Команда науковців з Центру автономії ШІ при Коледжі інженерії та комп’ютерних наук Флоридського Атлантичного університету розробила метод автоматичного виявлення та видалення неправильно маркованих прикладів, що згодом можуть знизити продуктивність ШІ-моделей. Моделі штучного інтелекту у процесі навчання переважно покладаються на метод опорних векторів — низку схожих алгоритмів навчання, які згодом визначатимуть рішення, які прийматиме ШІ, пише itc.ua.

Цей метод широко використовується під час навчання ШІ-моделей розпізнаванню зображень, голосу, а також у медичній діагностиці і під час аналізу текстів. У процесі навчання моделі ШІ виявляють межу, яка найкращим чином ділить різноманітні категорії даних. Якщо кілька прикладів некоректно поділені, це може спотворити межі прийняття рішень ШІ і знизити його продуктивність у реальних умовах.

До переходу ШІ на навчання (редактовано.), дослідники застосовують техніку, що автоматично видаляє дивні або незвичайні приклади даних, які не зовсім вписуються у загальний набір. Такі дані видаляються або помічаються, гарантуючи, що ШІ від самого початку використовуватиме тільки перевірену інформацію.