Meta har opdaget en anden potentielt årsag til, at AI producerer dårlige resultater: hardwarefejl, der korrumperer data. I en nylig artikel fremhævede Meta-forskere, at disse fejl, også kendt som "stille datatab" (SDC), kan føre til korruption af parametre i AI-systemer. Dette korrumperer de oprindelige værdier af AI-modelparametre, hvilket resulterer i unøjagtige eller unormale resultater. Det er udfordrende at opdage sådanne hardwarefejl, især i komplekse og forskelligartede AI-hardware-systemer. For at håndtere dette har Meta foreslået "parameter sårbarhedsfaktor" (PVF), en metrik til at kvantificere sårbarheden af AI-modeller over for parameterkorruption.

PVF kan tilpasses forskellige hardwarefejlsmodeller, modeller og opgaver. Meta's simulationer ved hjælp af værktøjet "DLRM" afslørede, at selv enkeltbitfejl alene kunne forårsage fire forkerte inferenser for hver tusinde tilfælde. Forskningen antyder, at AI-hardware-designere overvejer PVF for at afveje fejlbeskyttelse med ydeevne og effektivitet. Dette koncept bygger videre på den tidligere introducerede arkitektoniske sårbarhedsfaktor (AVF) af Intel og University of Michigan i 2020.