Yapay zeka alanında birden fazla uzmanın bir arada çalıştığı sistemlerde yaşanan temel problemlere yönelik yenilikçi bir çözüm geliştirildi. Araştırmacılar, mevcut çok-uzman öğrenme sistemlerinin karşılaştığı önemli zorluklara odaklandı.
Şu anda kullanılan sistemler istatistiksel olarak tutarlı olmasına rağmen, ciddi performans sorunları yaşıyor. Uzman sayısı arttıkça sistemin genel başarımı düşüyor, bazı faydalı uzmanlar baskılanıyor ve yetersiz öğrenme problemi ortaya çıkıyor. Araştırmacılar bu sorunların kaynağını, mevcut mimarilerin sınıfları ve uzmanları tek bir genişletilmiş tahmin geometrisi içinde eylem olarak ele almasında buluyor.
Geliştirilen yeni 'ayrıştırılmış vekil' model, bu soruna farklı bir yaklaşım getiriyor. Sistem, sınıf posterior dağılımını softmax fonksiyonu ile hesaplarken, her uzmanın faydasını bağımsız sigmoid fonksiyonları ile değerlendiriyor. Bu ayrıştırılmış yaklaşım, gradient kütlesinin dağılımında yaşanan sorunları ortadan kaldırıyor.
Modelin en önemli avantajı, uzman başına sabit ağırlık oranında uzman sayısından bağımsız tutarlılık garantisi sunması. Ayrıca gradientler, mevcut sistemlerdeki amplifikasyon, açlık ve bağlaşım sorunlarından muaf kalıyor. Bu teknik gelişme, çok-uzman yapay zeka sistemlerinin daha güvenilir ve ölçeklenebilir hale gelmesine katkı sağlayabilir.