Het voorspellen van de toekomst van een chaotisch systeem, zoals het kolkende pad van een storm of de fluctuerende concentratie luchtvervuiling, levert zelden één enkel getal op. Een voorspeller wordt meestal gevraagd om een hele reeks mogelijkheden: waar het systeem zich over een uur zal bevinden, of het een gevaarlijke drempel zal overschrijden, of in welke brede categorie weer het is terechtgekomen. Elke van deze vragen draagt zijn eigen onzekerheid met zich mee, en het gezamenlijk beantwoorden ervan is een klassieke uitdaging in machine learning. Traditioneel hebben onderzoekers deze vragen behandeld als afzonderlijke taken die tegen elkaar moeten worden afgewogen, vaak door handmatig de belangrijkheid van elke vraag aan te passen totdat de computer een bevredigend resultaat produceert. Deze evenwichtsoefening is moeilijk omdat de vragen in verschillende eenheden worden gemeten; een kleine fout in een temperatuurmeting is niet hetzelfde als een kleine fout in een waarschijnlijkheid. Als de gewichten niet perfect zijn ingesteld, kan het systeem een kritieke waarschuwing negeren om zich te concentreren op een triviaal detail, of het kan moeite verspillen aan het proberen te nauwkeurig te zijn over iets dat inherent onvoorspelbaar is.

Een onderzoeker heeft een nieuwe manier voorgesteld om dit probleem aan te pakken, een manier die de noodzaak voor handmatige afstemming volledig wegneemt. In plaats van de computer te dwingen te kiezen tussen concurrerende doelen, heeft hij een systeem ontworpen waarbij elke vraag zijn eigen natuurlijke schaal en zijn eigen manier van het meten van onzekerheid behoudt. De methode, die hij SCROLL noemt, stelt de computer in staat om het belang van elke taak automatisch te leren terwijl hij de patronen in de data leert. Hij testte deze aanpak op wiskundige modellen van chaotische systemen en op echte luchtkwaliteitsgegevens. Hij stelde vast dat de nieuwe methode niet alleen de toekomstige staat van het systeem kan voorspellen, maar ook hoe onzeker die voorspelling was, met een nauwkeurigheidsniveau dat overeenkwam met de theoretisch best mogelijke uitkomst. Cruciaal was dat dit gebeurde zonder de dure trial-and-error-afstemming die dergelijke systemen gewoonlijk teistert, en dat het betrouwbaar bleef, zelfs wanneer de data drastisch in schaal veranderden.

De kern van het probleem ligt in hoe machines leren voorspellen. Wanneer een computer probeert een stochastisch, of willekeurig fluctuerend, systeem te voorspellen, bouwt het een gedeeld begrip van de data op—een gemeenschappelijke ruggengraat—die het vervolgens gebruikt om specifieke vragen te beantwoorden. Op de oude manier probeerde de computer de fouten voor elke vraag tegelijkertijd te minimaliseren door ze op te tellen tot één enkele score. Om dit werkend te krijgen, moesten onderzoekers beslissen hoeveel gewicht ze aan elke vraag zouden geven. Moet de fout in het voorspellen van een temperatuur zwaarder tellen dan de fout in het voorspellen van een stormwaarschuwing? Ze vonden de oplossing meestal door de computer duizenden keren te laten draaien met verschillende instellingen, een proces dat traag en duur is. Bovendien had deze methode een verborgen gebrek: als de vragen in verschillende eenheden werden gemeten, kon de computer niet gemakkelijk de rekening houden met dat verschil zonder constante menselijke interventie.

De nieuwe aanpak verandert de spelregels. In plaats van de fouten bij elkaar op te tellen, liet de onderzoeker elke vraag in zijn eigen taal spreken. Hij gaf elke taak zijn eigen specifieke model voor hoe deze de wereld observeert en zijn eigen interne maatstaf voor vertrouwen. Deze individuele modellen zijn vervolgens verbonden met de gedeelde ruggengraat, maar ze worden niet gedwongen tot een compromis. Het systeem leert de informatie vrij te routeren, waardoor de onzekerheid van elke taak zichzelf kan aanpassen op basis van de specifieke condities van de data. Dit betekent dat de computer kan leren dat een bepa certain type weer inherent onvoorspelbaarder is dan een ander, en dat het de betrouwbaarheidsinterval dienovereenvolgens zal verbreden, zonder dat hij daarvoor instructies krijgt. De methode absorbeert de verschillen in schaal effectief in het leerproces zelf, waardoor een complexe evenwichtsoefening wordt omgezet in één enkele, vloeiende berekening.

Om te zien of dit idee in de praktijk werkte, testte de onderzoeker het op drie verschillende scenario's. Het eerste was een goed begrepen wiskundig systeem genaamd het Ornstein-Uhlenbeck-proces. In dit geval was het werkelijke gedrag van het systeem exact bekend, waardoor de onderzoeker de resultaten kon controleren tegen een perfect antwoord. Hij stelde vast dat de nieuwe methode het exacte wiskundige patroon van onzekerheid herstelde, wat bewees dat het het juiste gedrag kon leren wanneer het antwoord bekend was. De tweede test was een chaotischer systeem, een variatie op de beroemde Lorenz-vergelijkingen, waarbij de onzekerheid verandert afhankelijk van de huidige staat van het systeem. Hier slaagde de nieuwe methode erin om te volgen hoe de onvoorspelbaarheid van het systeem groeide en kromp, terwijl oudere methoden die geen gebruik maakten van deze flexibele routering, faalden om deze veranderingen te vatten. De derde test betrof echte gegevens: uursmetingen van fijnstof in Beijing. Op deze echte data produceerde de nieuwe methode de meest nauwkeurige voorspellingen voor zowel de vervuilingsniveaus als de waarschijnlijkheid dat gevaarlijke drempels zouden worden overschreden, waarbij zij andere methoden die uitgebreide handmatige afstemming vereisten, overtrof.

Een van de meest opvallende bevindingen was hoe de methode omging met de schaal van de data. In veel voorspellingsproblemen, als je de meeteenheden verandert—bijvoorbeeld temperatuur in Fahrenheit in plaats van Celsius meten, of vervuiling in andere eenheden—zouden de oude methoden vastlopen of zouden de gewichten vanaf nul opnieuw moeten worden afgestemd. De nieuwe methode bleef echter stabiel. Het paste zijn interne parameters automatisch aan om bij de nieuwe schaal te passen, waarbij hetzelfde nauwkeurigheidsniveau werd behouden zonder enige menselijke interventie. Deze eigenschap, bekend als schaal-equivariante (scale equivariance), betekent dat het systeem robuust is tegen de willekeurige keuzes van hoe data wordt gepresenteerd. De onderzoeker toonde ook aan dat de methode het juiste niveau van onzekerheid kon leren, zelfs wanneer de data ruis bevatten, en dat het geen valse patronen van onzekerheid verzonnen waar die niet waren.

De studie onderzocht ook wat er gebeurt wanneer de verschillende taken strijden om de aandacht van de computer. In sommige gevallen waren de taken zo nauw met elkaar verbonden dat het helpen van de één automatisch de anderen hielp. In andere gevallen waren de taken in conflict, en moest het systeem een compromis vinden. De onderzoeker vond dat de nieuwe methode deze conflicten gracieus afhandelde, en vaak een oplossing vond die net zo goed was als het beste mogelijke compromis gevonden door de oude, zwaar afgestemde methoden, maar in een fractie van de tijd. Er werd ook getest of het systeem in staat was om verschillende niveaus van vertrouwen voor verschillende taken te leren, en er werd vastgesteld dat het dit automatisch kon doen, zonder dat er een apart afstemmingsproces voor elk van hen nodig was.

De resultaten suggereren dat de sleutel tot betere voorspellingen niet alleen het hebben van meer data of krachtigere computers is, maar het hebben van een betere manier om verschillende soorten vragen te combineren. Door elke vraag zijn eigen natuurlijke schaal en zijn eigen maatstaf voor onzekerheid te laten behouden, kan het systeem een completer beeld van de toekomst leren. De onderzoeker heeft aangetoond dat deze aanpak niet alleen werkt op eenvoudige wiskundige modellen waar het antwoord bekend is, maar ook op complexe, echte data waar het antwoord onzeker is. Hij toonde aan dat de methode sneller, nauwkeuriger en betrouwbaarder is dan de traditionele manieren om meerdere taken af te stemmen. Hoewel de studie beperkt was tot een klein aantal taken en specifieke typen data, bieden de principes die hij blootlegde een veelbelovend pad vooruit voor het bouwen van voorspellingssystemen die zowel precies als eerlijk zijn over hun eigen onzekerheid. Het werk bewijst dat het mogelijk is om een machine te leren haar eigen twijfels correct te wegen, zonder dat er een mens nodig is om de weegschaal vast te houden.