La IA ha superato gli umani scrivendo racconti, ma ha avuto un dettaglio insperato: si è gustato di più quando i lettori hanno creato una persona La Vanguardia
Le sonde lineari rilevano il contesto danneggiato nei modelli linguistici con una precisione quasi perfetta, ma ciò non si traduce in una previsione affidabile dei guasti. Il risultato è una dissociazione con implicazioni dirette per il monitoraggio della distribuzione.
I moderni sistemi di intelligenza artificiale ad agenti combinano più agenti di modelli linguistici di grandi dimensioni con competenze eterogenee, ma la maggior parte delle architetture fissa la comunicazione in anticipo o consente la trasmissione completa. Entrambi possono essere inefficienti perché il costo del token, la latenza, la ridondanza e la propagazione degli errori aumentano con il numero di agenti attivi e collegamenti di comunicazione.
Mentre gli agenti LLM passano dal supporto decisionale agli appalti autonomi, le aziende devono sapere se i negoziatori delegati creano valore, lo dividono in modo prevedibile ed evitano contratti in perdita di denaro. Lo studiamo in un problema canonico di contrattazione della catena di fornitura: un acquirente con informazioni sulla domanda privata negozia un contratto di pagamento a quantità con un venditore non informato. Abbiamo confrontato nove LLM di OpenAI, Google e Alibaba rispetto a un equilibrio bayesiano perfetto convalidato in 9.840 negoziazioni LLM-to-LLM.
L’intelligenza artificiale valutativa (EAI) è stata recentemente proposta come un modo per supportare il processo decisionale umano, non producendo un’unica raccomandazione, ma presentando ipotesi concorrenti insieme a prove a favore e contro ciascuna.
L’addestramento di modelli di deep learning su lunghe sequenze variabili pone sfide computazionali significative. I metodi esistenti impongono un difficile compromesso tra efficienza e facilità d’uso. Gli approcci semplici utilizzano configurazioni statiche che causano uno squilibrio del carico di lavoro e una bassa efficienza, mentre i metodi complessi introducono una notevole complessità e modifiche al codice per i nuovi modelli. Per rompere questo compromesso, introduciamo Data-Centric Parallel (DCP). Il suo principio fondamentale è lasciare che siano i dati stessi a guidare il runtime.
L’inferenza attiva è emersa come un quadro di principi per modellare il comportamento adattivo bilanciando l’azione diretta all’obiettivo con la riduzione dell’incertezza. È stato applicato con successo a sistemi biologici e artificiali, compresi i recenti lavori sulla guida umana. Tuttavia, i modelli di inferenza attiva esistenti sulla guida devono ancora affrontare un importante determinante del comportamento nel traffico: lo stato affettivo, che influenza in modo significativo il processo decisionale.
SHACL è una tecnologia fondamentale per convalidare la conformità dei grafici della conoscenza RDF (KG). Tuttavia, la creazione di forme SHACL richiede competenze tecniche che mancano alla maggior parte degli esperti di dominio. La traduzione dei requisiti del linguaggio naturale in SHACL (NL2SHACL) abbasserebbe questa barriera. Tuttavia, non esiste un benchmark dedicato per NL2SHACL e la valutazione delle forme generate richiede metodi che vanno oltre il confronto delle stringhe, poiché le forme semanticamente equivalenti possono differire nella serializzazione e nella struttura.
I cicli di ricerca autonomi guidati da modelli linguistici di grandi dimensioni possono eseguire esperimenti di apprendimento automatico su larga scala, ma tendono a spostarsi verso perfezionamenti locali di qualunque metrica ottimizzino piuttosto che testare le ipotesi che motivano gli esperimenti. Affronteremo questo problema in modo strutturato e presenteremo uno scienziato dell'intelligenza artificiale per studiare la generalizzazione nelle politiche di navigazione dei robot quadrupedi nella simulazione.
Lavori precedenti hanno dimostrato che la supervisione human-in-the-loop diventa strutturalmente insostenibile in ambiti ad alte perdite quando la velocità di output dell’IA V supera la capacità cognitiva umana C_max. Il vincolo operativo, tuttavia, non è solo V ma V x L, dove L denota il carico cognitivo per item. L consiste in triage, giudizio e risposta, che rispondono in modo asimmetrico al miglioramento delle capacità dell'IA.
Digita almeno 2 caratteri
Questo sito utilizza cookie essenziali per il funzionamento e cookie di analisi per migliorare l'esperienza. Puoi accettare tutti, solo gli essenziali, o personalizzare. Cookie Policy | Privacy Policy