Trí tuệ nhân tạo (AI) ngày càng phổ biến trong nhiều lĩnh vực, ảnh hưởng đến cuộc sống hàng triệu người, nhưng các mô hình AI, đặc biệt là mô hình AI nền tảng có thể cung cấp thông tin sai lệch gây hậu quả nghiêm trọng. Để giải quyết vấn đề này, các nhà nghiên cứu thuộc Viện Công nghệ Massachusetts (MIT), Mỹ đã phát triển hai phương pháp mới nhằm đánh giá độ tin cậy của các mô hình AI. Phương pháp đầu tiên đánh giá độ tin cậy của mô hình AI nền tảng bằng cách sử dụng tập hợp các mô hình khác nhau để kiểm tra tính nhất quán của kết quả, giúp quyết định xem mô hình có phù hợp để áp dụng trong bối cảnh cụ thể hay không. Phương pháp thứ hai là IF-COMP, dựa trên nguyên tắc độ dài mô tả tối thiểu (MDL) để định lượng độ không chắc chắn trong dự đoán của mô hình máy học, đem lại hiệu quả và độ chính xác cao hơn so với các phương pháp hiện có, giúp người dùng xác định mức độ tin cậy của dự đoán. Hai phương pháp này không chỉ cải thiện độ tin cậy và an toàn của các hệ thống AI mà còn có thể áp dụng cho nhiều loại mô hình khác nhau, mở ra tiềm năng phát triển các hệ thống AI đáng tin cậy, an toàn và hiệu quả hơn trong tương lai.