A Combined Finite State Machine and PlantUML Approach to Machine Learning Applications
Notice bibliographique
Résumé
Despite recent progress made in the theory and practice of Artificial Intelligence (AI), there is still a lack of tools and algorithms for the design and implementation of Neural Networks (NN) capable of explaining how the processes producing decisions are made. Therefore there is a need for devising new algorithms for endowing NN to address the transparency and accountancy in the use of AI, especially in areas where AI decisions have a significant impact on people’s lives. This led to the research and investigation of algorithms for explainable AI (XAI), a field which is at the very beginning of its activities. In this paper, a Finite State Machine (FSM) approach is applied to the design and implementation of a blend of Machine Learning (ML) frameworks capable to auto-build, auto-train, and auto-deploy AI models using abstract representations. It is demonstrated, in this paper, that FSMs can be generated and applied at the design of engineering and AI automation tools such that platforms such as AutoML, AutoGluon and others can be controlled at their turn. The automation of AI models is achieved by parsing the FSM states, which results in the creation of Python artifacts that can be executed. The proposed FSM controls the Automated AI Platforms (AAIP) based on the decisions made by the FSM Controller (FSMC). The FSMC is the root of the FSM graph possessing in its structure the rules driving the NNs. The parsed diagrams are nodes of the diagrammatic reasoning (DR) algorithms. These algorithms are capable of selecting the proper FSM and PlantUML diagrams from a database of such diagrams. An implementation of the combination of FSM, FSMC and RNN is described in this paper plainly illustrating the advantages of the FSM approach to AI. The PlantUML diagrams used to generate the figures in this article can be found at the following URL1.1https://github.com/mirceat/FSM2ML-diagrams
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».