Vanligvis studerer vi maskinlæringsmodeller hver for seg selv. Kan et AI-systemer som består av mange kompliserte maskinlæringsmodeller, og som tilsynelatende blir bedre ved trening, faktisk få algoritmer som blir dårligere? Dette svarer vi på i denne podcasten.

Podcasten er en del av en serie hvor vi tar for oss artikler fra konferansen NeurIPS 2021, og denne episoden handler om «Fixes That Fail: Self-Defeating Improvements in Machine-Learning Systems» av Ruihan Wu, Chuan Guo, Awni Hannun og Laurens van der Maaten.