Frosne, prætrænede AI-modeller fejler ofte på strukturerede, gentagne måder — og at rette dem via finjustering er både dyrt og risikabelt. Nu præsenterer forskere en ny metode, CRAFTER, der i stedet lader en letvægts-korrektor lære af modellens egne fejl og forbedrer de svageste modellers præcision med op til 27% — uden at ændre på den oprindelige model.
Metoden, beskrevet i et nyt paper på arXiv, adskiller sig fra traditionel automatisk feature-engineering ved at fokusere på, hvordan modellen fejler, frem for hvordan dataene er skabt. CRAFTER holder den frosne model urørt og udvinder i stedet mønstre fra dens residualer — altså forskellen mellem modellens forudsigelser og de faktiske resultater. To komplementære generatorer foreslår kandidater: en søgning over rå inputkanaler og en sprogmodel, der foreslår navngivne feature-kombinationer og kort eksekverbar kode. En enkelt valideringsbaseret port accepterer eller afviser hver kandidat, uanset oprindelse, og en korrektor anvender kun de accepterede features.
Det interessante for beslutningstagere er ikke kun den tekniske tilgang, men konsekvensen: CRAFTER kan forbedre eksisterende modeller markant uden at kræve adgang til modelvægte eller dyr genoptræning. På tværs af seks offentlige datasæt og seks frosne backbones overgår metoden alle dedikerede feature-engineering-systemer ved ethvert feature-budget, og den fordobler groft sagt den forbedring, som korrektoren alene opnår. Forbedringen holder selv, når den anvendes oven på allerede finjusterede modeller.
For virksomheder, der har investeret i prætrænede modeller og ønsker at forbedre deres præcision uden at starte forfra, åbner CRAFTER en ny vej: en letvægts-korrektor, der kan implementeres oven på eksisterende systemer. Det kan reducere behovet for dyr finjustering og gøre det lettere at opgradere modeller i produktion.
