машинное обучение

Рассказываем как из нескольких превосходных идей и ряда ключевых изобретений возникла Кремниевая долина — и за полвека создала мир, который существует постольку, поскольку миллиарды миллиардов крошечных транзисторов на кремниевых платах совершают свою работу на околосветовых скоростях.

Коллектив исследователей из МФТИ и Института проблем передачи информации им. А. А. Харкевича (ИППИ РАН) разработал математическую модель, описывающую, как системы искусственного интеллекта влияют на собственное будущее, обучаясь на данных, которые сами же и породили. Ученые создали теоретический каркас, объясняющий природу «цифровых эхо-камер» и механизм, из-за которого умные алгоритмы со временем могут терять адекватность или усиливать социальные предрассудки.

Новая ИИ-архитектура решает важную проблему машинного обучения — катастрофическое забывание.

Команда исследователей из Т-Технологий и МФТИ предложила революционный подход к «воспитанию» больших языковых моделей, позволяющий им становиться умнее и безопаснее, не страдая от «сверхоптимизации» — парадоксального эффекта, когда слишком усердное…

Международный коллектив ученых из Сколковского института науки и технологий, МФТИ, Института исследований искусственного интеллекта (AIRI) и Университета Париж-Сите разработал новый, элегантный метод для проверки логических способностей больших языковых моделей (LLM).…

В нем используется машинное обучение для автоматического определения формы границы раздела между двумя фазами.

Эксперимент подтвердил теоретические расчеты, сделанные с помощью модели машинного обучения.

Основная идея исследования — сокращение времени, которое тратится на обмен данными между устройствами в распределённых системах обучения больших AI-моделей.

Необходимо измерить, насколько «уверенность» модели в своих параметрах меняется при добавлении или удалении всего одного элемента данных, используя для этого два различных математических инструмента. 

Одна из фундаментальных проблем при создании эффективных моделей машинного обучения – определение необходимого и достаточного количества данных для их обучения. Слишком мало данных – модель будет неточной, слишком много –…