उत्पादन में अधिकांश एआई सिस्टम उत्तर देने के लिए अनुकूलित होते हैं, न कि यह मापने के लिए कि वह उत्तर कितना अनिश्चित है। 8 प्रतिशत का वृद्धि पूर्वानुमान सटीक दिखता है, भले ही यथार्थवादी परिणाम गिरावट से लेकर बहुत बड़ी वृद्धि तक हो सकते हैं। एक उच्च-जोखिम ग्राहक मनमाने ढंग से निर्धारित सीमा से थोड़ा ऊपर हो सकता है। जैसे ही कोई भविष्यवाणी स्वचालित कार्रवाई को ट्रिगर करती है, छिपी हुई अनिश्चितता परिचालन जोखिम बन जाती है।
बेयसियन विधियाँ एकल अनुमानित मानों के बजाय प्रायिकता वितरण के माध्यम से अनिश्चितता को मैप करती हैं। सिस्टम को अनिश्चितता का उपयोग यह तय करने के लिए करना चाहिए कि वह कब अकेले कार्य कर सकता है, कब उसे जांच की आवश्यकता है, और कब उसे परहेज़ करना चाहिए। स्वचालन अनिश्चितता की लागत को बदल देता है। एक एआई सिस्टम हजारों मामलों का मूल्यांकन कर सकता है और सेकंडों में कार्य कर सकता है। यदि वह आत्मविश्वास के साथ गलत है, तो वह त्रुटियों को गुणा कर देता है।
एक बेयसियन मॉडल पूर्व धारणा (prior) को अवलोकित डेटा के साथ जोड़कर पश्च वितरण (posterior distribution) उत्पन्न करता है। भविष्य के मानों के लिए, पश्च भविष्यवाणी वितरण महत्वपूर्ण है। यह मॉडल पैरामीटर के बारे में अनिश्चितता को भविष्य के अवलोकनों में भिन्नता के साथ जोड़ता है। मांग मॉडल को पश्च भविष्यवाणी अंतराल प्रदान करने चाहिए। चर्न सिस्टम को यह दिखाना चाहिए कि क्या प्रायिकता अनुमान ग्राहक खंडों में स्थिर रहते हैं।
विश्वास स्कोर को तब तक प्रायिकता के रूप में नहीं माना जाना चाहिए जब तक कि उन्हें कैलिब्रेट न किया जाए। एक वर्गीकृतक 90 प्रतिशत विश्वास की रिपोर्ट कर सकता है बिना 90 प्रतिशत समय सही होने के। बेयसियन गार्डरेल्स अनिश्चितता को स्वचालित निर्णयों के नियमों में अनुवादित करते हैं। सिस्टम को संभावित परिणामों और गलत निर्णयों की लागत को तौलना चाहिए।
स्रोत: Towards Data Science · HeadlinesBriefing द्वारा सारांशित