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.

۴۲ مقاله منتشر شده

فراموشی فاجعه‌بار در مدل‌های زبانی بزرگ تنظیم‌شده: راهنمای کاهش آن
آموزش کاربردی

PEFT در برابر Fine-tuning سنتی؛ مقابله با اثر فراموشی در مدل‌های زبانی

پدیده فراموشی فاجعه‌بار باعث می‌شود مدل‌های زبانی پس از آموزش روی داده‌های تخصصی، توانایی استدلال عمومی خود را از دست بدهند. متدولوژی PEFT با محدود کردن تغییرات به زیرمجموعه‌ای از…

۱ دقیقه خواندن
مهارت‌های آینده‌نگر که در دوران هوش مصنوعی هم کاربردی می‌مانند
آموزش کاربردی

۱۰ مهارت حیاتی برای حفظ ارزش شغلی پس از ادغام هوش مصنوعی

درحالی‌که هوش مصنوعی وظایف تکراری را خودکار می‌کند، توانمندی‌های انسانی مثل تفکر انتقادی و قضاوت اخلاقی جایگزین‌ناپذیر می‌مانند. متخصصان برای بقا در بازار کار ۲۰۲۶ باید از اپراتور…

۴ دقیقه خواندن
تصویری از ربات کاوشگر در حال نمونه‌برداری از سطح سیاره با نمایش داده‌های زمین‌شناسی در زمان واقعی
آموزش کاربردی

MOCA در برابر متدهای سنتی؛ سرعت‌بخشی ۲۰ برابری در انطباق کاوشگرها

سیستم جدید MOCA به کاوشگرهای سیاره‌ای اجازه می‌دهد بدون فراموش کردن پروتکل‌های ایمنی، ویژگی‌های زمین‌شناختی جدید را در لحظه یاد بگیرند. این متد زمان انطباق سخت‌افزاری را در…

۹ دقیقه خواندن
آیا می‌توان جایگزینی برای مدل‌های زبانی بزرگ ساخت؟ ۸ ماه، حدود ۲۰۰ آزمایش ناموفق، یک بن‌بست. ۲

دیوارِ اتصال علّی: ۲۰۰ آزمایش شکست‌خورده برای جایگزینی شبکه‌های عصبی

یک تلاش پژوهشی هشت‌ماهه برای ساخت زیرساخت دانشی نمادین و مبتنی بر CPU با شکست مواجه شد. این سیستم نتوانست بدون مدل‌های پیش‌فرض، تجربیات قدیمی را به موقعیت‌های جدید پیوند دهد.

۱۲ دقیقه خواندن
عامل هوش مصنوعی در حال تعامل با محیط، از کد به موجودیت زنده در حال تکامل
آموزش کاربردی

تغییر معماری هوش مصنوعی از مدل‌های ایستا به عامل‌های متفکر

توسعه هوش مصنوعی از افزایش اندازه مدل‌ها به سمت ساخت سامانه‌هایی تغییر مسیر داده که یاد می‌گیرند و تکامل می‌یابند. تمرکز جدید بر حافظه پایدار، هدف‌گذاری فعال و توانایی بازاندیشی…

۲ دقیقه خواندن
چارچوب خودبهبود رباتیک ASPIRE انویدیا: ۳۱٪ دقت بدون آموزش در وظایف پیچیده LIBERO-Pro

موفقیت ۳۱ درصدی ASPIRE در اجرای تکالیف پیچیده روباتیک

انویدیا با معرفی چارچوب ASPIRE، امکان نوشتن، عیب‌یابی و ذخیره‌سازی برنامه‌های کنترلی را برای روبات‌ها فراهم کرد. این سیستم با تبدیل شکست‌ها به مهارت‌های قابل بازگشت، نرخ موفقیت در…

۵ دقیقه خواندن
حافظه‌تان در قالب اشتباه ذخیره شده، نه اینکه لجباز باشید.
زندگی با AI

BeliefMem در برابر ساختارهای سنتی؛ گذار از نتایج قطعی به توزیع احتمالی

پژوهشی جدید نشان می‌دهد ذخیره‌سازی خاطرات به صورت «نتیجه‌های قطعی»، عامل اصلی خطاهای تکراری در هوش مصنوعی است. معماری BeliefMem با جایگزینی حقایق صلب با توزیع‌های احتمالی، مدل‌ها…

۳ دقیقه خواندن
اتوماتای ذرات عصبی: یادگیری پویایی خودسازماندهی ذرات
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 خواندن
مکالمه‌ای که ماشین مرا تیز می‌کند، مبارک باد.
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
پروژه میراث من: گردآوری خاطرات و دستاوردهای یک عمر برای نسل‌های آینده

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 خواندن
حافظه عامل یک پایگاه داده نیست، بلکه بخشی از فرآیند تفکر فعال آن است.

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