Sieci Neuronowe

Sieci neuronowe w praktyce to miejsce, gdzie uczenie się z oznakowanych przykładów przez warstwowe transformacje wyjaśnia zarówno możliwości, jak i kruchość systemów AI.

Sieci neuronowe uczą się przez dostosowywanie wag w celu minimalizacji błędu predykcji na przykładach treningowych, a nie przez kodowanie reguł.

Jakość danych treningowych i architektura warstw decydują o tym, co model może i czego nie może reprezentować.

Modele dopasowane do danych treningowych zawodzą na nowych danych wejściowych, demonstrując, że wydajność na znanych danych nie gwarantuje generalizacji.

Model przewidywania ceny wytrenowany na jednym reżimie rynkowym może zawieść, gdy reżim się zmienia, bo wzorce nie obowiązują dłużej.

Zakładanie, że model z wysoką historyczną dokładnością utrzyma tę dokładność w warunkach live.

Przesunięcie dystrybucji, overfitting, problemy z jakością danych i nieprzejrzystość sprawiają, że wyniki sieci neuronowych są zawodne bez ciągłego monitorowania.