Новини

Свіжі новини та корисні статті про штучний інтелект і машинне навчання

SeamlessM4T від Meta: спілкування без мовних бар’єрів

SeamlessM4T руйнує мовні бар'єри завдяки своїм комплексним можливостям перекладу та транскрипції. Ця модель ШІ може легко перетворити мову або текст, забезпечуючи переклад у режимі реального часу та сприяючи міжкультурному взаєморозумінню.

Штучний інтелект здатний визначити місце виникнення раку

Модель OncoNPC точно ідентифікує місцезнаходження пухлин, які важко відслідкувати, що сприяє цілеспрямованому та персоналізованому лікуванню. Для визначення новоутворення, обчислювальна модель здатна проаналізувати послідовність 400 генів.

Потужність гібридного комп’ютерного зору: поєднання фізики та big data

Нове дослідження по вдосконаленню технологій комп’ютерного зору поєднує науки про великі дані та фізику. Таке гібридне комп’ютерне бачення дозволяє ШІ усвідомленно сприймати, взаємодіяти та реагувати на зовнішнє середовище в реальному часі.

Curious Replay: сила цікавості для розвитку штучного інтелекту

Завдяки інноваційному методу "curious replay" агенти ШІ тепер здатні самостійно аналізувати набутий досвід та досліджувати нове середовище, що значно покращує їхню здатність адаптуватися та підвищує ефективність роботи.

Sophia скорочує час попереднього навчання мовних моделей вдвічі

Дослідники зі Стенфордського університету розробили новий підхід для оптимізації попереднього навчання ВММ. Завдяки двом ключовим методам їм вдалося значно знизити витрати, зробивши процес доступнішим для невеликих компаній та наукових груп.

Штучний інтелект здатний перекладати мозкову активність людини у письмовий текст

Новаторська система ШІ використовує неінвазивні методи та показники сканера фМРТ для перетворення думок у текст. Досягнуті результати семантичного декодера у перекладі змісту думок людини відкривають нові можливості для покращення спілкування.

Застосування нейронних мереж тестують для повернення зразків ґрунту з поверхні Марса

Європейське космічне агентство використовує нейронні мережі при розробці системи збору та доставки зразків з Марса. Складна місія повернення зразків, зібраних марсоходом Perseverance, має критичне значення для розкриття таємниць червоної планети.

Генеративний штучний інтелект покращує віртуальних персонажів

Генеративний штучний інтелект революціонізує світ ігор, розвиваючи віртуальних персонажів та покращуючи їхні навички спілкування. NVIDIA Avatar Cloud Engine (ACE) дозволяє розробникам наділяти неігрових персонажів інтелектом, змінюючи ігровий процес та розширюючи межі можливого.

Покращення машинного навчання: пошук балансу між імітацією та пробно-помилковими методами

Дослідники працюють над більш ефективним методом машинного навчання для невизначених реальних ситуацій. Новий алгоритм визначатиме, коли "машина-учень" повинна слухатися свого учителя, а коли вчитися самостійно.

Нова архітектура, що поєднує в собі глибокі нейронні мережі та векторно-символьні моделі

Нова архітектура має на меті подолати існуючі обмеження нейронних мереж та символічного ШІ. Запропонована модель вже демонструє високу ефективність у вирішенні логічних завдань, відкриваючи перспективу для інтеграції різних парадигм ШІ.

Меміндуктор: дослідники відкрили новий елемент електронних схем

Меміндуктор, як і відкриті раніше мемрісторі та мемконденсатор, є одним із елементів електронної схеми, які можуть зберігати та відновлювати попередні значення струму або напруги.

Використання машинного навчання для пошуку надійних та доступних сонячних елементів

Сонячні батареї на основі гібридних органо-неорганічних перовскітів є наразі напрямом альтернативної енергетики, який найактивніше розвивається. Ці молекули започаткували розвиток нового класу фотовольтаїчних пристроїв – перовскітних сонячних елементів.

Новий метод для підвищення точності комп'ютерного зору

Дослідники використали набір простих програм для генерації зображень, щоб створити набір даних та навчити модель комп'ютерного зору. Такий підхід сприяє покращенню продуктивності моделей класифікації зображень, навчених на синтетичних даних.

Як нейронні мережі навчаються руху? Інтерпретація моделювання руху з використанням відносної зміни положення

Вчені розробили новий підхід до моделювання руху, використовуючи відносну зміну положення. Вони оцінили здатність архітектур глибинних нейронних мереж моделювати рух за допомогою задач розпізнавання та прогнозування руху.