محققان موسسه فناوری ماساچوست (MIT) روش جدیدی را ابداع کرده‌اند که امکان ارائه قابل اعتماد‌ترین پیش‌بینی‌ها بدون نیاز به حجم وسیعی از داده‌ها را فراهم می‌کند.

 اغلب سیستم‌های هوش مصنوعی برای ارائه پیش‌بینی، مبتنی بر مجموعه بزرگی از داده‌ها هستند که در سایت‌هایی مانند آمازون یا نت‌فیلیکس عرضه می‌شوند.

اما جمع‌آوری برخی از داده‌ها از جمله داده‌های جغرافیایی بسیار دشوار هستند و بطور مثال برای پیش‌بینی مسیر توفان، زمان کافی برای بررسی تمامی داده‌های در دسترس وجود ندارد.

محققان موسسه فناوری ماساچوست (MIT)‌ به سرپرستی پروفسور «ریچارد کوک‌برن»، روش جدیدی را برای پیش‌بینی دقیق بدون نیاز به حجم وسیعی از داده‌ها توسعه داده‌اند؛ در مواردی که جمع‌آوری داده دشوار یا فرآیندی زمان‌بر است، این روش جدید قادر به شناسایی زیرمجموعه‌ای از مهمترین داده‌ها است که امکان ارائه دقیق‌ترین پیش‌بینی را فراهم می‌کند.

الگوریتم جدید مبتنی بر روابط بین گزینه‌های مختلف داده‌ها است؛ بطور مثال برای پیش‌بینی وضعیت آب‌ و هوا باید متغیرهایی مانند دما، فشار، سرعت و جهت باد در یک نقطه اندازه‌گیری شوند.

ارتباط بین متغیرهای مختلف، یک مدل گرافیکی احتمالی ارائه می‌کند که شامل مجموعه‌ای از گره‌ها به شکل دایره و خطوط اتصال است؛ هر گره‌ نشانگر یک متغیر است و خطوط اتصال، ارتباط قویتر بین متغیرها را تعیین می‌کند.

از این طریق امکان شناسایی و دستیابی به زیرمجموعه‌ای از مهمترین داده‌ها برای ارائه دقیق‌ترین پیش‌بینی در کوتاه‌ترین زمان ممکن فراهم می‌شود.

این روش‌ جدید می‌تواند برای ارزیابی میزان ذخایر نفتی یا پیش‌بینی دقیق وضعیت هوا و وقوع توفان مورد استفاده قرار گرفته و به صرفه‌جویی در زمان و هزینه‌ها منجر شود.

نتایج این دستاورد در کنفرانس Uncertainty in Artificial Intelligence ارائه شد.