موضوع
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.
۴۲ مقاله منتشر شده
توسعهدهندهای به نام Olund سیستمی را طراحی کرده که حافظه بلندمدت عاملهای هوش مصنوعی را از طریق پردازش آفلاین شبانه پاکسازی میکند. این رویکرد با تکرار و تأیید واقعیتها در چندین…
شرکت Experiential Labs ابزار World Model Optimizer (WMO) را برای تبدیل دادههای رفتاری عاملها به مدلهای ارزانقیمت و پرکارآمد معرفی کرد. این سیستم با استفاده از شبیهسازی محیطی…
یک چارچوب جدید AI با ترکیب یادگیری متا و تثبیت وزنهای الاستیک، امکان انطباق سیستمهای نظارتی با تغییرات محیطی محلی را بدون فراموشی الگوهای ایمنی جهانی فراهم میکند. این سیستم دقت…
سیستمعامل HART OS استنتاج هوش مصنوعی را از مراکز داده متمرکز به یک شبکه همتا-به-همتا (P2P) از دستگاههای محلی منتقل میکند. این معماری به عاملهای خودمختار اجازه میدهد در زمان…
چارچوب OpenSpace با ذخیره قابلیتهای آموختهشده در پایگاهداده SQLite، امکان بازیافت مهارتها را بدون تکرار محاسبات گرانقیمت فراهم میکند. این سیستم با ادغام در پروتکل MCP، اجازه…
Sakana AI متد جدیدی به نام Error Diffusion معرفی کرده است که نیاز به پسانتشار (Backpropagation) را حذف کرده و با رعایت اصل «دیل» در وزنهای غیرمنفی عمل میکند. این رویکرد در…
تحلیلی فنی نشان میدهد پارادایم فعلی چتباتها بر پایه وزنهای ثابت، با نیازهای بهرهوری و امنیت متخصصان در تضاد است. چارچوب پیشنهادی «فرشته نگهبان»، جایگزینی مدلهای عمومی را با…
پلتفرم MORPHEUS نشان داد که الگوریتمهای رایج یادگیری تقویتی هنگام مواجهه با تغییرات محیطی در سازمانها، توانایی تطبیق ندارند. این نتایج شکاف عمیقی را در قابلیتهای یادگیری مستمر…
ابزار متنباز Ditto با استخراج الگوهای رفتاری از لاگهای قدیمی، مانع از فراموشی ترجیحات کاربر توسط عاملهای هوش مصنوعی میشود. این سیستم بهجای تکیه بر فایلهای قانون ثابت،…
ریچ ساتون، برنده جایزه تورینگ، با تأسیس Oak Lab به دنبال عبور از مدلهای مبتنی بر دادههای استاتیک است. هدف این استارتاپ خلق عاملهایی است که در لحظه و از طریق تعامل با محیط، یاد…
سیستم Adaptive Recall با استفاده از علوم شناختی، حافظهٔ عاملهای هوش مصنوعی را از حالت پایگاهدادهای ایستا به یک چرخهٔ پویا تبدیل میکند. این فناوری با بهکارگیری چهار استراتژی…
مجموعه Thinking Machines Lab به جای مدلهای متمرکز و ایستا، سیستمی توزیعشده پیشنهاد میدهد که در آن کاربران وزنهای مدل را شخصیسازی کنند. هدف این رویکرد، جذب دانش ضمنی و محلی…