Kompanije smatraju da će veštačka inteligencija donositi mnogo bolje odluke ako postoji određena nedoumica, odnosno, ako veštačka inteligencija bar malo sumnja u ispravnost svojih odluka. Najmoćniji pristup razvoju veštačke inteligencije, odnosno, dubokog učenja je usvajanje nove sposobnosti, odnosno stvaranja osećaja neizvesnosti. Istraživači u kompanijama Google i Uber rade na izmeni dva najpopularnija okvira dubokog učenja, što će im omogućiti da steknu sposobnost upravljanja verovatnoćom. Na taj način će najpametniji programi veštačke inteligencije moći da utvrde stepen pouzdanosti svojih pretpostavki ili odluka – u suštini, znaće kad treba da posumnjaju u sebe. Duboko učenje, koje obuhvata proces ubacivanja podataka uzoraka u veliku i moćnu neuronsku mrežu, doživelo je ogroman uspeh u proteklih nekoliko godina i omogućilo mašinama da skoro savršeno prepoznaju predmete na slikama ili zapišu izgovoreni tekst. Međutim, da bi se to postiglo, neophodno je obezbediti ogromnu količinu podataka za učenje i ogromnu računarsku snagu, ali u mnogim slučajevima, proces može biti iznenađujuće nepouzdan. Iako je takva nepouzdanost problem, ipak nudi rešenje. Novi pristup može biti koristan u kritičnim situacijama koje obuhvataju autonomna vozila i druge autonomne mašine.
Dastin Tran, jedan od istraživača u kompaniji Google kaže da bi svako voleo kad bi sistem sa kojim radi mogao da mu kaže koliko je siguran u donošenju neke odluke. Ako autonomno vozilo ne zna koliko je njegova odluka pouzdana, može napraviti fatalnu grešku koja, naravno, može imati ozbiljne posledice. Rad na tom projektu se, u stvari, oslanja na činjenicu da je neizvesnost ključni aspekt svakog ljudskog razmišljanja i zaključivanja. Ako je dodamo programima veštačke inteligencije, stvorićemo od njih pametnije sisteme koji su manje podložni pravljenju ozbiljnih grešaka, reči su Zubina Gahramanija, istaknutog stručnjaka na polju veštačke inteligencije koji je profesor na Univerzitetu u Kembridžu i glavni naučnik u kompaniji Uber. Takav pristup može biti od presudne važnosti u sistemima veštačke inteligencije koji se koriste u još kritičnijim situacijama. Potreban nam je izuzetno čvrst okvir za duboko učenje koji će, s druge strane, omogućiti ljudima da lakše uoče neizvesnost.
Noa Godman profesor na Stanford univerzitetu kaže da duboko učenje može postati pametnije na nekoliko načina ako mu se omogući da upravlja verovatnoćom. Recimo, program bi mogao da prepozna predmete na visokom nivou pouzdanosti već posle pregledanja nekoliko uzoraka umesto posle nekoliko hiljada. Stvaranje mnogo kompleksnijih sistema biće olakšano, ako umesto dvočlanog izbora, odnosno izbora između DA i NE, programu ponudite i mogućnost da „izmeri“ koliko je siguran u odluku koju je doneo. U vezi sa ovakvim načinom razmišljanja, govori se i o novom programskom jeziku Pyro, koji je inače stvoren u kompaniji Uber i povezuje duboko učenje i statističko (probabilističko) programiranje.
I dok konvencionalni sistemi dubokog učenja uče samo iz podataka koje ste u njih ubacili, programski jezik Pyro možete koristiti da stvorite sistem koji je unapred programiran znanjem. To bi moglo da bude od koristi u skoro svim situacijama u kojima bi moglo da se pojavi mašinsko učenje. Gudman ističe da bi statističko programiranje bilo izuzetno korisno u slučajevima u kojima imate prethodno sakupljeno znanje koje biste hteli da ugradite u model. U takvim situacijama programski jezik Pyro bio bi najbolje rešenje.
Postoji još jedan programski jezik koji se bavi neizvesnošću. Razvili su ga stručnjaci na Kolumbija univerzitetu i nazvali ga Edward, a novac za njegovo istraživanje obezbedila je DARPA. Iako su oba jezika u početnoj fazi razvoja, nije teško zaključiti zbog čega su dva giganta zainteresovana za njihov napredak. Kompanija Uber koristi mašinsko učenje u brojnim oblastima, od utvrđivanja ruta vozača do određivanja cena u zavisnosti od potražnje i naravno u oblasti autonomnih vozila. Kompanija je uložila ogromna sredstva u unapređenje veštačke inteligencije, zaposlila mnogobrojne stručnjake koji rade na razvoju novih ideja, dok je kompanija Google potpuno izmenila proces poslovanja i značajno se oslonila na veštačku inteligenciju i duboko učenje. Dejvid Blej profesor statistike i računarske nauke na Kolumbija univerzitetu kaže da je kombinovanje dubokog učenja i statističkog programiranja ideja koja ima potencijala, ali zahteva veliki posao. Prema njegovim rečima, zamisao je izuzetno moćna, ali postoje mnogi tehnički izazovi.
Godman napominje da bi programski jezici Pyro i Edward bili izuzetno značajni u pomirenju i saradnji dve škole veštačke inteligencije, jedne koja je usredsređena na neuronske mreže i druge, koja se oslanja na verovatnoću. Poslednjih godina neuronske mreže imale su dominantnu ulogu zbog čega su sve ostale ideje postale manje važne. Da bi se na tom polju napredovalo, neophodno je prihvatiti i te druge ideje.
Naravno, bilo bi najbolje kad bi se ta dva pravca ujedinili a prema Gudmanovim rečima, to se i događa, pošto je proces stvaranja alatki za njihovu saradnju započeo.
Može se reći da sistemi veštačke inteligencije postaju pametniji dok otkrivaju koliko, u stvari, ne znaju, odnosno, koliko još treba da uče.