Diskussion zum Artikel "Das Problem von Uneinigkeiten: Vertiefung der Erklärbarkeit von Komplexität in der KI"

Neuer Kommentar
 

Neuer Artikel Das Problem von Uneinigkeiten: Vertiefung der Erklärbarkeit von Komplexität in der KI :

Tauchen Sie ein in das Herz des Rätsels der Künstlichen Intelligenz und navigieren Sie mit uns durch die turbulenten Gewässer der Erklärbarkeit. In einem Bereich, in dem Modelle ihr Innenleben verbergen, enthüllt unsere Untersuchung das „Uneinigkeitsproblem“ (disagreement problem), das in den Korridoren des maschinellen Lernens widerhallt.

Diese Uneinigkeit (disagreement) ist ein offenes Forschungsgebiet in einem interdisziplinären Bereich, der als „Erklärbare Künstliche Intelligenz“ (Explainable Artificial Intelligence, XAI) bekannt ist. Die Erklärbare Künstliche Intelligenz versucht uns zu helfen, zu verstehen, wie unsere Modelle zu ihren Entscheidungen kommen, aber leider ist das alles leichter gesagt als getan. 

Wir alle wissen, dass die Modelle für maschinelles Lernen und die verfügbaren Datensätze immer größer und komplexer werden. Tatsächlich können die Datenwissenschaftler, die Algorithmen für maschinelles Lernen entwickeln, das Verhalten ihres Algorithmus nicht für alle möglichen Datensätze genau erklären.  Die Erklärbare Künstliche Intelligenz (Explainable Artificial Intelligence, XAI) hilft uns, Vertrauen in unsere Modelle aufzubauen, ihre Funktionalität zu erklären und zu überprüfen, ob die Modelle für den Einsatz in der Produktion bereit sind. So vielversprechend das auch klingen mag, dieser Artikel wird dem Leser zeigen, warum wir keiner Erklärung, die wir von einer Anwendung der Explainable Artificial Intelligence-Technologie erhalten, blind vertrauen können. 

Autor: Gamuchirai Zororo Ndawana

 
Leider funktionieren die Erklärungen nur für stationäre Abhängigkeiten, wenn sich die Bedeutung der Prädiktoren im Laufe der Zeit nicht ändert. Solche Prädiktoren sind für Blumen, die Anzahl der Blütenblätter usw. leicht zu ermitteln, für die Finanzmärkte jedoch schwer zu finden.
Darüber hinaus sind moderne Modelle in der Lage, die Beteiligung bestimmter Attribute unabhängig voneinander aufzuheben.
 
Maxim Dmitrievsky aufzuheben.
In der Tat ist es sehr schwierig, Prädiktoren für einen Finanzdatensatz zu erhalten. Die einzige praktikable Lösung, die mir immer wieder in den Sinn kommt, besteht darin, die vorliegenden Daten zu verwenden, um ein neues Ziel zu erstellen, und auf diese Weise alle Prädiktoren für das neue Ziel zu erhalten. Wenn wir zum Beispiel Bollinger Bänder auf ein Diagramm anwenden, kann der Preis in 4 Zuständen sein. Vollständig über den Bollinger Bändern, zwischen dem oberen Band und dem mittleren Band, über dem unteren Band, aber unter dem mittleren Band oder vollständig unter dem Band. Wenn wir diese Zustände als 1, 2, 3, 4 definieren, können wir die zukünftigen Zustände des Marktes mit größerer Genauigkeit vorhersagen als die Preisveränderungen selbst.

Staaten


Von den Modellen, die ich trainiert habe, ist sogar nur der aktuelle Marktzustand ausreichend, die Hinzufügung der OHLC und Bollinger Band Messwerte verbessert die Genauigkeit oder Stabilität nicht wesentlich. Im obigen Screenshot habe ich einen LDA-Klassifikator trainiert, um den nächsten Zustand des Wertpapiers vorherzusagen. Der größte Nachteil bei diesem Ansatz ist, dass die Integrität auf dem Weg verloren gehen kann, wenn das Modell beispielsweise vorhersagt, dass der Preis im Zustand 1 bleibt, wissen wir nicht, ob der Preis steigt oder fällt.Das ist die einzige Lösung, die mir bisher eingefallen ist, nämlich die Schaffung neuer Zielvorgaben anhand der uns vorliegenden Daten, damit wir wissen, dass die Beziehung besteht, wir haben sie selbst geschaffen.

 
Gamuchirai Zororo Ndawana #:
Es ist in der Tat sehr schwierig, Prädiktoren für einen Satz von Finanzdaten zu erhalten, und die einzige Lösung, die mir einfällt, ist die Verwendung der verfügbaren Daten, um ein neues Ziel zu erstellen, und dann haben wir alle Prädiktoren für das neue Ziel. Wenn wir zum Beispiel die Bollinger Bänder auf ein Diagramm anwenden, kann sich der Preis in 4 Zuständen befinden. Vollständig über den Bollinger Bändern, zwischen dem oberen und dem mittleren Band, über dem unteren Band, aber unter dem mittleren Band, oder vollständig unter dem Band. Wenn wir diese Zustände als 1, 2, 3, 4 definieren, können wir künftige Marktzustände mit größerer Genauigkeit vorhersagen als Preisänderungen selbst.


Bei den Modellen, die ich trainiert habe, reicht sogar der aktuelle Marktzustand aus. Das Hinzufügen von OHLC- und Bollinger-Band-Werten verbessert die Genauigkeit und Stabilität nicht wesentlich. Im obigen Screenshot habe ich einen LDA-Klassifikator trainiert, um den nächsten Zustand des Wertpapiers vorherzusagen. Der größte Nachteil dieses Ansatzes besteht darin, dass die Integrität auf dem Weg verloren gehen kann, z. B. wenn das Modell vorhersagt, dass der Preis in Zustand 1 bleibt, wissen wir nicht, ob der Preis steigt oder fällt, wir wissen nur, wohin der Preis gehen wird, wenn das System eine Zustandsänderung vorhersagt, von 1 nach 2. Dies ist die einzige Lösung, die ich im Moment anbieten kann, ist die Erstellung neuer Ziele auf der Grundlage der Daten, die wir haben, so dass wir wissen, dass die Verbindung existiert, wir haben sie selbst erstellt.

Sie sollten den Code dieser erbärmlichen, prähistorischen BBs lesen, die es in \MQL5\Indicators\Examples\BB.mq5 gibt. Wieder schimmelige, trostlose Masken, die versuchen, eine Standardabweichung zu berechnen....

 
Alexey Volchanskiy #:

Sie sollten den Code dieser erbärmlichen, prähistorischen BBs lesen, die es in \MQL5\Indicators\Examples\BB.mq5 gibt. Wieder schimmelige, trostlose Masken, die versuchen, eine Standardabweichung zu berechnen....

Ich habe einmal versucht, den Code für den RSI-Indikator in dem von Ihnen angegebenen Beispielpfad zu lesen, und um ehrlich zu sein, fand ich ihn schwierig zu lesen, und ich bin nicht sicher, ob ich vollständig verinnerlicht habe, was der gesamte Code tut.
Glauben Sie, dass moderne Indikatoren wie der Vortex-Indikator einige der Einschränkungen der klassischen Indikatoren überwunden haben? Oder ist das Problem vielleicht den technischen Indikatoren inhärent, weil die meisten von ihnen auf einen Parameter angewiesen sind, der unter erheblichem Rauschen berechnet und optimiert werden muss?

Neuer Kommentar