ਵੱਡੀ ਖਬਰ
ਇਸ ਹਫ਼ਤੇ, MIT ਦੇ ਖੋਜਕਰਤੀਆਂ ਨੇ ਇੱਕ ਨਵੀਂ ਟ੍ਰੇਨਿੰਗ ਪੱਧਤੀ ਦਾ ਪਰਚਾਅ ਕੀਤਾ ਹੈ ਜੋ AI ਮਾਡਲਾਂ ਨੂੰ ਅਣਜਾਣਤਾ ਜ਼ਾਹਰ ਕਰਨ ਲਈ ਸਿਖਾਉਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਉਨ੍ਹਾਂ ਦੀ ਭਰੋਸੇਮੰਦੀ ਵਿੱਚ ਬਹੁਤ ਵਾਧਾ ਹੁੰਦਾ ਹੈ। ਮਾਡਲਾਂ ਨੂੰ 'ਮੈਂ ਯਕੀਨ ਨਹੀਂ' ਕਹਿਣ ਦੀ ਆਗਿਆ ਦੇ ਕੇ, ਉਹ ਭ੍ਰਮਾਂਤਾਂ - ਗਲਤ ਨਤੀਜੇ ਜੋ ਅਕਸਰ ਤਰਕ ਕਰਨ ਵਾਲੇ ਕੰਮਾਂ ਵਿੱਚ ਹੁੰਦੇ ਹਨ - ਤੋਂ ਬਚ ਸਕਦੇ ਹਨ। ਇਹ ਪੱਧਤੀ ਨਾ ਸਿਰਫ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ ਸਗੋਂ AI ਤਰਕ ਸਿਸਟਮਾਂ ਵਿੱਚ ਇੱਕ ਮੂਲ ਖਾਮੀ ਨੂੰ ਵੀ ਦੂਰ ਕਰਦੀ ਹੈ। ਜਿਵੇਂ ਜਿਵੇਂ AI ਫੈਸਲਾ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਵਧੇਰੇ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ, ਮਾਡਲਾਂ ਨੂੰ ਅਣਜਾਣਤਾ ਸੰਭਾਲਣ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸੁਧਾਰਨਾ ਬਹੁਤ ਜਰੂਰੀ ਹੈ। ਵਿਦਿਆਰਥੀਆਂ ਇਸ ਤਕਨੀਕ ਨੂੰ ਆਪਣੇ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਮਜ਼ਬੂਤੀ ਵਧਾਉਣ ਲਈ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਨ। ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, ਪੂਰੇ ਲੇਖ ਨੂੰ ਇੱਥੇ ਦੇਖੋ।
ਤੁਰੰਤ ਜਾਣਕਾਰੀ
ਲੰਬੇ ਹਾਰਾਇਜ਼ਨ ਲਈ ਵਰਲਡ ਮਾਡਲਾਂ ਲਈ ਗ੍ਰੇਡੀਐਂਟ-ਆਧਾਰਿਤ ਯੋਜਨਾ: ਖੋਜਕਰਤੀਆਂ ਨੇ AI ਮਾਡਲਾਂ ਵਿੱਚ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਇੱਕ ਨਵੀਂ ਪੱਧਤੀ ਵਿਕਸਿਤ ਕੀਤੀ ਹੈ, ਜਿਸ ਨਾਲ ਉਨ੍ਹਾਂ ਦੀਆਂ ਯੋਜਨਾ ਬਣਾਉਣ ਦੀ ਯੋਗਤਾਵਾਂ ਲੰਬੇ ਫੈਸਲੇ ਦੇ ਹਾਰਾਇਜ਼ਨਾਂ ਤੱਕ ਵਧਾਈ ਗਈ ਹੈ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਮੁਸ਼ਕਲ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਜ਼ਿਆਦਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ AI ਸਿਸਟਮਾਂ ਦੀ ਤਰੱਕੀ ਕਰ ਸਕਦੀ ਹੈ। ਵਿਦਿਆਰਥੀਆਂ ਇਸਨੂੰ ਆਪਣੇ ਮਾਡਲਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਦੀ ਯੋਗਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਇਸਤੇਮਾਲ ਕਰ ਸਕਦੇ ਹਨ। ਹੋਰ ਜਾਣੋ ਇੱਥੇ.
ReasoningBank: ਅਜੈਂਟਾਂ ਨੂੰ ਤਜਰਬੇ ਤੋਂ ਸਿਖਣ ਦੀ ਆਗਿਆ ਦੇਣਾ: ਗੂਗਲ ਦੇ ਖੋਜਕਰਤੀਆਂ ਨੇ ReasoningBank, ਇੱਕ ਫਰੇਮਵਰਕ ਪੇਸ਼ ਕੀਤਾ ਹੈ ਜੋ AI ਅਜੈਂਟਾਂ ਨੂੰ ਤਜਰਬੇ ਰਾਹੀਂ ਸੁਧਾਰ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਅਜੈਂਟਾਂ ਨੂੰ ਮੁਸ਼ਕਲ ਤਰਕ ਕਰਨ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਸਿੱਖਣ ਦਾ ਇੱਕ ਢੰਗ ਮੁਹੱਈਆ ਕਰਦਾ ਹੈ। ਵਿਦਿਆਰਥੀਆਂ ਇਸ ਫਰੇਮਵਰਕ ਨੂੰ ਵਧੇਰੇ ਅਨੁਕੂਲ AI ਸਿਸਟਮਾਂ ਬਣਾਉਣ ਲਈ ਇਸਤੇਮਾਲ ਕਰ ਸਕਦੇ ਹਨ। ਹੋਰ ਜਾਣੋ ਇੱਥੇ.
MIT ਦਾ ਓਲੰਪੀਅਡ-ਸਤਰ ਮੈਥ ਪ੍ਰੋਬਲਮ ਡੇਟਾਸੈੱਟ: ਗਲੋਬਲ ਮੁਕਾਬਲਿਆਂ ਤੋਂ 30,000 ਤੋਂ ਵੱਧ ਮੈਥ ਪ੍ਰੋਬਲਮਾਂ ਦਾ ਨਵਾਂ ਡੇਟਾਸੈੱਟ ਜਾਰੀ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਖੋਜਕਰਤੀਆਂ ਲਈ ਇੱਕ ਕੀਮਤੀ ਸਰੋਤ ਹੈ ਜੋ AI ਨੂੰ ਸਮੱਸਿਆ-ਹੱਲ ਕਰਨ ਵਿੱਚ ਟ੍ਰੇਨ ਅਤੇ ਟੈਸਟ ਕਰਨ ਦਾ ਉਦੇਸ਼ ਰੱਖਦੇ ਹਨ। ਵਿਦਿਆਰਥੀਆਂ ਇਸ ਡੇਟਾਸੈੱਟ ਨੂੰ ਆਪਣੇ AI ਮਾਡਲਾਂ ਨੂੰ ਮੁਸ਼ਕਲ ਗਣਿਤੀ ਕੰਮਾਂ ਦੇ ਖਿਲਾਫ ਮਾਪਣ ਲਈ ਇਸਤੇਮਾਲ ਕਰ ਸਕਦੇ ਹਨ। ਡੇਟਾਸੈੱਟ ਨੂੰ ਇੱਥੇ ਵੇਖੋ.
AutoMuon ਦਾ ਪਰਚਾਅ: ਇੱਕ ਡਰਾਪ-ਇਨ ਓਪਟੀਮਾਈਜ਼ਰ: ਇੱਕ ਨਵਾਂ ਪਾਈਥਨ ਪੈਕੇਜ, AutoMuon, Muon ਓਪਟੀਮਾਈਜ਼ਰ ਨੂੰ PyTorch ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਡੀਪ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਦੀ ਟ੍ਰੇਨਿੰਗ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀਤਾ ਦੀ ਖੋਜ ਕਰਨ ਵਾਲੇ ਵਿਕਾਸਕਰਤਿਆਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਵਿਦਿਆਰਥੀਆਂ ਇਸ ਉਪਕਰਨ ਨੂੰ ਆਪਣੇ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸੁਧਾਰ ਕਰਨ ਲਈ ਆਸਾਨੀ ਨਾਲ ਅਪਣਾਉਣਗੇ। ਇੱਥੇ ਵੇਖੋ.
ਡੀਪ ਲਰਨਿੰਗ ਦਾ ਵਿਗਿਆਨਕ ਸਿਧਾਂਤ: ਇੱਕ ਵਿਸਤ੍ਰਿਤ ਦ੍ਰਿਸ਼ਟੀਪੱਤਰ ਪੇਪਰ ਡੀਪ ਲਰਨਿੰਗ ਸਿਧਾਂਤ ਦੇ ਭਵਿੱਖ ਬਾਰੇ ਗੱਲ ਕਰਦਾ ਹੈ, ਇਸ ਖੇਤਰ ਦੀ ਵੱਧ ਢਾਂਚਾਬੰਦੀ ਸਮਝ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਇਹ ਸਾਡੇ AI ਖੋਜ ਅਤੇ ਵਿਕਾਸ ਦੇ ਤਰੀਕੇ 'ਤੇ ਪ੍ਰਭਾਵ ਪਾ ਸਕਦਾ ਹੈ। ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਆਪਣੇ ਅਭਿਆਸਾਂ ਨੂੰ ਜਾਣੂ ਕਰਨ ਲਈ ਇਸ ਵਿਕਾਸਸ਼ੀਲ ਸਿਧਾਂਤਾਂ 'ਤੇ ਨਜ਼ਰ ਰੱਖਣੀ ਚਾਹੀਦੀ ਹੈ। ਇੱਥੇ ਪੇਪਰ ਪੜ੍ਹੋ.
ਇੱਕ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਲਈ ਚੀਜ਼
ਇਸ ਹਫ਼ਤੇ, MIT ਅਧਿਐਨ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ ਨਵੀਂ ਅਣਜਾਣਤਾ ਟ੍ਰੇਨਿੰਗ ਪੱਧਤੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਬਾਰੇ ਸੋਚੋ। ਇਹ ਤੁਹਾਡੇ AI ਮਾਡਲਾਂ ਦੀ ਭਰੋਸੇਮੰਦੀ ਨੂੰ ਵਧਾਉਣ ਲਈ ਇੱਕ ਸਧਾਰਨ ਪਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ। ਆਪਣੇ ਸਿਸਟਮਾਂ ਵਿੱਚ ਅਣਜਾਣਤਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰਕੇ, ਤੁਸੀਂ ਉਹਨਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਭਰੋਸੇਮੰਦੀ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹੋ।