Jaringan saraf tiruan standar menghasilkan estimasi titik tunggal, seperti harga rumah sebesar $385.000, yang menyembunyikan ketidakpastian yang mendasarinya. Hal ini membatasi pengambilan keputusan, karena metrik seperti MAE hanya mencerminkan kesalahan rata-rata di seluruh dataset, bukan kepercayaan pada prediksi individual. Jaringan Saraf Tiruan Bayesian (BNN) mengatasi hal ini dengan memperkirakan rentang nilai yang masuk akal dan mengkuantifikasi kepercayaan model.

Alih-alih bertanya 'Berapa nilai yang diprediksi?', BNN menjawab 'Berapa rentang nilai yang masuk akal, dan seberapa yakin kita?'. Perubahan ini memungkinkan keputusan yang lebih baik dan sadar risiko dalam aplikasi seperti penilaian otomatis. Menerapkan BNN melibatkan parameterisasi distribusi bobot dan menggunakan inferensi variasional, karena komputasi Bayesian yang tepat tidak dapat ditangani untuk jaringan dengan ribuan parameter.

Artikel ini menggunakan dataset California Housing dan notebook Python untuk mengilustrasikan pilihan teknik utama, seperti pemilihan prior dan metode inferensi. Setiap notebook menyoroti satu keputusan desain, menekankan bahwa sistem produksi harus menggabungkan beberapa strategi. Konsep inti yang dibahas adalah kuantifikasi ketidakpastian, yang membedakan antara ketidakpastian epistemik (ketidaktahuan model karena data yang tidak terlihat) dan ketidakpastian aleatorik (kebisingan data yang melekat).

Meskipun secara filosofis terpisah, penelitian menunjukkan bahwa ketidakpastian ini sering terjalin secara matematis dalam praktik, sehingga menyulitkan pemisahan yang bersih. Artikel ini menekankan bahwa memahami trade-off ini sangat penting untuk membangun sistem AI yang dapat dipercaya yang tahu kapan harus memercayai atau meragukan prediksinya.