Ένα ποσοστό 3% των δεδομένων σε βάσεις δεδομένων παρουσιάζονται ως ανακριβή και λανθασμένα, σύμφωνα με μελέτη του MIT. Το ζήτημα αυτό μπορεί να έχει συνέπειες σε συστήματα machine learning που βασίζονται στις βάσεις δεδομένων.
Οι ερευνητές του MIT εξέτασαν πακέτα δεδομένων που περιλαμβάνονται σε βάσεις δεδομένων που χρησιμοποιούν γνωστές διαδικτυακές υπηρεσίες, όπως το IMDB, το Amazon και άλλες, προκειμένου να ανακαλύψουν πιθανά λάθη και σφάλματα.
Σε πολλές περιπτώσεις εμφανίστηκαν λάθη στις εγγραφές και τα αποτελέσματα αναζήτησης, με χαρακτηριστικές περιπτώσεις λανθασμένης χρήσης ετικέτας σε YouTube videos και άλλες περιπτώσεις. Για την αναζήτηση λαθών, οι ερευνητές του MIT χρησιμοποίησαν την τεχνική του confident learning, όπως ονομάζεται, μαζί με το εργαλείο Mechanical Turk.
Σε ένα πολύ μεγάλο ποσοστό οι ερευνητές εντόπισαν λάθη στις ετικέτες που χρησιμοποιούνται, κάτι που μπορεί να οδηγήσει αντιστοίχως και σε λανθασμένα αποτελέσματα αναζήτησης. Αυτό δεν μπορεί παρά να σημαίνει ότι απέχουμε ακόμα αρκετά από το να θεωρήσουμε ότι η Τεχνητή Νοημοσύνη μπορεί να λειτουργεί αυτόνομα. Υπάρχει μεγάλο περιθώριο βελτιώσεων, αφού η μηχανική μάθηση είναι η βάση της ανάπτυξης της Τεχνητής Νοημοσύνης.
