標準的なニューラルネットワークは、38万5千ドルの住宅価格のような単一の点推定を出力するため、根本的な不確かさを隠してしまいます。MAEのような指標はデータセット全体の平均誤差を反映するだけで、個々の予測に対する信頼度は示さないため、意思決定が制限されます。ベイズニューラルネットワーク（BNN）は、妥当な値の範囲を推定し、モデルの信頼度を定量化することでこの問題に対処します。「予測値は何か？」と尋ねるのではなく、BNNは「妥当な値の範囲は何か、そして私たちはどの程度確信しているか？」と答えます。この変化により、自動評価などのアプリケーションにおいて、リスクを考慮したより適切な意思決定が可能になります。BNNの実装には、重み分布のパラメータ化と変分推論の使用が含まれます。なぜなら、何千ものパラメータを持つネットワークでは、正確なベイズ計算は扱い切れないからです。本記事では、California HousingデータセットとPythonノートブックを使用して、事前分布の選択や推論方法などの主要なエンジニアリング選択を説明しています。各ノートブックは1つの設計上の決定を強調しており、本番システムは複数の戦略を組み合わせるべきであることを強調しています。議論される中核的な概念は不確かさの定量化であり、認識論的不確かさ（未知のデータによるモデルの無知）と偶然的不確かさ（データ固有のノイズ）を区別します。哲学的には別ものですが、研究によれば、実際にはこれらの不確かさは数学的に絡み合っており、明確に分離することが困難であることが示されています。本記事では、これらのトレードオフを理解することが、予測を信頼すべきか疑うべきかを知信頼できるAIシステムを構築するために不可欠であることを強調しています。