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.

۷۱ مقاله منتشر شده

شبیه‌ساز مورفیوس: بنچمارک یادگیری تقویتی پیوسته در محیط‌های سازمانی غیرایستا

بِنچمارک MORPHEUS: عامل‌های یادگیری تقویتی در محیط‌های پویا شکست می‌خورند

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…

۵ دقیقه خواندن
عامل هوش مصنوعی شما فراموشی دارد. لاگ‌های شما درمان آن است.
آموزش کاربردی

«درمانی برای فراموشی»؛ Ditto ترجیحات برنامه‌نویسان را از لاگ‌ها می‌کافد

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،…

۳ دقیقه خواندن
بازیابی تطبیقی - حافظه تطبیقی برای کاربردهای هوش مصنوعی
آموزش کاربردی

Adaptive Recall حافظهٔ عامل‌های هوش مصنوعی را با مدل‌سازی شناختی بازسازی کرد

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…

۲ دقیقه خواندن
آزمایشگاه ماشین‌های فکرگرای میرا مراتی: هوش مصنوعی انسان‌محور بر پایه وزن‌های مدل قابل‌سفارشی‌سازی

وزن‌های توزیع‌شده در برابر مدل‌های متمرکز برای ثبت دانش محلی

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…

۴ دقیقه خواندن
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 خواندن۱
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 خواندن۲
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 خواندن۱
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