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.

۸۳ مقاله منتشر شده

آموزش کاربردی

اتوماتای ذرات عصبی؛ عبور از شبکه‌های شبکه‌ای به سمت محیط‌های سیال

چارچوب Neural Particle Automata (NPA) با جایگزینی شبکه‌های سخت‌افزاری با ذرات پویا، امکان یادگیری رفتارهای خودسازمان‌ده در محیط‌های نامنظم را فراهم می‌کند. این سیستم با استفاده از…

۲ دقیقه خواندن۳
آموزش کاربردی

کاهش نرخ خطای هوش مصنوعی از ۴۰٪ به ۱۲٪ با حلقه‌ی بازخورد داده‌ها

کیپرونو نگتیچ با تبدیل ویرایش‌های انسانی به داده‌های آموزشی برای مدل‌های محلی، یک سیستم خودبهبود ایجاد کرد. این رویکرد با اتوماسیون تنظیم دقیق بر اساس اصلاحات کاربر، دقت مدل را در…

۵ دقیقه خواندن

EACI؛ اولویت دادن به حافظه بلندمدت به‌جای هوش در همراهان هوش مصنوعی

پلتفرم EACI با تمرکز بر حافظه پایدار و تاریخچه مشترک، تلاش می‌کند رابطه‌ای انسانی‌تر میان کاربر و هوش مصنوعی ایجاد کند. برخلاف بات‌های متداول، این دستیاران می‌توانند گفتگو را آغاز…

۲ دقیقه خواندن۱

مدل GEM: جایگزینی تکامل وضعیت با پایگاه‌داده در حافظهٔ عامل‌ها

یک چارچوب فنی جدید استدلال می‌کند که نگاه به حافظهٔ عامل‌های هوش مصنوعی به‌عنوان یک پایگاه‌داده، باعث شکست در یادگیری و فراموشی می‌شود. مدل پیشنهادی GEM تمرکز را از ذخیره‌سازی…

۲ دقیقه خواندن
آموزش کاربردی

چطور Orcool قضاوت‌های انسانی را برای هوش مصنوعی تبلیغاتی دیجیتالی می‌کند؟

شرکت Orcool با معرفی یک سرور مبتنی بر پروتکل زمینهٔ مدل (MCP)، امکان تبدیل داده‌های خام بازار به طرح‌های تبلیغاتی اثرگذار را فراهم کرد. این سیستم با دیجیتالی کردن قضاوت‌های…

۲ دقیقه خواندن
آموزش کاربردی

راهنمای فنی جدید: بهینه‌سازی استراتژی عامل‌ها با یادگیری تقویتی

یک راهنمای فنی جدید روش ساخت سامانه‌های چندعاملی را آموزش می‌دهد که در آن عامل‌ها با استفاده از یادگیری تقویتی، استراتژی‌های خود را بهینه می‌کنند. این سیستم با ترکیب asyncio و…

۵ دقیقه خواندن

پژوهش انویدیا: کدنویسی خودکار هوش مصنوعی دقت رباتیک را به ۹۹٪ رساند

پژوهشگران انویدیا و دانشگاه‌های برکلی و کارنگی ملون سامانه‌ای به نام ENPIRE ساخته‌اند که در آن عامل‌های هوش مصنوعی به‌طور خودکار کدهای آموزشی ربات‌ها را می‌نویسند. این سیستم…

۴ دقیقه خواندن۲

ایزومتری پویا و AdamO: راهکار مقابله با زوال ظرفیت یادگیری در مدل‌های عمیق

پژوهش جدیدی نشان می‌دهد حفظ ایزومتری پویا کلید جلوگیری از «زوال پلاستیسیته» در شبکه‌های عصبی است. بهینه‌ساز AdamO با هدف حفظ این وضعیت، امکان یادگیری مستمر بدون توقف یا فراموشی را…

۱ دقیقه خواندن

LargeMonitor: گذار از معیارهای متصل به آموزش به ناظران چندوجهی در یادگیری مستمر

پژوهشگران چارچوب LargeMonitor را معرفی کردند که با بهره‌گیری از مدل‌های بینایی و چندوجهی ثابت، رانش توزیع داده‌ها را در یادگیری مستمر بدون تکلیف تشخیص و تحلیل می‌کند. این سیستم…

۲ دقیقه خواندن۱