Autonomous and sustainable machine learning: pursuing new horizons of intelligent systems
Notice bibliographique
Résumé
The paradigm of Artificial Intelligence and Machine Learning has resulted in an amazingly diverse plethora of models operating in various environments and quite often exhibiting numerous successes. There is a growing spectrum of challenging application areas of high criticality where one has to meet a number of fundamental requirements. Those manifest evidently when Machine Learning constructs have to function autonomously and any decisions being rendered entail far reaching implications. The carefully crafted learning process has to result with advanced models. Along with the developed models, they have to come hand-in-hand with credibility measures that are crucial to assess an extent to which the results generated by such measures are meaningful, trustworthy and credible. The credibility of the Machine Learning models becomes of paramount importance given the nature of application domains. Autonomous systems including autonomous vehicles, user identification (both using audio and video channels), financial systems (calling for sound mechanisms to quantify risk levels) require the ML system making classification or prediction decisions some level of self-awareness. Among others, this translates to forming sound answers to the following crucial questions emerging within the design process: How much confidence could be associated with the result? Could any action /decision be taken on a basis of obtained result? Given the reported level of credibility, is there any other experimental evidence one could acquire to validate the decision? In this study, we advocate that a general way to achieve such goals is to engage the mechanism of Granular Computing; subsequently, the granularity endowing the results are sought as a vehicle use to quantify the credibility level. Sustainable (or green) Machine Learning gives rise to the agenda of knowledge reuse, namely exploring possibilities of potential reuse of the already designed models in a spectrum of current environments where computing overhead as one of the ways to contribute to the agenda of sustainable Machine Learning and discuss a crucial role of information granularity in this context.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,016 |
| Communication savante | 0,010 | 0,023 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».