Стандартные нейронные сети выдают точечные оценки, такие как цена дома в $385 000, что скрывает лежащую в основе неопределённость. Это ограничивает принятие решений, поскольку такие метрики, как MAE, отражают только среднюю ошибку по наборам данных, а не уверенность в отдельных прогнозах. Байесовские нейронные сети (BNN) решают эту проблему, оценивая диапазон правдоподобных значений и количественно определяя уверенность модели. Вместо вопроса 'Каково прогнозируемое значение?' BNN отвечают 'Каков диапазон правдоподобных значений и насколько мы уверены?'. Этот сдвиг позволяет принимать более обоснованные решения с учётом рисков в таких приложениях, как автоматизированная оценка. Реализация BNN включает параметризацию распределений весов и использование вариационного вывода, поскольку точное байесовское вычисление невозможно для сетей с тысячами параметров. В статье используются набор данных California Housing и блокноты Python для иллюстрации ключевых инженерных решений, таких как выбор априорных распределений и методы вывода. Каждый блокнот подчёркивает одно проектное решение, подчёркивая, что производственные системы должны сочетать несколько стратегий. Ключевая обсуждаемая концепция — это оценка неопределённости, различающая эпистемическую неопределённость (незнание модели из-за невиданных данных) и алеаторную неопределённость (свойственный данным шум). Хотя философски они разделены, исследования показывают, что эти неопределённости на практике часто математически переплетены, что усложняет их чёткое разделение. В статье подчёркивается, что понимание этих компромиссов необходимо для создания надёжных систем ИИ, которые знают, когда доверять своим прогнозам, а когда сомневаться в них.