Az Uber (és egy másik projekt keretében a Google) szakértői úgy akarják módosítani a gépi tanulás keretrendszerét, hogy a legokosabb mesterséges intelligenciák ezentúl azt is mérjék, hogy mennyire magabiztosak előrejelzéseik és döntéseik tekintetében.

A deep learning, vagyis a gépi mélytanulás, amely során nagy mennyiségű „példaadatot” táplálnak be a rendszerbe, hogy az aztán ezek alapján tanulja meg a döntéshozást, az elmúlt években egyre meggyőzőbb eredményeket hozott. A mesterséges rendszerek a módszerrel többek közt megtanultak képeken tárgyakat felismerni vagy az élőbeszédet csaknem tökéletesen lejegyezni. A megfelelő szintű betanuláshoz ugyanakkor nagyon sok adatra és óriási számítási kapacitásra van szükség.

Első hallásra nehéz elképzelni, hogy ezen a helyzeten javíthat, ha a gépi rendszerek elkezdenek kételkedni magukban, de a valóságban pontosan ez a helyzet. Ismereteink bizonytalanságának felismerése és felmérése ugyanis az emberi érvelésben és gondolkodásban is kulcsszerepet játszik. Így a szakértők abban reménykednek, hogy az új funkcióval a gépi rendszerek is okosabbá és megbízhatóbbá válnak, különösen azokban a helyzetekben, amikor kritikus döntéseket kell hozniuk.

Pontosan ennek megvalósulását teheti lehetővé a Pyro, az Uber új programozási nyelve, amely a gépi tanulást és a valószínűségi programozást ötvözi. Ami azért érdekes, mert ezzel a mesterséges intelligenciák fejlesztésének két, eddig egymással versengő ága találkozott össze egyetlen programnyelvben, magyarázza Goodman.

A Pyro nagy előnye továbbá a szakértő elmondása szerint, hogy általa előzetes tudás is beprogramozható a rendszerekbe, amelyek jelenleg még csak a betáplált nyers adatokból tanulnak. Az Uber számtalan területen használja a gépi tanulást a sofőrök koordinálásától kezdve az árazáson át az önvezető autók szoftvereinek fejlesztésééig.