Vai al contenuto
Quantum.world

The Signal

BMO afferma che la selezione quantistica delle feature ha utilizzato meno campioni

BMO afferma che il suo metodo quantistico di selezione delle feature ha prodotto risultati di qualità simile a quelli delle tecniche tradizionali, richiedendo da uno a due ordini di grandezza in meno di campioni. La banca afferma che l’applicazione è stata sviluppata con la Democritus University of Thrace ed eseguita su computer quantistici IBM.

BMO afferma che la selezione quantistica delle feature ha utilizzato meno campioni

Un gioco quantistico classifica gli input del machine learning

BMO afferma che il suo approccio basato sulla computazione quantistica per selezionare le feature dei modelli di machine learning ha prodotto risultati di qualità simile a quelli delle tecniche tradizionali, richiedendo da uno a due ordini di grandezza in meno di campioni. Il progetto è stato sviluppato con la Democritus University of Thrace ed eseguito su computer quantistici IBM, incluso il processore IBM Quantum Nighthawk r2; il team di ricerca quantistica di IBM ha esaminato il lavoro.

Fonte newsroom.bmo.com

L’applicazione adatta il framework Proxy Quantum Games, trasformando la selezione delle feature da un compito statistico classico in quello che BMO descrive come un gioco strategico quantistico. Ogni feature di un dataset agisce da «giocatore». Il suo punteggio aumenta quando si muove insieme al bersaglio del modello, o alla variabile di esito, e diminuisce quando non fornisce informazioni o ripete altre feature non importanti. I punteggi vengono poi utilizzati per classificare le feature.

BMO afferma che il processo di selezione delle feature viene eseguito su un computer quantistico e ha prodotto risultati di qualità simile con molti meno campioni rispetto alle tecniche tradizionali di selezione delle feature.

La rivendicazione di utilità e la fase di sviluppo dell’applicazione

BMO definisce la dimostrazione «utilità quantistica», intendendo con questa espressione un lavoro svolto in modo affidabile a una scala che i metodi di calcolo tradizionali esatti non possono riprodurre concretamente. La descrizione della banca presenta questa affermazione come riferita alla scala e all’affidabilità del lavoro, insieme al confronto dichiarato sull’uso dei campioni.

Kristin Milchanowski, Chief AI and Quantum Officer di BMO e direttrice del suo Institute for Applied Artificial Intelligence & Quantum, ha affermato che lo sviluppo dell’applicazione da parte della banca era ancora nelle fasi iniziali. Il progetto ha esplorato se la computazione quantistica potesse aiutare i modelli di IA a individuare informazioni importanti in dataset complessi e, potenzialmente, a trovare spunti utili con meno dati.

BMO elenca come possibili applicazioni nel settore bancario una modellizzazione più accurata della clientela, una migliore valutazione e rilevazione dei rischi e esperienze più personalizzate per i clienti. Si tratta di possibili usi di questa capacità, non di applicazioni che, secondo il comunicato, siano già operative.

Una parte del lavoro di BMO sul quantistico

BMO è entrata nell’IBM Quantum Network nel febbraio 2025. La banca ha inoltre citato le partnership con il Chicago Quantum Exchange e Quantum Industry Canada come parte del suo lavoro sulle applicazioni quantistiche nei servizi finanziari.

BMO afferma di aver avviato il suo Institute for Applied Artificial Intelligence & Quantum come centro esteso all’intera azienda, incentrato sull’applicazione responsabile dell’IA e sulla governance, nonché sul progresso delle capacità quantistiche. La banca descrive il progetto di selezione delle feature come parte della sua strategia più ampia per applicare le tecnologie quantistiche all’IA e al machine learning.

Fonte

  1. BMO Financial Group

Notizie correlate

Esplora

Altri articoli