werte und wie sicher sind wir?' Dieser Wandel ermöglicht bessere risikobewusste Entscheidungen in Anwendungen wie der automatisierten Bewertung. Die Implementierung von BNNs umfasst die Parametrisierung von Gewichtsverteilungen und die Verwendung variationsbasierter Inferenz, da eine exakte bayessche Berechnung für Netze mit Tausenden von Parametern nicht durchführbar ist. Der Artikel verwendet den California Housing-Datensatz und Python-Notebooks, um wichtige Engineering-Entscheidungen wie die Auswahl der Priorverteilungen und Inferenzmethoden zu veranschaulichen.

Jedes Notebook hebt eine Designentscheidung hervor und betont, dass Produktionssysteme mehrere Strategien kombinieren sollten. Ein zentrales diskutiertes Konzept ist die Unsicherheitsquantifizierung, die zwischen epistemischer Unsicherheit (Modellunwissenheit aufgrund ungesehener Daten) und aleatorischer Unsicherheit (inhärentes Datenrauschen) unterscheidet. Obwohl philosophisch getrennt, zeigen Forschungen, dass diese Unsicherheiten in der Praxis oft mathematisch miteinander verflochten sind, was eine saubere Trennung erschwert.

Der Artikel betont, dass das Verständnis dieser Kompromisse wesentlich ist, um vertrauenswürdige KI-Systeme zu entwickeln, die wissen, wann sie ihren Vorhersagen vertrauen oder sie anzweifeln sollten.