{"id":3938,"date":"2024-06-01T22:08:00","date_gmt":"2024-06-01T22:08:00","guid":{"rendered":"https:\/\/haimagazine.com\/?p=3938"},"modified":"2025-06-24T12:25:20","modified_gmt":"2025-06-24T10:25:20","slug":"przeglad-ciekawych-projektow-naukowych-ai-maj-2024","status":"publish","type":"post","link":"https:\/\/haimagazine.com\/pl\/ai_branza\/przeglad-ciekawych-projektow-naukowych-ai-maj-2024\/","title":{"rendered":"Przegl\u0105d ciekawych projekt\u00f3w naukowych AI \u2013 maj 2024"},"content":{"rendered":"

<\/p>

\"\"<\/a>
Artyku\u0142 do pobrania TUTAJ<\/strong><\/figcaption><\/figure>

Na tropie halucynacji<\/h2>

Badacze z Politechniki Wroc\u0142awskiej \u2013 Teddy Ferdinand, Przemys\u0142aw Kazienko oraz Jan Koco\u0144 prowadz\u0105 intensywne prace maj\u0105ce na celu opracowanie mechanizmu do wykrywania halucynacji wielkich modeli j\u0119zykowych. Dr Jan Koco\u0144 jest r\u00f3wnie\u017c kierownikiem naukowym projektu PLLuM (Polish Large Language Model), w kt\u00f3rym tworzony jest w\u0142asny, od podstaw trenowany model j\u0119zykowy z du\u017cym udzia\u0142em danych polskoj\u0119zycznych. Opr\u00f3cz praktycznych zastosowa\u0144 w\u0142asnego \u201epolskiego\u201d modelu, wa\u017cnym aspektem projektu by\u0142o stworzenie \u015brodowiska badawczego, kt\u00f3re pozwala\u0142oby na otwieranie \u201eczarnej skrzynki\u201d wielkich modeli generatywnych i mierzenie si\u0119 z ich niedoskona\u0142o\u015bciami.<\/p>

Jedn\u0105 \u2013 by\u0107 mo\u017ce najbardziej dotkliw\u0105 \u2013 bol\u0105czk\u0105 s\u0105 tzw. \u201ehalucynacje\u201d, czyli wypowiedzi zbyt \u201ekreatywne\u201d tam, gdzie kreatywno\u015bci nie oczekujemy, np. w przytaczaniu fakt\u00f3w. <\/p>

Badacze niedawno opublikowali prac\u0119 Into the Unknown: Self-Learning Large Language Models<\/em>, kt\u00f3ra jest po\u015bwi\u0119cona wykorzystaniu mechanizmu detekcji halucynacji w sieciach neuronowych do wykrywania luk w wiedzy modelu, a tak\u017ce propozycji dostrajania preferencji modelu w stron\u0119 zadawania sensownych pyta\u0144 o w\u0142asn\u0105 niewiedz\u0119. Okazuje si\u0119 bowiem, \u017ce istotnym krokiem w badaniu \u017ar\u00f3de\u0142 i procesu powstawania owych niewygodnych halucynacji jest zmuszenie modelu do przyznawania si\u0119, \u017ce czego\u015b nie wie, \u201eu\u015bwiadamiania\u201d sobie tego, po to, by wykrywszy w\u0142asn\u0105 niewiedz\u0119, m\u00f3g\u0142 na ni\u0105 wed\u0142ug opracowanej procedury zareagowa\u0107 \u2013 i t\u0119 wiedz\u0119 nadrobi\u0107.<\/p>

Zero Waste Machine Learning<\/h2>

Grupa badawcza IDEAS NCBR wprowadza now\u0105 koncepcj\u0119 w uczeniu maszynowym \u2013 \u201eZero Waste Machine Learning\u201d, kt\u00f3ra koncentruje si\u0119 na maksymalnej wydajno\u015bci i minimalizacji marnotrawstwa zasob\u00f3w obliczeniowych.<\/p>

Projekt znajduje zastosowanie w bran\u017cy medycznej, gdzie precyzyjne i szybkie reakcje robot\u00f3w chirurgicznych mog\u0105 znacznie poprawi\u0107 bezpiecze\u0144stwo pacjent\u00f3w oraz komfort pracy chirurg\u00f3w. Podej\u015bcie \u201ezero waste\u201d w uczeniu maszynowym opiera si\u0119 na recyklingu obliczeniowym \u2013 wykorzystaniu wynik\u00f3w oblicze\u0144 z poprzednich etap\u00f3w oraz na ci\u0105g\u0142ym uczeniu, kt\u00f3re pozwala modelom na akumulacj\u0119 i wykorzystanie wiedzy zdobytej w trakcie poprzednich epizod\u00f3w uczenia. To podej\u015bcie prowadzi do efektywniejszego i bardziej ekologicznego wykorzystania zasob\u00f3w obliczeniowych.<\/p>

\n
Zero-waste Machine Learning in Computer Vision<\/a><\/blockquote>