AI, která ví, kdy si není jistá
mlj.solutions
mlj.solutions AI, která umí říct “nevím jistě, ale je to jedna z těchto možností”, je spolehlivější než AI, co si vždycky vymyslí odpověď. Nový přístup (Conformal Path Reasoning) dává AI systémům, které odpovídají na základě znalostních grafů, statistickou záruku přesnosti. Výsledek: o 34 % lepší spolehlivost (Empirical Coverage Rate) a o 40 % konkrétnější odpovědi (menší predikční množiny) oproti předchozím metodám. 👉 Jak řešíte spolehlivost AI odpovědí ve vaší firmě?
Zobrazit na Instagramumlj.solutions
mlj.solutions AI se konečně naučila říct: NEVÍM. Většina AI systémů odpovídá vždy - i když si není jistá. CPR to mění: pokud odpověď dá, je statisticky zaručená. Pokud si není jistá, neodpoví vůbec. Proč je to průlom pro enterprise AI? Celý příběh ve čtvrtek. 🎬
Zobrazit na InstagramuO čem studie je
Odpovědi AI nad znalostními grafy jsou dobře vysvětlitelné, ale často chybí záruka, že mezi nabízenými odpověďmi je ta správná. Studie představuje metodu CPR, která tuto záruku statisticky ověřuje na úrovni jednotlivých cest uvažování. Výsledkem je spolehlivější a zároveň kratší seznam odpovědí.
Statistiky
45 %
vyšší pokrytí správných odpovědí
Empirická míra pokrytí vzrostla v průměru o 45 % oproti dřívějším konformním metodám, správná odpověď se tedy v nabídce objevuje výrazně častěji.
52 %
menší množina odpovědí
Nabízené množiny odpovědí se zmenšily v průměru o 52 %, uživatel tak dostává méně a přesnější kandidáty.
2
klíčové inovace metody
Kalibrace na úrovni dotazu zachovává platnost záruk a lehký modul RCVNet se učí rozlišovat kvalitní cesty uvažování od slabých.
Co z toho vyplývá
- Záruka je stejně důležitá jako odpověď, AI v citlivých oblastech musí umět říct, jak moc si je jistá.
- Špatná kalibrace ruší záruky, dřívější metody kvůli neplatné kalibraci statistické záruky porušovaly.
- Menší množina neznamená horší výsledek, metoda zároveň zvyšuje pokrytí a zkracuje seznam odpovědí.
- Stačí lehký doplňkový modul, RCVNet zvyšuje rozlišovací schopnost bez nutnosti měnit samotný jazykový model.
- Vysvětlitelnost se dá auditovat, znalostní grafy nabízejí konkrétní cesty uvažování, které lze zpětně ověřit.
Náš pohled
AI, která odpoví a zároveň dokáže říct, jak moc si je jistá, je pro firmy cennější než AI, která odpoví vždy.
Michal Dobrovolný
zakladel
Zdroj
Lin, S., Zhou, C., Lin, X., Dong, Z., Lu, K., Peng, Z., Yin, J., & Metaxas, D. N. (2026). Conformal Path Reasoning: Trustworthy Knowledge Graph Question Answering via Path-Level Calibration. arXiv:2605.08077. https://arxiv.org/abs/2605.08077
Nepřehlédněte další příspěvky
AI agenti, kteří se učí z vlastních chyb
AI agent se může zlepšovat jen díky paměti vlastních chyb, bez přetrénování modelu. Studie FORGE to ověřila na simulované kybernetické obraně počítačové sítě.
AI doporučuje lék, který neexistuje
Myslíš si, že jsi anonymní, když si smažeš jméno?
Chcete AI implementovat ve vaší firmě?
Projdeme spolu vaše potřeby a navrhneme přístup, který přinese měřitelné výsledky.
Napište nám
