Yapay zeka destekli tahmin sistemlerinde belirsizlik ölçümü, güvenilir karar verme süreçleri için kritik öneme sahip. Araştırmacılar bu soruna çözüm olarak, sadece gelecekteki değerleri tahmin etmekle kalmayıp, bu tahminlerin güvenilirlik seviyesini de belirleyebilen yenilikçi bir yöntem geliştirdi.
LbCNNM-MQR (Learning-Based Convolution Nuclear Norm Minimization with Modified Quantile Regression) adlı bu sistem, zaman serisi verilerinden çok adımlı tahminler üretirken, her tahmin için güven aralıkları da sağlıyor. Geleneksel yöntemlerden farklı olarak, sistem sadece 'gelecek değer 100 olacak' demek yerine, 'gelecek değer %90 olasılıkla 95-105 aralığında olacak' şeklinde daha kapsamlı bilgi sunuyor.
Yöntemin temelinde, eğitim verilerinden elde edilen evrişimli düşük-rank özellikleri bulunuyor. Bu özellikler, verilerdeki gizli kalıpları ve yapıları ortaya çıkararak daha doğru tahminler yapılmasını sağlıyor. Araştırmacılar, bu yaklaşıma değiştirilmiş kantil regresyon tekniğini entegre ederek belirsizlik tahmin yeteneklerini sisteme kazandırdı.
Bu gelişme, finans piyasalarından enerji talebine, sağlık verilerinden iklim tahminlerine kadar birçok alanda uygulanabilir. Özellikle kritik kararlarda, tahminlerin güvenilirlik seviyesini bilmek, risk yönetimi ve stratejik planlama açısından büyük avantaj sağlıyor.