Forschende der McGill University haben eine energieeffizientere Methode entwickelt, KI-Systeme zu bauen, die ihre eigene Unsicherheit messen und mitteilen können.Dieses Signal könnte Menschen helfen zu entscheiden, wann ein KI-System von Menschen überprüft werden muss, wann es mehr Informationen braucht oder wann es unter Bedingungen arbeiten soll, die von dem abweichen, was es gelernt hat.Das Team entwickelte eine effizientere Version eines Bayesschen neuronalen Netzes, eines Systems, das seine Einstellungen als Wahrscheinlichkeiten darstellt und so abschätzen kann, wie sicher es sich ist.In einem Experiment kam der neue Ansatz mit etwa 33-mal weniger Parametern aus als eine gängige Methode zur Schätzung von Unsicherheit und behielt dabei eine starke Vorhersageleistung bei.Die Forschung wurde von der Doktorandin Mame Diarra Touré unter der Betreuung von Professor David A. Stephens geleitet und auf der begutachteten Konferenz ICML 2026 vorgestellt.