Adimen artifiziala eremu ia gehienetan txertatzen ari den garai honetan, erronka berriak agertzen ari dira egunero. Nola diseina eta entrenatu ditzakegu geroz eta konplexuagoak diren ereduak gizakiok ditugun portaera eta jokabideak ahalik eta ondoen simulatzeko? Nola azaldu daitezke hizkuntza ereduek, adibidez, aurkezten dituzten portaerak parametro-kopurua handitzearen ondorioz? Adimen artifizialeko aplikazioak garatzean zein algoritmo erabiltzea komeni da? Badago hori hobetzea? Argi dago asko direla erantzun beharreko galderak eta landu beharreko esparruak, eta horretan datza adimen artifizialaren gaineko ikerketa, besteak beste.
Planteatu berri ditugun galdera horietatik guztietatik, adimen artifizialerako erabil daitezkeen algoritmoen errendimenduaren ingurukoak tratatzea garrantzitsua deritzogu, ezinbestekoa baita erabiltzen ditugun algoritmoen errendimendua aztertzea intereseko aplikazio ahaltsuak eraiki nahi baditugu. Alabaina, algoritmoen errendimendua neurtzea eta kuantifikatzea kasu askotan lan nekeza izan ez ezik, errendimenduen arteko konparaketak egitea ere ez da batere erraza. Izan ere, kasu gehienetan, algoritmo baten bitartez lortutako emaitzak erabilitako datuen izaeraren eta algoritmoen estokastizitatearen arabera aldakorrak dira, eta honek konparaketa zaildu egiten du.
Alegia, ziurgabetasuna tartean egonik, eskura ditugun datuetan lortutako errendimenduaren adierazle diren emaitzez harago joan beharra dago. Zorionez, egon badaude metodologia eta teknika desberdinak arazo horiei aurre egiteko, gaur egun oso erabiliak direnak ikerketa munduan. Dena den, metodologia horiek aplikatzeko eta bereziki emaitzak interpretatzeko estatistikaren ezagutza sakona ezinbestekoa da, eta honakoa sarritan kontuan hartzen ez den aspektu bat da. Horren adibide garbiak ziurgabetasunaren kuantifikaziorako urteetan zehar erabili diren estatistika frekuentistako hipotesi-probak ditugu, beren gabeziak kontuan hartu gabe begi itsuan aplikatu direnak.
Testuinguru horretan kokatzen da artikulu honen muina, algoritmoen errendimenduen konparaketarako erabil daitezkeen teknika batzuen azterketa bat proposatzen baita. Zehazki, ziurgabetasunarekin lan egiteko estatistikaren ikuspegi frekuentista eta bayestarra aurkezten dira hasieran, arreta berezia ipiniz bi hurbilpenetan oinarritutako tekniken indargune eta gabezietan. Hipotesi-proba frekuentista ohikoek intereseko galderari erantzunik ematen ez diotela ikusita, test bayesiarrak alternatiba interpretagarriago gisa begi onez ikusi dira azken urteotan. Alabaina, hurbilpen bayestarrak izaera konplexuagoa duenez, baita erabiltzailearen susmoen edo suposizioen gaineko menpekotasuna ere, ez da erraza hura zuzentasunez erabiltzea.
Hau dena kontutan izanik, ziurgabetasunarekin lan egiteko bi hurbilpenen baitan badira beste metodo batzuk oraindik gehiegi esploratu ez direnak, eta artikulu honetan ziurgabetasuna ilustratzeko bootstrap ez- parametrikoaren erabilera aztertuko dugu. Metodo frekuentista honek zenbait abantaila ditu, intuitiboa dela, besteak beste, baina bere erabilera algoritmoen errendimenduaren konparaketa egiteko ez da ohikoa. Bootstrap ez-parametrikoaren bidez emaitza koherente eta interesgarriak lortu daitezkeelakoan, metodo honen portaera estatistika bayestarrarekin alderatuko dugu esperimentu sorta baten bidez, antzekotasunak eta desberdintasunak agerian jarriz. Beharbada, teorikoki desberdinak izan arren, hurbilpen frekuentista eta bayestarra ez dira praktikan hain desberdinak.
Artikuluaren fitxa:
- Aldizkaria: Ekaia
- Zenbakia: Ale berezia Adimen artifiziala
- Artikuluaren izena: Bootstrap ez-parametrikoa algoritmoen errendimenduaren konparaketarako estatistika bayestarraren alternatiba gisa.
- Laburpena: Adimen artifiziala eremu ia gehienetan txertatzen ari den garai honetan, ezinbestekoa da erabiltzen ditugun algoritmoen errendimenduen konparaketak egitea. Sarritan, algoritmo baten bitartez lortutako emaitzak erabilitako datuen izaeraren eta algoritmoen estokastizitatearen arabera aldakorrak dira, eta horrek konparaketa zailtzen du. Testuinguru horretan, beraz, algoritmoen arteko konparaketa egitean, lortutako ziurgabetasunaren kuantifikazioa alderdi garrantzitsua da, baina gehienetan ez zaio nahikoa garrantzi ematen. Izan ere, ziurgabetasunaren kuantifikaziorako urteetan zehar erabili diren estatistika frekuentistako hipotesi-probek gabezia nabariak dituzte arlo honetan. Alternatiba gisa, estatistika bayestarra da soluziorik onartuena gaur egun, baina badira beste metodo batzuk oraindik esploratu ez direnak. Artikulu honetan, ziurgabetasuna azaltzeko, bootstrap ez-parametrikoaren erabilera aztertuko dugu, eta metodo horren portaera estatistika bayestarrarekin alderatu eta antzekotasunak eta desberdintasunak agerian jarriko ditugu.
- Egileak: Izei Múgica, Usue Mori eta Borja Calvo
- Argitaletxea: EHUko argitalpen zerbitzua
- ISSN: 0214-9001
- eISSN: 2444-3255
- Orrialdeak: 185-201
- DOI: 10.1387/ekaia.26327
Egileez:
Izei Múgica, Usue Mori eta Borja Calvo EHUko Informatika Fakultateko Intelligent Systems Group taldeko ikertzaileak dira.
Ekaia aldizkariarekin lankidetzan egindako atala.
