Quantificação de Incerteza

Quantificação de incertezas (UQ, do inglês uncertainty quantification) é a ciência da caracterização e estimativa quantitativa de incertezas em aplicações computacionais e do mundo real. Seu objetivo é determinar quão prováveis são certos resultados se alguns aspectos de um sistema não são exatamente conhecidos. Por exemplo, prever a aceleração de um corpo humano em uma colisão frontal com outro carro envolve incerteza: mesmo que a velocidade seja exatamente conhecida, pequenas diferenças na fabricação, no aperto dos parafusos e em outros fatores levam a resultados diferentes que só podem ser previstos em um sentido estatístico. Muitos problemas nas ciências naturais e na engenharia estão repletos de fontes de incerteza, e experimentos computacionais em simulações são a abordagem mais comum para estudar UQ.

A UQ tornou-se cada vez mais importante com o avanço do aprendizado de máquina e da inteligência artificial, onde modelos frequentemente fornecem previsões sem medidas de confiança inerentes. Nesses contextos, a UQ ajuda a quantificar a confiabilidade do modelo, apoiando uma implantação mais segura em domínios de alto risco, como saúde, direção autônoma e finanças.

Fontes de Incerteza

A incerteza pode entrar em modelos matemáticos e medições experimentais de várias maneiras. Uma categorização distingue várias fontes:

• Incerteza de parâmetros: Surge de parâmetros do modelo que são entradas do modelo computacional, mas cujos valores exatos são desconhecidos ou não podem ser controlados em experimentos físicos. Exemplos incluem a aceleração de queda livre local em um experimento de queda de objetos, propriedades de materiais em análise de elementos finitos e incerteza de multiplicador na otimização de políticas macroeconômicas.
• Variabilidade paramétrica: Provém da variabilidade das variáveis de entrada. Por exemplo, dimensões de uma peça manufaturada podem desviar das especificações de projeto, causando variabilidade de desempenho.
• Incerteza estrutural: Também conhecida como inadequação do modelo, viés do modelo ou discrepância do modelo, decorre da falta de conhecimento da física subjacente. Modelos são quase sempre aproximações; por exemplo, o modelo de queda livre ignora o atrito do ar, criando uma discrepância entre modelo e realidade mesmo sem parâmetros desconhecidos.
• Incerteza algorítmica: Também chamada de incerteza numérica ou discreta, surge de erros numéricos e aproximações na implementação do modelo computacional. Técnicas como métodos de elementos finitos ou métodos de diferenças finitas aproximam soluções de equações diferenciais parciais, introduzindo erros. Integração numérica e truncamento de somas infinitas são outros exemplos.
• Incerteza experimental: Também conhecida como erro de observação, provém da variabilidade nas medições experimentais. Repetir uma medição sob configurações idênticas produz resultados diferentes, tornando essa incerteza inevitável.
• Incerteza de interpolação: Resulta da falta de dados de simulações ou experimentos. Para configurações de entrada sem dados, é necessária interpolação ou extrapolação, introduzindo incerteza.

Incerteza Aleatória e Epistêmica

A incerteza é frequentemente classificada em duas categorias, proeminentemente em aplicações médicas:

• Incerteza aleatória: Também conhecida como incerteza estocástica, representa desconhecidos que diferem a cada vez que o mesmo experimento é executado. Por exemplo, flechas disparadas com um arco mecânico que duplica exatamente cada lançamento não atingirão todas o mesmo ponto devido a vibrações aleatórias da haste da flecha. O termo deriva do latim alea (dado), referindo-se a jogos de azar. A incerteza aleatória é irredutível na prática, embora uma medição melhorada pudesse teoricamente deslocá-la para a epistêmica.
• Incerteza epistêmica: Também conhecida como incerteza sistemática, surge de coisas que se poderia, em princípio, saber, mas que não se sabe na prática. Isso pode ser devido a medições imprecisas, efeitos negligenciados no modelo ou dados deliberadamente ocultos. Por exemplo, a aceleração gravitacional comumente usada de 9,8 m/s² ignora a resistência do ar, mas medir e incorporar o arrasto poderia reduzir a incerteza no cálculo da aceleração gravitacional.

A incerteza aleatória e a epistêmica podem ocorrer simultaneamente. Por exemplo, quando parâmetros experimentais exibem incerteza aleatória e são inseridos em uma simulação computacional, um modelo substituto (por exemplo, um processo gaussiano ou uma expansão do caos polinomial) aprendido a partir de experimentos computacionais exibe incerteza epistêmica que depende ou interage com a incerteza aleatória. Essa incerteza combinada é uma incerteza inferencial mais geral.

Em aplicações reais, ambos os tipos estão presentes, e a UQ visa expressá-los separadamente. Quantificar a incerteza aleatória é relativamente direto, frequentemente usando probabilidade frequentista tradicional e técnicas como o método de Monte Carlo. Distribuições de probabilidade podem ser representadas por momentos (para casos gaussianos, média e covariância são suficientes, embora em geral todos os momentos não especifiquem unicamente uma distribuição) ou por expansões de Karhunen–Loève e do caos polinomial. A incerteza epistêmica é geralmente compreendida por meio da probabilidade bayesiana, onde probabilidades são interpretadas como graus de crença.

Métodos em Quantificação de Incertezas

A UQ emprega uma variedade de métodos computacionais e estatísticos:

• Métodos de Monte Carlo: Envolvem amostragem aleatória repetida para estimar distribuições de probabilidade das saídas. São amplamente usados para propagação de incerteza aleatória, mas podem ser computacionalmente caros para modelos complexos.
• Expansões do caos polinomial: Representam saídas do modelo como expansões em polinômios ortogonais das variáveis de entrada, permitindo propagação eficiente de incerteza. São particularmente úteis quando as distribuições de entrada são conhecidas.
• Emuladores de processo gaussiano: Também conhecidos como Kriging, esses modelos substitutos aproximam simulações caras, fornecendo previsões com incerteza associada. São comuns em aprendizado de máquina para UQ.
• Inferência bayesiana: Este arcabouço atualiza crenças sobre parâmetros do modelo com base em dados, produzindo distribuições posteriores que quantificam a incerteza epistêmica. É central para muitas abordagens de UQ.
• Análise de sensibilidade: Identifica quais incertezas de entrada mais influenciam a variabilidade da saída, orientando a alocação de recursos para reduzir a incerteza.

Em aprendizado profundo, técnicas de UQ incluem redes neurais bayesianas, dropout de Monte Carlo e métodos de conjunto. Essas abordagens estimam a incerteza preditiva, que é crucial para saídas confiáveis de modelos de linguagem de grande escala e outros sistemas de IA.

Aplicações

A UQ é aplicada em diversos campos:

• Engenharia: Em engenharia estrutural e aeroespacial, a UQ avalia margens de segurança sob incertezas de material e carga. Por exemplo, modelos de elementos finitos de componentes de aeronaves incorporam UQ para garantir confiabilidade.
• Modelagem climática: Projeções climáticas dependem de UQ para quantificar a incerteza em cenários futuros de temperatura e precipitação, informando decisões políticas.
• Saúde: No diagnóstico médico e planejamento de tratamento, a UQ ajuda a interpretar previsões de modelos, como na análise de imagens, onde a incerteza indica confiança em anomalias detectadas.
• Finanças: Avaliação de risco e otimização de portfólio usam UQ para modelar incertezas de mercado e eventos extremos.
• Sistemas autônomos: Veículos autônomos, como os desenvolvidos pela Waymo e Tesla Autopilot, usam UQ para avaliar a confiança na percepção e tomada de decisão, aumentando a segurança.
• Ciências naturais: Em física e química, a UQ quantifica incertezas experimentais e de modelagem em simulações de sistemas complexos.

Desafios e Direções Futuras

Apesar dos avanços, a UQ enfrenta vários desafios:

• Custo computacional: Simulações de alta fidelidade são caras, tornando difícil a propagação extensiva de incerteza. Modelos substitutos ajudam, mas introduzem suas próprias incertezas.
• Alta dimensionalidade: Sistemas com muitos parâmetros incertos exigem métodos eficientes para evitar a maldição da dimensionalidade.
• Inadequação do modelo: A incerteza estrutural é difícil de quantificar porque o modelo verdadeiro é desconhecido. Abordagens como a média de modelos bayesianos tentam lidar com isso.
• Escassez de dados: Em muitas aplicações, dados limitados dificultam a estimativa precisa de incerteza, especialmente para incerteza epistêmica.

Pesquisas futuras focam em integrar UQ com aprendizado de máquina e aprendizado profundo, desenvolver algoritmos escaláveis e melhorar a interpretabilidade. À medida que os sistemas de IA se tornam mais prevalentes, a UQ será essencial para a tomada de decisão confiável.

Relação com a Inteligência Artificial

Em inteligência artificial, a UQ é crítica para a confiabilidade do modelo. Modelos de redes neurais frequentemente produzem previsões excessivamente confiantes, e métodos de UQ ajudam a calibrar a confiança. Para modelos de linguagem de grande escala, a UQ pode indicar quando um modelo está incerto sobre suas respostas, reduzindo alucinações. Organizações como OpenAI, Anthropic e Google DeepMind investem em pesquisa de UQ para aumentar a segurança. Técnicas como escala de temperatura e métodos de conjunto são usadas para melhorar a calibração. A UQ também se cruza com IA generativa, onde medir a incerteza em conteúdo gerado é uma área ativa.

Ver Também

• aprendizado de máquina
• aprendizado profundo
• rede neural
• modelo de linguagem de grande escala
• inferência bayesiana (não na lista, mas relevante)

Referências

Este artigo é baseado na entrada da Wikipédia sobre Quantificação de incertezas, que fornece uma visão geral abrangente do tópico.