Tekrarlanabilir Yapay Zeka: Neden Önemli ve Nasıl Geliştirilir
Tekrarlanabilirlik bilimsel araştırmanın temel bir parçasıdır. Araştırmacıların ve yapay zeka ekiplerinin, açıkça tanımlanmış koşullar altında bir sonucun tekrar elde edilip edilemeyeceğini kontrol etmelerini sağlar.
OECD'nin bilimde yapay zeka üzerine hazırladığı bir rapor, yapay zeka araştırmalarının daha geniş tekrarlanabilirlik krizinden kaçamadığını savunuyor. Görüntü tanıma, doğal dil işleme, pekiştirmeli öğrenme, öneri sistemleri, tıp ve sosyal bilimler genelinde tekrarlanabilirlik sorunlarının ortaya çıktığına dair kanıtlar sunuyor. Ayrıca yapay zeka araştırmalarının 70%'ının tekrarlanamaz olduğunu belirtiyor.1
Sorun artık araştırmacıların kod paylaşıp paylaşmadığı değil. Daha zor olan soru, paylaşılan yapıtların başka bir ekibin sonucu doğrulayabilmesi için yeterince eksiksiz olup olmadığıdır. Bu, net araştırma soruları, veri ve koda erişim, model ayarları, ortam ayrıntıları, değerlendirme betikleri ve dokümantasyon gerektirir.
Yapay zeka için tekrarlanabilirliğin neden önemli olduğunu ve işletmelerin bunu yapay zeka projelerinde nasıl iyileştirebileceğini öğrenin.
Yapay zekada tekrarlanabilirlik nedir?
Yapay zeka tekrarlanabilirliği, orijinal veri, kod, model ayarları ve ortam mevcut olduğunda ve belgelendiğinde aynı veya benzer sonucu elde edebilme yeteneğidir.
Yapay zekada sıklıkla birbirine karıştırılan üç ilgili terim vardır:
- Yineleme (Repeatability): Aynı ekip aynı kod, veri ve kurulumu kullanarak aynı sonucu elde eder. Örneğin, bir veri bilimi ekibi eğitim işlem hattını yeniden çalıştırır ve aynı metriği alır.
- Tekrarlanabilirlik (Reproducibility): Farklı bir ekip, orijinal yapıtları kullanarak aynı sonucu elde eder. Örneğin, başka bir laboratuvar bir makaleyle yayımlanan kod ve veriyi çalıştırır ve aynı sonucu alır.
- Yeniden Yapma (Replicability): Farklı bir ekip, yeni kod, veri veya deneylerle aynı bulguyu elde eder. Örneğin, ikinci bir ekip aynı iddiayı yeni bir uygulama ve yeni bir veri kümesiyle test eder.
Yapay zeka tekrarlanabilirliği üç temel bileşene bağlıdır:
- Veri kümesi eğitim, doğrulama ve test verilerini, veri bölümlemelerini, etiketleri ve ön işleme adımlarını içerir.
- Yapay zeka algoritması; model türü, parametreler, hiperparametreler, öznitelikler, ağırlıklar, prompt'lar ve kodu içerir.
- Ortam; yazılım sürümleri, donanım, işletim sistemi, sürücüler, rastgele tohumlar ve dağıtım ayarlarını içerir.
Her üç bileşendeki değişiklikler izlenmeli ve kaydedilmelidir.
Tekrarlanabilirliğin de bir sınırı vardır. Bir sonuç tekrarlanabilir olup yine de yanlış olabilir. Örneğin, ön işleme kodundaki bir hata, aynı kodu çalıştıran her ekip tarafından yeniden üretilebilir. Tekrarlanamayan bir sonuç da sahtekarlığın kanıtı değildir. Eksik ayrıntıları, mevcut olmayan verileri, farklı donanımı veya belirsiz bir değerlendirme protokolünü yansıtabilir.
Yapay zekada tekrarlanabilirlik neden önemlidir?
Tekrarlanabilirlik, hem yapay zeka araştırması hem de kurumsal yapay zeka uygulamaları için önemlidir, ancak hedefler farklıdır.
Yapay zeka ve makine öğrenmesi araştırması için, tekrarlanabilirlik, bağımsız araştırmacıların sonuçları incelemesine, orijinal deneyi yeniden çalıştırmasına ve önceki çalışmaların üzerine inşa etmesine olanak tanır. Bilimsel ilerleme bu sürece bağlıdır. Bir makale; kod, veri, model ayarları ve değerlendirme ayrıntılarını belgelemezse, diğer araştırmacılar sonucun sağlam bir bulgu mu yoksa bir kurulumun artefaktı mı olduğunu ayırt edemeyebilir.
İşletmedeki yapay zeka uygulamaları için, tekrarlanabilirlik hata ayıklamayı, denetlenebilirliği ve istikrarlı dağıtımı destekler. Ekipler, belirli bir çıktıyı hangi veri sürümünün, model sürümünün, prompt'un, ortamın ve yapılandırmanın ürettiğini bilmelidir. Bu, kalite güvencesi, olay incelemesi ve uyumluluk için önemlidir.
Tekrarlanabilirlik aynı zamanda bir yönetişim gerekliliği haline gelmektedir. AB Yapay Zeka Yasası gibi düzenlemeler, yüksek riskli yapay zeka sistemleri için teknik dokümantasyon ve kayıt tutmayı zorunlu kılar. Bu, izlenebilir veri kümeleri, model sürümleri, değerlendirme günlükleri ve dağıtım kayıtlarına olan ihtiyacı artırır.
Tekrarlanabilir yapay zekanın zorlukları nelerdir?
Yaşam döngüsü aşaması | Zorluk | Örnek |
|---|---|---|
Data | Veri kümesi mevcudiyeti, değişen veriler ve tutarsız ön işleme | Bir sağlık hizmeti veri kümesi mülkiyete tabidir veya NLP ön işlemesi stopwords'leri farklı şekilde kaldırır. |
Training | Rastlantısallık ve tohum hassasiyeti | Farklı ağırlık başlatma veya stokastik gradyan inişi (SGD) çalışmaları farklı metrikler üretir. |
Training | Belirlenimci olmayan donanım ve yazılım | GPU çekirdekleri, CUDA sürümleri veya framework güncellemeleri sayısal sonuçları değiştirir. |
Training | Hiperparametre arama | Öğrenme oranı veya toplu iş boyutu değiştirilir ancak kaydedilmez. |
Evaluation | Kıyaslama aşırı uyumu ve kirlenme | Bir model iyi performans gösterir çünkü kıyaslama verileri eğitim verilerinde yer almıştır. |
Evaluation | Değerlendirme protokolü farklılıkları | İki LLM değerlendirme donanımı farklı prompt formatları veya cevap ayrıştırıcıları kullanır. |
Deployment | API kayması ve model güncellemeleri | Kapalı bir model uç noktası, sessiz bir güncellemeden sonra davranışını değiştirir. |
Reporting | Seçici raporlama ve eksik varyans | Yalnızca en iyi çalışma raporlanır; ortalama, standart sapma veya güven aralığı verilmez. |
1. Rastlantısallık ve algoritmaların stokastik yapısı
Birçok yapay zeka modeli, özellikle derin öğrenme algoritmaları, eğitim ve çıkarım süreçleri sırasında rastlantısallık barındırır. Örneğin, rastgele ağırlık başlatma, dropout katmanları ve stokastik gradyan inişi (SGD), aynı veri kümesi, kod tabanı ve ortam kullanıldığında bile değişkenliğe katkıda bulunur.
Bu sorun, LLM'ler gibi doğası gereği olasılıksal olan Büyük Dil Modellerinde (Large Language Models) özellikle belirgindir; örneğin GPT-5, Gemini veya LLaMA. Aynı girdi ve yapılandırmayla prompt'lar yapıldığında bile, özellikle sıcaklık (temperature) veya top-k örnekleme parametreleri ayarlanmışsa farklı çıktılar üretebilirler. Bu ayarlar, çıktı üretiminin rastlantısallığını kontrol eder:
- Sıcaklık (Temperature), token örneklemesi sırasında kullanılan olasılık dağılımını ayarlar. Daha yüksek bir sıcaklık (örn. 1.0) daha çeşitli, yaratıcı çıktılar üretirken, daha düşük bir sıcaklık (örn. 0.2) daha belirlenimci yanıtlar verir.
- Top-k veya top-p (çekirdek) örneklemesi, her adımda dikkate alınan token aralığını sınırlayarak rastlantısallığı daha da kontrol eder.
Bir LLM'ye aynı paragrafı 0.9 sıcaklıkla iki kez özetlemesi istendiğinde, önemli ölçüde farklı özetler elde edilebilir. Bu değişkenlik, ayarlar sabitlenmediği ve açıkça belgelenmediği sürece model davranışını doğrulamayı veya yeniden üretmeyi zorlaştırır.
Sözleşme özetleme, chatbot yanıtları veya yapay zeka kodlama asistanları gibi kurumsal uygulamalarda bu öngörülemezlik, hata ayıklama, uyumluluk ve kalite güvencesi açısından zorluklar doğurur. Ekipler, rastgele tohum ve sıcaklık dahil tüm parametreler tutarlı şekilde günlüğe kaydedilmedikçe, belirli bir çıktıya hangi yapılandırmanın yol açtığını izlemekte zorlanabilir.
Örneğin, Thinking Machines Lab, toplu-değişmezlik hatasını LLM çıkarımındaki belirlenimsizliğin başlıca kaynağı olarak açıklamıştır. İdeal olarak, bir model, yalnız başına veya diğer isteklerle birlikte işlenmesinden bağımsız olarak belirli bir prompt için aynı çıktıyı üretmelidir. Ancak, modern sunum sistemleri GPU verimliliğini artırmak için istekleri dinamik olarak toplu hale getirir ve birçok GPU çekirdeği, toplu iş boyutuna veya düzenine bağlı olarak yürütme desenlerini değiştirir.
Kayan noktalı işlemler tam olarak birleşme özelliğine sahip olmadığından, hesaplama sırasındaki küçük değişiklikler logitleri hafifçe değiştirebilir. Kod çözme sırasında bu ufak farklılıklar sonunda modelin farklı token'lar seçmesine yol açarak, belirlenimci ayarlarda (örn. sıcaklık = 0) bile farklı çıktıların oluşmasına neden olabilir. Gerçekte, modelin sonucu, toplu işi hangi isteklerle paylaştığına bağlı olduğundan, çıkarım belirlenimsiz görünür.2
2. Veri ön işlemede standardizasyon eksikliği
Temizleme, filtreleme, büyültme, normalleştirme, tokenization ve özellik çıkarma gibi ön işleme adımları çoğu zaman tam olarak belgelenmez. Küçük farklılıklar nihai sonucu değiştirebilir.
Görüntü modellerinde yeniden boyutlandırma, kırpma veya büyültme sırası doğruluğu etkileyebilir. NLP'de tokenization, stopwords kaldırma, büyük/küçük harf dönüşümü veya kırpma metrikleri etkileyebilir. Tablo modellerinde eksik değer işleme ve özellik ölçeklendirme model davranışını değiştirebilir.
Ekipler, ön işleme kodunu modelin bir parçası olarak görmelidir. Sürümlendirilmeli, test edilmeli ve model yapıtıyla birlikte günlüğe kaydedilmelidir.
3. Belirlenimci olmayan donanım ve yazılım
Yapay zeka algoritmalarının yürütülmesi, farklı donanım (CPU'lar, GPU'lar, TPU'lar) ve hatta aynı donanım üzerinde dahi kütüphanelerdeki belirlenimci olmayan süreçler nedeniyle değişiklik gösterebilir. Bu kütüphanelerin sürüm farklılıkları, kod ve veri aynı olsa bile daha fazla değişkenlik getirebilir.
Örneğin, PyTorch 2.10, modern makine öğrenmesi iş akışlarında belirlenimcilik ve sayısal sorunların hata ayıklanmasına odaklanan çeşitli iyileştirmeler getirmiştir.
Dağıtık pekiştirmeli öğrenme ve büyük ölçekli eğitim sonrası işlem hatları daha yaygın hale geldikçe, tekrarlanabilir yürütmeyi sağlamak ve ince sayısal farklılıkları teşhis etmek giderek daha önemli hale gelmiştir. Bunu ele almak için sürüm, gönderilen çağrıları izleyen ve yürütme sırasında sayısal kararsızlık kaynaklarının belirlenmesine yardımcı olan DebugMode gibi yeni hata ayıklama yetenekleri eklemiştir.3
4. Hiperparametre ayarlama
Birçok yapay zeka modeli, öğrenme oranı, toplu iş boyutu veya düzenlileştirme gücü gibi ince ayar gerektiren hiperparametrelere dayanır. Bunlar çoğu zaman yeterli ayrıntıyla paylaşılmaz veya seçimleri titizlikle açıklanmaz; bu da sonuçların tekrarlanmasını zorlaştırır. Ayrıca, hiperparametrelerdeki küçük değişiklikler farklı performans sonuçlarına yol açabilir.
5. Eksik yapıtlar ve dokümantasyon
Bir makale kod paylaşabilir ancak yine de tekrarlanması zor olabilir. Eksik dosyalar, tamamlanmamış README talimatları, mevcut olmayan model ağırlıkları, gizli ön işleme betikleri veya belgelenmemiş bağımlılıklar yeniden üretimi durdurabilir.
Yararlı yapıtlar şunları içerir:
- Kod ve tam commit hash'i.
- Eğitim, doğrulama ve test veri sürümleri.
- Model ağırlıkları ve kontrol noktaları.
- Ortam dosyaları (örneğin
requirements.txt,pip freeze, conda ortam dosyaları, lock dosyaları, Dockerfile'lar veya Nix yapılandırmaları). - Eğitim günlükleri ve değerlendirme betikleri.
- Rastgele tohumlar ve donanım ayrıntıları.
- Tam işlem hattını çalıştırma talimatları.
Model Kartları ve Veri Kümesi Veri Sayfaları gibi dokümantasyon standartları, bu bilgilerin incelenmesini kolaylaştırmaya yardımcı olur.
6. Sürümleme sorunları
Yapay zeka yazılım ekosistemlerinin dinamik yapısı, kütüphanelerin ve framework'lerin sürekli evrilmesine neden olur. Bir kütüphanenin belirli bir sürümüyle eğitilen bir model, kod değişmeden kalsa bile daha sonraki bir sürümde çalıştırıldığında aynı performansı göstermeyebilir. Tüm bağımlılıkların sürümlerini takip etmek zor olabilir ve sürümleme genellikle yetersiz belgelenir.
7. Veri kümesi mevcudiyeti ve değişkenlik
Yapay zeka araştırmalarında kullanılan bazı veri kümeleri mülkiyete tabidir veya kamuya açık değildir, bu da çalışmaların yeniden yapılmasını imkansız kılar. Veri kümeleri mevcut olsa bile, örnekleme, güncellemeler veya araştırma sırasında uygulanan farklı ön işleme teknikleri nedeniyle farklılıklar olabilir.
8. Hesaplama kaynakları
En gelişmiş yapay zeka modellerini yeniden üretmek, genellikle GPU'lar veya TPU'lar gibi özel donanım dahil olmak üzere önemli hesaplama kaynakları gerektirir. Aynı düzeyde kaynağa erişimi olmayan araştırmacılar veya uygulayıcılar, sonuçları yeniden yapmakta zorlanabilir.
9. Belirli test kümelerine aşırı uyum
Bazı durumlarda modeller, istemeden belirli test kümelerine veya kıyaslamalara aşırı uyum sağlar. Bu modeller farklı ortamlarda veya biraz değiştirilmiş veri kümelerinde test edildiğinde sonuçlar genelleşmeyebilir ve bu da tekrarlanabilirliği zorlaştırır.
10. Raporlamada Önyargı ve sonuçların cımbızlanması
Araştırmacılar, birden fazla çalıştırma sonrasında bir modelin en iyi performans gösteren sürümünü, çalışmalar arasındaki değişkenliği belirtmeden veya yapılan toplam deney sayısını açıklamadan raporlayabilir. Bu seçici raporlama, sonuçların algılanan tekrarlanabilirliğini çarpıtır.
Tekrarlanabilir yapay zeka örnekleri
NeurIPS Tekrarlanabilirlik Programı
NeurIPS 2019 tekrarlanabilirlik programı, alan düzeyinde altyapıya iyi bir örnektir. Bir tekrarlanabilirlik kontrol listesini, bir kod gönderim politikasını ve bir topluluk tekrarlanabilirlik yarışmasını bir araya getirdi. Bu çabaların ardından NeurIPS'te kod paylaşımı arttı ve tekrarlanabilirlik, inceleme sürecinin daha görünür bir parçası haline geldi.
ML Tekrarlanabilirlik Yarışması
ML Tekrarlanabilirlik Yarışması, araştırmacılara yayımlanmış iddiaları test etmeleri için yapılandırılmış bir yol sunar. Katılımcılar makaleler seçer, deneyleri yeniden çalıştırır veya yeniden uygular ve ana bulguların geçerli olup olmadığını raporlar. Bu, alanın hem başarılı yeniden üretimlerden hem de başarısızlıklardan öğrenmesine yardımcı olur.4
Papers with Code
Papers with Code, araştırma makalelerini kod, veri kümeleri, yöntemler ve kıyaslama sonuçlarıyla ilişkilendirir. Bu, araştırmacıların ve uygulayıcıların uygulama yapıtlarını bulmasını ve yöntemleri karşılaştırmasını kolaylaştırır.5
Toplu işlemden bağımsız LLM çıkarımı
Thinking Machines Lab'ın toplu işlemden bağımsız çıkarım üzerine çalışması, düşük seviyeli sunum ayrıntılarının tekrarlanabilirliği nasıl etkileyebileceğini göstermektedir. Modern LLM sunumunda dinamik toplu işleme, sayısal yürütmeyi değiştirebilir. Küçük sayısal farklılıklar token seçimini etkileyebileceğinden, aynı prompt farklı çıktılar üretebilir. Toplu işlemden bağımsız çekirdekler, bu belirlenimsizlik kaynağını azaltmanın bir yoludur.6
Kurumsal MLOps işlem hattı
Pratik bir kurumsal örnek, veri kümesi sürümlemesi için DVC, deney takibi için MLflow ve ortamı yakalamak için sabitlenmiş bir Docker imajı kullanan bir model denetim işlem hattıdır. Bir model kararı sorgulandığında ekip, o anda kullanılan tam veri kümesini, kod sürümünü, model yapıtını ve değerlendirme raporunu geri getirebilir.
Yapay zeka araştırmacılarının tekrarlanabilirliği ele almadaki rolü
Yapay zeka araştırmacıları yeni modeller geliştirir, ancak aynı zamanda diğer ekiplerin kullandığı kanıt temelini de şekillendirirler. Yapıtlar eksiksiz, belgelenmiş ve istikrarlı olduğunda çalışmalarının doğrulanması daha kolay olur.
Araştırma topluluğu, tekrarlanabilirlik uygulamalarını iyileştirmiştir. NeurIPS, 2019 yılında bir kod gönderim politikası, bir tekrarlanabilirlik kontrol listesi ve bir topluluk tekrarlanabilirlik yarışması içeren bir tekrarlanabilirlik programı başlattı.7 Daha sonraki analizler, bu çabaların ardından NeurIPS'te kod paylaşımında belirgin bir artış olduğunu ortaya koydu.
Yapay zeka araştırmacıları tekrarlanabilirliği daha da iyileştirmek için şunları yapmalıdır:
- Mümkün olduğunda kod, veri, model ağırlıkları ve değerlendirme betiklerini paylaşın.
- Kod ve yapıtları kalıcı tanımlayıcılarla arşivleyin.
- Tam hiperparametreleri, veri bölümlemelerini, prompt'ları, tohumları ve donanımı raporlayın.
- En iyi çalışma yerine birden fazla çalışma arasındaki varyansı raporlayın.
- Model Kartları ve Veri Kümesi Veri Sayfaları gibi dokümantasyon standartlarını kullanın.
- Makine Öğrenmesi Tekrarlanabilirlik Kontrol Listesi ve NeurIPS Makale Kontrol Listesi gibi yapılandırılmış kontrol listelerini takip edin.
- ML Tekrarlanabilirlik Yarışması gibi platformlar aracılığıyla bağımsız yeniden üretimi ve tekrarlamayı teşvik edin.
Veri veya kod yayımlanamadığında araştırmacılar kısıtlamayı açıklamalı ve bir proxy veri kümesi, sentetik bir örnek, çalıştırılabilir bir ortam veya ayrıntılı bir yeniden üretim protokolü sağlamalıdır.
Tercih edilen kaynak olarak ekleYapay zekada tekrarlanabilirlik nasıl geliştirilir?
Kurumsalda yapay zeka tekrarlanabilirliğini sağlamanın en iyi yolu, MLOps en iyi uygulamalarından yararlanmaktır. MLOps, yapay zeka ve makine öğrenmesi yaşam döngüsünü otomasyon ve kuruluş içinde birleşik bir framework ile düzene koymayı içerir.
Yararlı araçlar ve teknikler şunları içerir:
- Deney takibi: MLflow, Neptune ve Comet gibi araçlar metrikleri, parametreleri, yapıtları ve çalışma geçmişini kaydetmeye yardımcı olur.
- Veri sürümleme ve köken: DVC, LakeFS, Pachyderm ve Delta Lake gibi araçlar, veri kümelerinin nasıl değiştiğini izlemeye yardımcı olur.
- Model sürümleme: Model kayıtları, model sürümlerini, üstveriyi, imzaları ve dağıtım aşamalarını depolamaya yardımcı olur.
- Ortam yakalama: Docker, conda, pip freeze, lock dosyaları ve Nix, yazılım bağımlılıklarını korumaya yardımcı olur.
- İşlem hattı orkestrasyonu: Tekrarlanabilir iş akışları, veri hazırlığının, eğitimin, değerlendirmenin ve dağıtımın uçtan uca nasıl çalıştığını tanımlamalıdır.
- Günlükleme ve denetim izleri: Ekipler, önemli kararlar için model girdilerini, çıktılarını, prompt'ları, model sürümlerini ve ortam üstverisini günlüğe kaydetmelidir.
Güvenilir yapay zeka ne anlama gelir ve tekrarlanabilir yapay zeka ile nasıl ilişkilidir?
Güvenilir yapay zeka, beklenen koşullar altında tutarlı ve doğru performans gösteren sistemleri ifade eder. Tekrarlanabilirlik güvenilirliği destekler, ancak aynı şey değildir.
Tekrarlanabilir bir sistem yeniden çalıştırılabilir ve denetlenebilir. Güvenilir bir sistem aynı zamanda amaçlanan kullanımı için doğru, sağlam, güvenli, adil ve emniyetli olmalıdır. Tekrarlanabilirlik, sonuçları izlenebilir hale getirerek ekiplerin bu nitelikleri test etmesine yardımcı olur.
Tekrarlanabilirlik, güvenilir yapay zekayı beş şekilde destekler:
- Çalışmalar arası tutarlılık: Ekipler, bir sonucun aynı kurulum altında istikrarlı olup olmadığını kontrol edebilir.
- Hata ayıklama ve denetleme: Ekipler, bir çıktıyı hangi veri, kod, model ve ortamın ürettiğini izleyebilir.
- Sağlam test: Ekipler, veri kümeleri, model sürümleri ve dağıtım ayarları arasındaki davranışı karşılaştırabilir.
- Uyumluluk: Ekipler, iç denetimler ve dış düzenlemeler için dokümantasyon ve kayıtları tutabilir.
- Bilimsel bütünlük: Araştırmacılar iddiaları doğrulayabilir ve daha az belirsizlikle üzerine inşa edebilir.
Bu araştırmayı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Tekrarlanabilir Yapay Zeka: Neden Önemli ve Nasıl Geliştirilir}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/reproducible-ai}},
note = {AIMultiple. Erişim tarihi: 23 Haziran 2026}
}Referans Linkleri
Yorumlar 2
Düşüncelerinizi Paylaşın
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.
I have been working on this and have achieved it with on CPU. Repeatable determinism or reproducibility is a key stone of dependable systems and when applied in convolutional network can have higher accuracy. These are some of the academically peer-reviewed publications made in the IEEE. • [1] R. Rudd-Orthner and L. Mihaylova, “Non-Random weight initialisation in deep learning networks for repeatable determinism,” in Peer Reviewed Proc. of the 10th IEEE International Conference Dependable Systems Services and Technologies (DESSERT-19), Leeds, UK, 2019. o This conference paper proved that an alternative to the random initialisation was possible and provided an almost equal performance but with reproducibility. Presented at the UK Ukraine and Northen Island IEEE branches conference in Leeds. • [2] R. Rudd-Orthner and L. Milhaylova, “Repeatable determinism using non-random weight initialisations in smart city applications of deep learning,” Journal of Reliable Intelligent Environments in a Smart Cities special edition, vol. 6, no. 1, pp. 31-49, 2020. o This Journal paper enhanced the performance to an equivalent performance by using the limits from He and Xavier and made the previous reproducibility a more general case for general use, although it was limited to Dense layers. • [3] R. Rudd-Orthner and L. Milhaylova, “Non-random weight initialisation in deep convolutional networks applied to safety critical artificial intelligence,” in Peer Reviewed Proc. of the 13th International Conference on Developments in eSystems Engineering (DeSe), Liverpool, UK, 2020. o This conference paper proved an approach to Convolutional layers that as alternative to the random initialisation and provided a higher performance with reproducibility. Presented at the UK and UAE IEEE branches conference in Liverpool held virtually. • [4] R. Rudd-Orthner and L. Milhaylova, “Deep convnet: non-random weight initialization for repeatable determinism with FSGM,” Sensors, vol. 21, no. 14, p. 4772, 2021. o This Journal paper extended the work into colour images proofs and used the cyber FSGM attack as a method for measuring effect in transferred learning. • [5] R. Rudd-Orthner and L. Milhaylova, “Multi-type aircraft of remote sensing images: MTARSI2,” Zenodo, 30 June 2021. [Online]. Available: https://zenodo.org/record/5044950#.YcWalmDP2Ul. [Accessed 30 June 2021]. o This was the colour dataset used. • [6] R. Rudd-Orthner, “Artificial Intelligence Methods for Security and Cyber Security Systems,” University of Sheffield, Sheffield, UK, 2022. o This is the final full write up in the context and with other approaches.
I have been working on this and have achieved it with on CPU. Repeatable determinism or reproducibility is a key stone of dependable systems and when applied in convolutional network can have higher accuracy. These are some of the academically peer-reviewed publications made in the IEEE etc about Safety Critical AI. • [1] R. Rudd-Orthner and L. Mihaylova, “Non-Random weight initialisation in deep learning networks for repeatable determinism,” in Peer Reviewed Proc. of the 10th IEEE International Conference Dependable Systems Services and Technologies (DESSERT-19), Leeds, UK, 2019. o This conference paper proved that an alternative to the random initialisation was possible and provided an almost equal performance but with reproducibility. Presented at the UK Ukraine and Northen Island IEEE branches conference in Leeds. • [2] R. Rudd-Orthner and L. Milhaylova, “Repeatable determinism using non-random weight initialisations in smart city applications of deep learning,” Journal of Reliable Intelligent Environments in a Smart Cities special edition, vol. 6, no. 1, pp. 31-49, 2020. o This Journal paper enhanced the performance to an equivalent performance by using the limits from He and Xavier and made the previous reproducibility a more general case for general use, although it was limited to Dense layers. • [3] R. Rudd-Orthner and L. Milhaylova, “Non-random weight initialisation in deep convolutional networks applied to safety critical artificial intelligence,” in Peer Reviewed Proc. of the 13th International Conference on Developments in eSystems Engineering (DeSe), Liverpool, UK, 2020. o This conference paper proved an approach to Convolutional layers that as alternative to the random initialisation and provided a higher performance with reproducibility. Presented at the UK and UAE IEEE branches conference in Liverpool held virtually. • [4] R. Rudd-Orthner and L. Milhaylova, “Deep convnet: non-random weight initialization for repeatable determinism with FSGM,” Sensors, vol. 21, no. 14, p. 4772, 2021. o This Journal paper extended the work into colour images proofs and used the cyber FSGM attack as a method for measuring effect in transferred learning. • [5] R. Rudd-Orthner and L. Milhaylova, “Multi-type aircraft of remote sensing images: MTARSI2,” Zenodo, 30 June 2021. [Online]. Available: https://zenodo.org/record/5044950#.YcWalmDP2Ul. [Accessed 30 June 2021]. o This was the colour dataset used. • [6] R. Rudd-Orthner, “Artificial Intelligence Methods for Security and Cyber Security Systems,” University of Sheffield, Sheffield, UK, 2022. o This is the final full write up in the context and with other approaches.