Ιχνηλασιμότητα μοντέλων τεχνητής νοημοσύνης - Αναγνωρίζοντας βασικές παραμέτρους μοντέλου για αυτόνομα οχήματα.
Φόρτωση...
Ημερομηνία
2025-01-20
Συγγραφείς
Μεταξάκης, Ιωάννης
Metaxakis, Ioannis
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
Επιβλέπων
Παπαδάκης, Νικόλαος
Papadakis, Nikolaos
Papadakis, Nikolaos
Περίληψη
Η ιχνηλασιμότητα μοντέλων AI(AI Traceability), είναι η ικανότητα παρακολούθησης της διαδικασίας λήψης αποφάσεων ενός μοντέλου τεχνητής νοημοσύνης, συμπεριλαμβανομένων των εισροών δεδομένων, των αλγορίθμων και άλλων σχετικών παραγόντων. Τα μοντέλα τεχνητής νοημοσύνης χρησιμοποιούν αλγόριθμους για να μάθουν από δεδομένα και να λαμβάνουν αποφάσεις με βάση αυτά τα δεδομένα. Η ιχνηλασιμότητα των μοντέλων τεχνητής νοημοσύνης επιτρέπει στους ενδιαφερόμενους να παρακολουθούν τη διαδικασία λήψης αποφάσεων ενός μοντέλου τεχνητής νοημοσύνης για να διασφαλίσουν ότι είναι αξιόπιστο και παράγει ακριβή αποτελέσματα. Σε αυτή τη διατριβή στοχεύουμε να παρέχουμε έναν ολοκληρωμένο οδηγό για το θέμα της ιχνηλασιμότητας μοντέλων τεχνητής νοημοσύνης, που είναι η πρακτική της διατήρησης αρχείου των βημάτων που εμπλέκονται στην ανάπτυξη και την εφαρμογή μοντέλων τεχνητής νοημοσύνης (AI). Η διατριβή χωρίζεται σε έξι κεφάλαια, με κάθε κεφάλαιο να καλύπτει μια διαφορετική πτυχή πάνω στην ιχνηλασιμότητα μοντέλων τεχνητής νοημοσύνης. Στο τελευταίο κεφάλαιο εξετάζουμε την περίπτωση των Αυτόνομων Οχημάτων παρουσιάζοντας βασικές παραμέτρους του μοντέλου και βασικά σημεία εστίασης στην εφαρμογή της ιχνηλασιμότητας AI.
AI traceability, is the ability to track the decision-making process of an AI model, including the data inputs, algorithms, and other relevant factors. AI models use algorithms to learn from data and make decisions based on that data. AI traceability allows stakeholders to trace back the decision- making process of an AI model to ensure that it is reliable and produces accurate results. In this thesis we aim to provide a comprehensive guide on the topic of AI traceability, which is the practice of maintaining a record of the steps involved in the development and deployment of artificial intelligence (AI) models. Thesis is divided into six chapters, with each chapter covering a different aspect of AI traceability. On the final chapter we examine the case of Autonomous Vehicles presenting basic model parameters & key points of focus upon implementation of AI traceability.
AI traceability, is the ability to track the decision-making process of an AI model, including the data inputs, algorithms, and other relevant factors. AI models use algorithms to learn from data and make decisions based on that data. AI traceability allows stakeholders to trace back the decision- making process of an AI model to ensure that it is reliable and produces accurate results. In this thesis we aim to provide a comprehensive guide on the topic of AI traceability, which is the practice of maintaining a record of the steps involved in the development and deployment of artificial intelligence (AI) models. Thesis is divided into six chapters, with each chapter covering a different aspect of AI traceability. On the final chapter we examine the case of Autonomous Vehicles presenting basic model parameters & key points of focus upon implementation of AI traceability.
Περιγραφή
Λέξεις-κλειδιά
Τεχνητή νοημοσύνη, Ιχνηλασιμότητα, Αυτόνομο όχημα, Artificial intelligence, Traceability, Autonomous vehicle