Tehisintellekt on juba ammu jõudnud igapäevaellu, alates krediidiskoorimisest ja pettuste tuvastamisest kuni klienditeeninduse juturobotiteni. Avalikus arvamuses on aga sageli tähelepanu keskpunktis ChatGPT & Co. ja seega eriline tehisintellekti mudel. Selliste keelemudelite kasutamine kätkeb endas ka mitmeid puudusi, millest kasutajad peaksid olema teadlikud. Täpsemalt öeldes: GPT (Generative Pretrained Transformer) on keelemudel, mis genereerib tekste kasutades Transformeri arhitektuuri. Iga sisendi puhul hindab ta järgmise sõna tõenäosust, arvutab tõenäosusjaotuse kõigi võimalike märgendite kohta, valib sellest märgendi ja lisab selle järjestusele. See laiendatud jada läbib mudeli uuesti, et ennustada järgmist sõna, iteratiivselt kuni maksimaalse pikkuseni või kuni jada lõpu märgendi ilmumiseni. Selliseid suuri keelemudeleid saab kasutada paljudes valdkondades, kus analüüsitakse või luuakse tekste.
Mudeleid treenitakse suurte tekstide andmekogumite põhjal. Need sobivad näiteks tekstide kirjutamiseks, kuid jõuavad oma piiridesse, kui tegemist on rangelt loogiliste ülesannetega, näiteks täpsete tõestuste esitamisega või keeruliste arvutuste tegemisega. Jämedalt öeldes ei „mõtle“ mudel sümbolites ega formaalsetes reeglites, vaid töötab tõenäosuste ja mustritega. Selle tulemusena võivad vastused kõlada usutavalt, ilma et need oleksid tingimata loogiliselt korrektsed. Seetõttu ei tohiks pangandussektoris tehtavad kriitilised otsused, näiteks riskide hindamine ja laenude makseviivituse prognoosimine, põhineda keelemudelitel.
Just siin tulevad mängu teised, eelistatavalt tõlgendatavad meetodid, näiteks GMLVQ (Generalised Matrix Learning Vector Quantization), mis on prototüübipõhine klassifitseerimismeetod. GMLVQ on tänu oma robustsusele ja tõlgendatavate tulemuste andmise võimele ennast tõestanud paljudes praktilistes klassifitseerimisprobleemides. Rakendusvaldkonnad panganduses tekivad kõikjal, kus esinevad klassifitseerimisprobleemid. Kaks 2025. aastal avaldatud publikatsiooni [1] ja [2] näitavad GMLVQ erilist rakendust võrgu usaldusväärsuse hindamisel. Nendes publikatsioonides klassifitseeritakse GMLVQ abil järjestikuste k-n-st süsteemide usaldusväärsuse tasemeid. Lähenemisviis on üldiselt ülekantav sidusatele süsteemidele ja seda saab isegi kohandada, et hinnata lõplikult paljude sündmuste liitmistõenäosust üksikute ja paarikaupa esinevate ristumistõenäosuste põhjal. See rõhutab GMLVQ laiaulatuslikku kasutusvõimalust. Eriti põnevaks GMLVQ rakendusvaldkonnaks võib tulevikus olla krediidiriski tõenäosuse hindamine või riskimodelleerimine.
Projektipartnerina toetab TeleskopEffekt GmbH GMLVQ kui tõlgendatava tehisintellekti meetodi tutvustamist alates ideest konkreetses rakenduses kuni andmete hindamiseni ning toob esile selle eelised alternatiivsete tehisintellekti meetodite ees. Täiendava ülevaate ja individuaalse nõustamise saamiseks võtke palun ühendust meie kolleegiga Dr Mandy Lange-Geisler ja temaga saab igal ajal ühendust võtta.
[1] K. Dohmen, M. Lange-Geisler ja T. Villmann. Võrgu usaldusväärsuse analüüs üldistatud maatriksõppevektori kvantimise abil, 2025. teadusruut (https://www.researchsquare.com/article/rs-7014031/v1)
[2] K. Dohmen, M. Lange-Geisler ja T. Villmann. Tõenäosuse hinnangute õppimine süsteemi ja võrgu töökindluse analüüsiks maatriksõppevektorite kvantifitseerimise abil. In . ESANN 2025, 2025. 6 lk.(https://www.esann.org/sites/default/files/proceedings/2025/ES2025-67.pdf)
Ideest teostuseni: TeleskopEffekt on teiega koos
Me toetame ettevõtteid selles protsessis, Tehnoloogiad arusaadavad, vastutustundlikud ja praktilised kasutada.
