В России нашли способ снизить расход ресурсов для работы ИИ-систем
Российские ученые теоретически обосновали вычислительно легкий метод оценки неопределенности для одной из популярных форм машинного обучения. Теперь разработчики смогут получать надежные оценки неопределенности быстрее и с меньшими вычислительными затратами, это особенно важно в областях медицины, финансов и автономных системах.
Повышение эффективности
В России нашли способ снизить расход ресурсов на работу классических систем искусственного интеллекта (ИИ), об этом CNews сообщила пресс-служба Национального исследовательского университета «Высшей школы экономики» (НИУ ВШЭ). Это открытие позволит уменьшить количество ресурсов, затрачиваемых на работу данных форм ИИ.
«Математическое доказательство позволяет пересмотреть отношение к простым эмпирическим методам оценки точности в машинном обучении (ML): ИИ-разработчики смогут получать надежные оценки неопределенности быстрее и с меньшими вычислительными затратами. Это особенно важно в областях, где критично знать не только предсказание, но и степень уверенности в нем, — например, в медицине, финансах и автономных системах», — говорится в сообщении пресс-службы НИУ ВШЭ.
ML – это тип ИИ, который выполняет задачи анализа данных без четких инструкций. ML-технология позволяет обрабатывать большие объемы исторических данных, выявлять закономерности и прогнозировать новые взаимосвязи между ранее неизвестными данными.
В России нашли способ снизить расход ресурсов на работу классических ИИ-систем
Как отмечают ученые, различные формы алгоритмов градиентного спуска широко применяются при решении задач оптимизации и для создания классических ML-систем, не использующих нейронные сети в своей работе. Поскольку эти алгоритмы используют элементы случайности, важной характеристикой их решений является доверительный интервал — диапазон, в котором с высокой вероятностью находится истинное решение.
Традиционные способы построения таких интервалов требуют сложных статистических оценок, в частности явной оценки предельной ковариационной матрицы решения, что может быть дорого с точки зрения затрат времени и ресурсов или давать неточные оценки. Российские и зарубежные ученые заинтересовались тем, можно ли решить эту задачу при помощи простых математических подходов, которые не требуют повторного обучения модели и сложных вычислений.
Работа опубликована на сервере научных препринтов arXiv.org и была представлена на AISTATS 2026.
Опыт применения
«Подобные методы уже применялись на практике, и часто они показывали лучшие результаты по сравнению с альтернативами. Мы хотели понять причину этого эмпирического преимущества и смогли дать ему строгую математическую интерпретацию», — пояснила CNews младший научный сотрудник Института ИИ и цифровых наук факультет компьютерных наук НИУ ВШЭ Марина Шешукова.
Получение доказательства применимости этого подхода, а также выявленные учеными рамки его применимости помогут улучшить работу большого числа ML-систем, которые используют алгоритмы стохастического градиентного спуска. Это упростит и удешевит решение многих оптимизационных задач, подытожили исследователи.
Учебное заведение
НИУ ВШЭ — российское федеральное государственное автономное высшее учебное заведение. Университет ведет подготовку и исследования в области социальных и гуманитарных наук, также реализует программы в естественно-научной, медицинской, технической и сельскохозяйственной сферах.
В июле 2026 г. это одно из крупнейших высших учебных заведений в России. ВШЭ создана в 1992 г., нынешний статус носит с 2009 г. Основной кампус находится в Москве, еще три — в Санкт-Петербурге, Нижнем Новгороде и Перми. Имеется онлайн-кампус для образовательных программ, проводимых дистанционно.
