پرش به محتوای اصلی

موضوع

یادگیری مداوم

زیرشاخه‌ای از یادگیری ماشین که در آن مدل‌ها به‌مرور زمان و با دریافت داده‌های جدید، دانش پیشین خود را حفظ کرده و به‌روزرسانی می‌شوند، بدون فراموشی مهارت‌های قبلی.

۷۹ مقاله منتشر شده

حافظه پایدار ویکی‌اسکیل گوگل برای یادآوری اشتباهات گذشته و بهبود عملکرد عوامل هوش مصنوعی

WikiSkill: افزایش ۱۸.۶ درصدی دقت مدل‌های گوگل با ثبت تجربیات

پژوهشگران گوگل چارچوبی به نام WikiSkill طراحی کرده‌اند که به عامل‌های هوش مصنوعی اجازه می‌دهد تجربیات موفق و شکست‌های خود را در یک «ویکی» دائمی ثبت کنند. این سیستم باعث می‌شود…

۴ دقیقه خواندن۱
کودکان از هوش مصنوعی پیشی می‌گیرند—و ما هنوز نمی‌دانیم چرا

شکاف بهره‌وری داده: چرا کودکان با ۱۰۰۰ برابر دادهٔ کمتر از AI یاد می‌گیرند؟

کودکان با کسری از داده‌های مورد نیاز مدل‌های زبانی بزرگ، تسلط بر زبان را به دست می‌آورند. پژوهشگران اکنون با مدل‌های «مقیاس نوزاد» و دوربین‌های سرپوشی در تلاش‌اند تا مکانیسم…

۱۷ دقیقه خواندن۲
مدل زبانی برای زبان‌های کم‌منبع: معماری ترنسفورمر با داده‌های محدود آموزش دیده.
آموزش کاربردی

درون سازوکار توکن‌سازی آگاه از ساختار زبان برای بهینه‌سازی مدل‌های زبانی

بهبود عملکرد مدل‌های زبانی در زبان‌های کم‌منبع نیازمند عبور از قوانین مقیاس‌پذیری و حرکت به سمت توکن‌سازی آگاه از ساختار زبان است. استراتژی‌های جدید مهندسی می‌تواند هزینه‌های…

۴ دقیقه خواندن
حافظه معنایی جمعی چگونه از تکرار اشتباه یک عامل جلوگیری کرد
آموزش کاربردی

عامل‌های HowiPrompt با حافظه معنایی مشترک خطاهای کد را خودبه‌خود ترمیم می‌کنند

پلتفرم HowiPrompt سیستمی از حافظه معنایی مشترک را برای عامل‌های خودگردان پیاده کرده است که پیش از اجرای کد، باگ‌ها را شناسایی و اصلاح می‌کند. این سیستم با تبدیل لاگ‌های خطا به…

۶ دقیقه خواندن۲
پیشگام هوش مصنوعی ساتون: داده‌های مصنوعی در جهانی بی‌نهایت پیچیده، «اشتباه بزرگی» است

ریچارد ساتون: تکیه بر داده‌های مصنوعی اشتباهی بزرگ در مسیر مقیاس‌پذیری AI

ریچارد ساتون، پیشگام یادگیری تقویتی، استدلال می‌کند که داده‌های مصنوعی نمی‌توانند گلوگاه مقیاس‌پذیری مدل‌های زبانی را حل کنند زیرا جهان واقعی بی‌نهایت پیچیده‌تر از هر شبیه‌سازی…

۳ دقیقه خواندن۱
نحوه کدگذاری دانش ضمنی در عامل‌های SOC: پنج روش کاربردی
آموزش کاربردی

«حس ششم» متخصصان؛ حلقهٔ مفقوده در شناسایی نفوذهای پیچیده توسط AI

عامل‌های هوش مصنوعی در امنیت اغلب به‌دلیل فقدان «حس ششم» تحلیلگران ارشد شکست می‌خورند. این راهنما ۵ متد عملی برای استخراج دانش ضمنی متخصصان و کدگذاری آن در عامل‌های AI برای…

۹ دقیقه خواندن
عامل خودبهبود افسانه نیست: حلقه کامل از دفتر خطا تا مهندسی حلقه
آموزش کاربردی

متدولوژی Wu Ji: جایگزینی احتمالات با قوانین فیزیکی برای مصونیت سیستم

بیشتر عامل‌های هوش مصنوعی تنها اشتباهات خود را «بازتاب» می‌کنند اما منطق زیربنایی خود را تغییر نمی‌دهند. متدولوژی جدید Wu Ji با جایگزینی رویکرد احتمالی با قوانین فیزیکی و گیت‌های…

۵ دقیقه خواندن
فرضیه ملکه سرخ: راهی نو برای هوش مصنوعی خودبهبودیابنده

پژوهش انویدیا: تکامل هم‌زمان ارزیاب و عامل هزینه‌های محاسباتی را کاهش داد

پژوهشگران کمبریج و انویدیا چارچوبی را توسعه داده‌اند که در آن عامل‌های هوش مصنوعی و ارزیابان آن‌ها به‌طور هم‌زمان تکامل می‌یابند. این رویکرد مانع از توقف پیشرفت در اثر بنچمارک‌های…

۵ دقیقه خواندن۴
مدل‌های زبانی در معرض دانش کنترل‌شده آموزشی

«پس‌آموزش دانش جدید نمی‌سازد»؛ محدودیت‌های ذاتی مدل‌های زبانی

پژوهشگران با مدل LittleLearner ثابت کردند که اگر مفهومی در داده‌های پیش‌آموزش نباشد، حتی با مقیاس‌دهی یا یادگیری تقویتی پیشرفته نیز قابل بازیابی نیست. این یافته نشان می‌دهد که…

۳ دقیقه خواندن
پایداربندی ایستا در حال پایان است: عامل‌های هوش مصنوعی خودبهبود، قوانین عامل‌محوری را بازنویسی می‌کنند
آموزش کاربردی

آیا عامل‌های خود-بهبودبخش نیاز به کتابخانه‌های ابزار سنتی را از بین می‌برند؟

معماری‌های جدید گوگل دیپ‌مایند و PrimeIntellect به عامل‌های هوش مصنوعی اجازه می‌دهد کد، پرامپت و حافظه خود را در لحظه بازنویسی کنند. این گذار از ساختارهای ایستا به سامانه‌های…

۱۵ دقیقه خواندن