“veri seçimi” için sonuçlar
10 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Göğüs röntgenlerini daha doğru yorumlayan yapay zeka modeli geliştirildi
Araştırmacılar, göğüs röntgenlerindeki hastalıkları tanıyabilen yeni bir yapay zeka sistemi geliştirdi. ProtoCLIP adlı bu sistem, daha önce hiç görmediği hastalıkları bile yüksek doğrulukla tespit edebiliyor. Özellikle pnömotoraks gibi kritik durumları tanımada mevcut sistemlerden 2-10 puan daha iyi performans gösteriyor. Sistem, hastalıkların birlikte görülme sıklığından kaynaklanan yanılgıları azaltmak için özel veri seçimi ve gelişmiş öğrenme teknikleri kullanıyor. Bu gelişme, radyoloji alanında yapay zekanın daha güvenilir hale gelmesi açısından önemli bir adım olarak değerlendiriliyor.
Yapay Zeka Modelleri Artık Kendi Eğitim Verilerini Seçebiliyor
Araştırmacılar, görsel-dil modellerinin eğitimi için kaliteli veri seçiminde yeni bir yaklaşım geliştirdi. DOSE adlı bu yöntem, önceden eğitilmiş modelleri kullanarak hedef veriler üzerinde hiç eğitilmemiş olan yapay zeka sistemlerinin, daha büyük modeller için uygun eğitim örneklerini belirleyebileceğini gösteriyor. Mevcut çok modlu veri setleri genellikle gürültülü, tekrarlayan ve zayıf hizalanmış örnekler içeriyor. Geleneksel filtreleme yöntemleri ekstra hesaplama maliyeti getirirken, DOSE bu sorunu çözmek için raf dışı modelleri kullanıyor. Bu yaklaşım, metin kalitesi ve görsel-metin uyumunu değerlendirerek bilgilendirici örnekleri seçiyor.
Yapay Zeka Modellerinde Veri ve Parametre Arasındaki Gizli Bağlantı Keşfedildi
Büyük dil modellerinin optimizasyonunda şimdiye kadar birbirinden bağımsız görülen iki yaklaşım - veri odaklı ve model odaklı - aslında aynı geometrik yapının farklı yansımaları olduğu ortaya çıktı. Araştırmacılar, veri seçimi ile parametre ayarlamasının matematiksel olarak birbirine denk işlemler olduğunu Fisher-Rao metriği ve Legendre dualitesi kullanarak kanıtladı. Bu keşif, yapay zeka modellerinin eğitim süreçlerini daha verimli hale getirebilir ve veri manipülasyonu ile model ağırlıklarının ayarlanması arasındaki köprüyü kurarak optimizasyon stratejilerinde yeni yaklaşımlar geliştirmemize olanak sağlayabilir.
Yapay zeka modellerinin yetenekleri artık kendi iç dünyalarından keşfediliyor
Yapay zeka araştırmacıları, dil modellerinin yeteneklerini anlamak için yeni bir yaklaşım geliştirdi. Geleneksel yöntemler, insanların önceden belirlediği kategorilere dayalı değerlendirmeler yapıyordu. Yeni yaklaşım ise modellerin kendi iç temsillerini analiz ederek, hangi becerilere sahip olduklarını ortaya çıkarıyor. Bu 'model-doğal' yaklaşım, yapay zekanın davranışlarını değiştirmek ve geliştirmek için çok daha etkili olabilir. Araştırmacılar, modelin aktivasyon verilerinden kompakt bir temel oluşturarak, anlam açısından yorumlanabilir ama önceden tanımlanmış insan kategorilerine bağlı olmayan beceri eksenlerini keşfetti. Bu yöntem, modelin kendi davranış değişkenliği etrafında organize olduğu eksenleri yakalar ve yapay zeka eğitiminde veri seçimi gibi uygulamalarda kullanılabiliyor.
Yapay Zeka Eğitiminde Veri Seçimi Devrimi: %33 Veriyle Aynı Başarı
Araştırmacılar, büyük dil modellerinin insan değerleriyle uyumlu hale getirilmesi sürecinde devrim yaratacak bir yöntem geliştirdi. 'Alignment Data Map' adlı bu araç, hangi verilerin eğitim için en değerli olduğunu belirleyerek, maliyetli ve zaman alıcı veri toplama sürecini optimize ediyor. Çalışma, sadece yüksek kaliteli ve tutarlı verilerin seçilerek kullanılmasıyla, tüm veri setinin sadece üçte birini kullanarak bile aynı başarı seviyesine ulaşılabileceğini kanıtlıyor. Bu breakthrough, yapay zeka şirketlerinin eğitim maliyetlerini dramatik şekilde düşürebilir.
Yapay Zeka Eğitiminde Yeni Yaklaşım: Farklı Cevaplar Daha İyi Öğrenme Sağlıyor
Araştırmacılar, yapay zeka modellerinin eğitiminde hangi veri örneklerinin seçileceğini belirlemek için yeni bir yöntem geliştirdi. Answer Divergence-Guided Selection (ADG) adı verilen bu teknik, aynı soruya verilen farklı cevapların geometrik yapısını analiz ederek en etkili öğretim verilerini belirliyor. Yöntem, çok çeşitli ve çok modlu yanıtlar üreten talimatları önceliklendiriyor. Sadece 10 bin örnek kullanarak yapılan testlerde, geleneksel yöntemlerden daha başarılı sonuçlar elde edildi. Bu gelişme, AI eğitiminde veri kalitesinin miktardan daha önemli olduğunu gösteriyor.
Yapay Zeka Artık Uzun Metinleri Daha İyi Yazacak: Writing-RL Sistemi
Araştırmacılar, büyük dil modellerinin uzun metin yazma yeteneklerini geliştirmek için Writing-RL adlı yenilikçi bir sistem geliştirdi. Mevcut eğitim yöntemleri veri doygunluğu ve performans tavanları gibi sınırlarla karşılaşırken, matematik ve kodlama gibi doğrulanabilir alanlarda başarılı olan pekiştirmeli öğrenme yöntemleri açık uçlu yazım görevlerine uyarlanamıyordu. Yeni sistem, üç temel bileşen kullanarak bu sorunu çözüyor: yüksek öğrenme potansiyeline sahip örnekleri önceliklendiren veri seçimi stratejisi, doğrulanabilir ödüller olmadığında ayırt edici öğrenme sinyalleri sağlayan ikili karşılaştırma ödül mekanizması ve dinamik referans planlama yaklaşımı. Bu gelişme, yapay zekanın roman, makale ve rapor gibi uzun metinleri daha tutarlı ve kaliteli şekilde üretmesini sağlayabilir.
Yapay Zeka Sohbet Botları İçin Yeni Veri Seçim Yöntemi Geliştirildi
Araştırmacılar, çok turlu diyalog verilerindeki gürültü ve yapısal tutarsızlıkları ele almak için MDS (Çok Turlu Diyalog Seçimi) adında yeni bir framework geliştirdi. Bu sistem, yapay zeka modellerinin eğitiminde kullanılan konuşma verilerini tekil cevaplar yerine bütüncül olarak değerlendiriyor. Geleneksel yöntemler genellikle konu sapması, tekrarlayan sohbet ve uyumsuz cevap formatları gibi sorunlarla karşılaşıyordu. MDS, küresel kapsama ve yerel yapısal analiz olmak üzere iki aşamalı bir yaklaşım benimsiyor. İlk aşamada temsilci niteliğindeki diyalogları seçerken, ikinci aşamada konuşmaların iç tutarlılığını ve bilgi akışını değerlendiriyor. Test sonuçları, yeni yöntemin mevcut tek turlu seçiciler ve diyalog düzeyindeki büyük dil modeli puanlayıcılarından daha başarılı olduğunu gösteriyor.
Yapay Zeka Modelleri Artık Hedef Odaklı Veri ile Eğitilecek
Araştırmacılar, yapay zeka modellerinin belirli görevlerde uzmanlaşması için yeni bir veri seçim yöntemi geliştirdi. Neuron-Activated Graph Ranking (NAG) adlı bu sistem, modelin hangi nöronlarının en etkili olduğunu belirleyerek eğitim verilerini akıllıca seçiyor. Geleneksel rastgele örnekleme yöntemlerine kıyasla %4,9 oranında daha iyi sonuçlar elde eden bu yaklaşım, HellaSwag testinde mevcut en iyi yöntemlerden %5,3 daha başarılı performans gösterdi. Bu gelişme, yapay zeka modellerinin daha az veriyle daha uzman hale gelebileceği anlamına geliyor.
Yapay Zeka Veri Seçiminde Yeni Dönem: Esnek Yanlış Keşif Kontrolü
Araştırmacılar, yapay zeka ve makine öğrenmesinde kritik öneme sahip veri seçim süreçlerini iyileştiren yeni bir yöntem geliştirdi. 'Post-hoc Conformal Selection' adı verilen bu teknik, geleneksel yöntemlerin aksine sabit hata oranları belirleme zorunluluğunu ortadan kaldırıyor. Yeni sistem, kullanıcıların veriyi gözlemledikten sonra seçim kriterlerini ayarlayabilmesine olanak tanıyor. Bu yaklaşım özellikle genomik ve nörogörüntüleme gibi alanlarda, araştırmacıların mevcut kanıt gücüne ve kaynaklara göre karar verebilmeleri açısından devrimci. Geleneksel yöntemler önceden belirlenmiş hata oranlarıyla çalışırken, yeni teknik veri-temelli yanlış keşif oranı tahminleri sunarak daha esnek bir yaklaşım getiriyor.