Исследования Оливии Ханикатт, студентки последнего курса Массачусетского технологического института (MIT), посвящены взаимосвязи между человеческим мышлением, изучением языков, технологиями и взаимодействием в социальных группах. Она изучает, как язык формирует наше восприятие мира и самих себя, углубляясь в такие области, как нейролингвистика и искусственный интеллект, в рамках своей работы в...
Исследователи из NVIDIA предлагают интегрировать спекулятивное декодирование в цикл обучения NeMo RL для ускорения генерации роллаутов с сохранением точного распределения выходных значений. Данный метод позволяет значительно уменьшить узкое место при генерации роллаутов, повышая эффективность без ущерба для точности обучения.
Президент Массачусетского технологического института Салли Корнблут подчеркивает важность фундаментальной науки и ключевую роль университетов в научных исследованиях. Она предупреждает о возможных негативных последствиях для США, если развитие фундаментальной науки окажется под угрозой из-за неопределенности с финансированием.
Исследователи из Microsoft Research и Университета Чжэцзяна представляют World-R1 — платформу, которая с помощью методов обучения с подкреплением согласовывает генерацию видео с 3D-ограничениями. World-R1 повышает качество видео за счет извлечения скрытых 3D-знаний без изменения базовой архитектуры и без увеличения затрат на вычисления.
Компания Sun Finance в партнерстве с AWS создала конвейер проверки личности на базе искусственного интеллекта, повысив точность до 90,8 % и сократив время обработки с 20 часов до 5 секунд. Решение, объединяющее сервисы Amazon Bedrock, Textract и Rekognition, позволило сократить затраты на 91 % и улучшить эффективность выявления мошенничества.
OpenClaw, автономный ИИ-помощник, быстро стал сенсацией на GitHub, набрав более 250 000 звездочек за 60 дней. Компания NVIDIA сотрудничает с разработчиками проекта с целью повышения его безопасности и отказоустойчивости, представив NemoClaw для более безопасного длительного выполнения
Cursor делает программирование с помощью ИИ доступным для всех благодаря своему SDK, позволяющему разработчикам программно интегрировать в свои системы мощные агенты-программисты. Этот SDK использует ту же среду выполнения и инфраструктуру, что и собственные продукты Cursor, что упрощает процесс создания и обслуживания агентов-программистов.
При линейной регрессии с категориальными предикторами для обучения с использованием замкнутых форм следует применять кодирование «drop-first». Кодирование «drop-first» является предпочтительным вариантом для линейной регрессии с точки зрения интерпретируемости и простоты модели.
Организации должны поддерживать гибкость моделей для оптимизации ИИ. Систематическая структура для миграции или обновления больших языковых моделей (LLM) упрощает переход и способствует постоянному совершенствованию.
Метод «Регулировка с помощью подкрепления» (RFT) усовершенствует крупные языковые модели (LLM) за счет автоматических сигналов вознаграждения, повышая точность и надежность. Использование LLM в качестве «судьи» в рамках RFT обеспечивает контекстную обратную связь, объясняемость и ускоряет итерационный процесс для более эффективной адаптации.
ИИ-помощник Amazon Quick преобразует процесс анализа данных для современных предприятий, предоставляя возможности самообслуживания и поддержку запросов на естественном языке. Интегрированная архитектура использует Amazon S3, SageMaker и AWS Glue для реализации модели «lakehouse», что делает доступ к данным более доступным для широкого круга пользователей, одновременно обеспечивая безопасность ...
Функция подключения Amazon Bedrock AgentCore к Amazon VPC упрощает развертывание агентов искусственного интеллекта за пределами Amazon VPC. Она обеспечивает доступ к частной сети без вывода трафика в общедоступный Интернет, предлагая управляемый и самостоятельный режимы развертывания для подключения к частным конечным точкам.
Компания Poolside AI представляет модели Laguna M. 1 и Laguna XS. 2, отличающиеся высокой эффективностью и уникальными функциями. Модель Laguna XS. 2 демонстрирует инновационную архитектуру с использованием SWA и глобальных слоёв внимания, что делает её идеальным решением для локального использования на устройствах.
Исследователи из Массачусетского технологического института (MIT) разработали метод, позволяющий повысить эффективность федеративного обучения на 81% и обеспечить безопасное обучение ИИ на периферийных устройствах с ограниченными ресурсами. Этот прорыв может расширить сферу применения ИИ в здравоохранении и финансах, сделав мощные модели доступными для небольших устройств.
Автор протестировал регрессионную модель «случайного леса» на наборе данных по диабету, что, как и ожидалось, привело к низкой точности прогнозирования. Для обучения модели использовались нормализованные данные, при этом точность как на обучающем, так и на тестовом наборах составила около 0,24.