ਵੱਡੀ ਗੱਲ
ਸਾਇੰਸ ਵਨ ਢਾਂਚਾ: ਚੇਨ-ਆਫ-ਐਵੇਡੈਂਸ ਦੁਆਰਾ ਪੱਕੀ ਆਤਮਕ ਖੋਜ ਢਾਂਚਾ
ਇਸ ਹਫ਼ਤੇ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਸਾਇੰਸ ਵਨ ਢਾਂਚਾ ਪ੍ਰਗਟ ਕੀਤਾ, ਜੋ ਆਤਮਕ ਖੋਜ ਦੀ ਵਿਸ਼ਵਾਸਯੋਗਤਾ ਨੂੰ ਵਧਾਉਣ ਦਾ ਉਦੇਸ਼ ਰੱਖਦਾ ਹੈ। 'ਚੇਨ-ਆਫ-ਐਵੇਡੈਂਸ' ਦ੍ਰਿਸ਼ਟਿਕੋਣ ਨੂੰ ਅਪਣਾਉਂਦਿਆਂ, ਇਹ ਢਾਂਚਾ ਏਆਈ ਸਿਸਟਮਾਂ ਨੂੰ ਪੱਕੇ ਵਿਗਿਆਨਕ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਹ ਇੱਕ ਐਸੇ ਯੁੱਗ ਵਿੱਚ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ ਜਿੱਥੇ ਗਲਤ ਫੈਮੀਆਂ ਤੇਜ਼ੀ ਨਾਲ ਫੈਲ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਢਾਂਚਾ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਵਿੱਚ ਸੰਸਕਾਰ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਏਆਈ ਸਿਸਟਮ ਖੋਜ ਵਿੱਚ ਕੇਵਲ ਸਹੀ ਨਤੀਜੇ ਨਹੀਂ ਦੇ ਰਹੇ, ਸਗੋਂ ਉਹਨਾਂ ਦੇ ਨਤੀਜੇ ਦੂਜਿਆਂ ਦੁਆਰਾ ਵੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਜੇ ਤੁਸੀਂ ਕਿਸੇ ਖੋਜ ਜਾਂ ਡਾਟਾ-ਆਧਾਰਿਤ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋ, ਤਾਂ ਸੋਚੋ ਕਿ ਇਹ ਢਾਂਚਾ ਤੁਹਾਡੇ ਕੰਮ ਦੀ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰ ਸਕਦਾ ਹੈ। ਹੋਰ ਪੜ੍ਹੋ.
ਜਲਦੀ ਖਬਰਾਂ
1. LLMs ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਦੀ ਸੰਵਾਦ ਲਈ ਵਿਸ਼ਵਾਸ ਅੱਪਡੇਟ ਕਰਨਾ ਸਿਖਾਉਣਾ
ਇਹ ਖੋਜ ਬੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLMs) ਨੂੰ ਲੰਬੇ ਗੱਲਬਾਤਾਂ ਦੌਰਾਨ ਆਪਣੇ ਵਿਸ਼ਵਾਸ ਅੱਪਡੇਟ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ। ਇਹ ਵਿਕਾਸ ਏਆਈ ਏਜੰਟਾਂ ਨਾਲ ਹੋਰ ਸੁਚੱਜੇ ਅਤੇ ਸੰਦਰਭਕ ਤੌਰ 'ਤੇ ਚੇਤਨਾ ਵਾਲੇ ਸੰਵਾਦਾਂ ਦੀ ਆਸ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇਹਨਾਂ ਦਾ ਵਾਸਤਵਿਕ ਦੁਨੀਆ ਦੇ ਅਰਜ਼ੀਆਂ ਵਿੱਚ ਵੱਧ ਫਾਇਦਾ ਹੋ ਸਕਦਾ ਹੈ। ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਇਹ ਗ੍ਰਾਹਕ ਸੇਵਾ ਅਤੇ ਨਿੱਜੀ ਸਹਾਇਕਾਂ ਵਿੱਚ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਨੂੰ ਸੁਧਾਰ ਸਕਦਾ ਹੈ।
2. CUDA ਤੋਂ MLX: ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ ਗਿਆਨ ਦਾ ਪੁਲ
ਇੱਕ ਨਵੀਂ ਅਧਿਐਨ ਵਿਚਾਰ ਕਰਦਾ ਹੈ ਕਿ CUDA ਤੋਂ ਦਹਾਕਿਆਂ ਦਾ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ ਗਿਆਨ ਐਪਲ ਦੇ MLX ਢਾਂਚੇ ਵਿੱਚ ਕਿਵੇਂ ਤਰਜਮਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਐਪਲ ਸਿਲਿਕਨ 'ਤੇ ਕਾਰਗਰਤਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਡਿਵੈਲਪਰ ਮੌਜੂਦਾ ਤਜਰਬੇ ਨੂੰ ਨਵੀਆਂ ਆਰਕੀਟੈਕਚਰਾਂ 'ਤੇ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਕਾਰਗਰਤਾ ਨੂੰ ਸੁਧਾਰ ਕਰਨ ਲਈ ਵਰਤ ਸਕਦੇ ਹਨ। ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਇਹ ਡਿਵੈਲਪਰਾਂ ਲਈ ਐਪਲ ਦੇ ਨਿਸ਼ਾਨ ਵਿੱਚ ਬਦਲਣ ਦੀ ਰੁਕਾਵਟ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।
3. Bytedance ਦਾ ਐਨਿਮੇਟਿਡ ਅਧਿਐਨ ਗਾਈਡ ਲਈ ਏਆਈ ਦੀ ਨਵੀਂ ਵਰਤੋਂ
Bytedance ਸੀਡੈਂਸ 2.5 ਵਰਤ ਕੇ ਆਪਣੇ ਆਪ ਐਨਿਮੇਟਿਡ ਅਧਿਐਨ ਗਾਈਡ ਤਿਆਰ ਕਰ ਰਿਹਾ ਹੈ, ਜੋ ਸਿੱਖਿਆ ਸਮੱਗਰੀ ਬਣਾਉਣ ਵਿੱਚ ਏਆਈ ਦੀ ਦਿਲਚਸਪ ਵਰਤੋਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ਵਰਤੋਂ ਦੇ ਕੇਸ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਕਿਵੇਂ ਏਆਈ ਸਿੱਖਣ ਦੇ ਅਨੁਭਵਾਂ ਨੂੰ ਵਧੀਆ ਬਣਾਉਣ ਵਿੱਚ ਸਹਾਇਕ ਹੋ ਸਕਦਾ ਹੈ। ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਇਹ ਸਿੱਖਿਆ ਦੇ ਸਰੋਤਾਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਏਆਈ ਟੂਲਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਸਿੱਖਿਆ ਦੇਣ ਵਾਲਿਆਂ ਅਤੇ ਸਮੱਗਰੀ ਬਣਾਉਣ ਵਾਲਿਆਂ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰ ਸਕਦਾ ਹੈ।
4. VLMs ਦਾ ਮੁਲਾਂਕਣ: ਬੈਂਚਮਾਰਕਾਂ ਵਿੱਚ ਦੋਸ਼
ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਪਤਾ ਲਾਇਆ ਹੈ ਕਿ ਵਿਜ਼ਨ-ਭਾਸ਼ਾ ਮਾਡਲਾਂ (VLMs) ਲਈ ਮੁਲਾਂਕਣ ਮੈਟਰਿਕਸ ਗਲਤ ਹੋ ਸਕਦੇ ਹਨ, ਅਕਸਰ ਦੁਹਰਾਉਂਦੇ ਨਤੀਜੇ ਦੇਣ ਅਤੇ ਕਲਿਨਿਕਲ ਪ੍ਰਾਸੰਗਿਕਤਾ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹਨ। ਇਸ ਨਾਲ ਏਆਈ ਵਿੱਚ ਮੌਜੂਦ ਮੁਲਾਂਕਣ ਢਾਂਚਿਆਂ ਬਾਰੇ ਚਿੰਤਾਵਾਂ ਉੱਠਦੀਆਂ ਹਨ, ਮਾਡਲ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਮਾਪਣ ਦੇ ਤਰੀਕੇ ਦੀ ਦੁਬਾਰਾ ਮੁਲਾਂਕਣ ਲਈ ਧੱਕਾ ਦੇ ਰਹੀਆਂ ਹਨ। ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਇਹ ਵਧੀਆ ਮੁਲਾਂਕਣ ਮੈਟਰਿਕਸ ਦੀ ਲੋੜ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦਾ ਹੈ ਜੋ ਵਾਸਤਵਿਕ ਮਾਡਲ ਸਮਰੱਥਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
ਇੱਕ ਚੀਜ਼ ਜੋ ਅਜ਼ਮਾਉਣੀ ਹੈ
ਇਸ ਹਫ਼ਤੇ, ਆਪਣੇ ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਸਾਇੰਸ ਵਨ ਢਾਂਚੇ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਚਾਹੇ ਤੁਸੀਂ ਖੋਜ ਕਰ ਰਹੇ ਹੋ ਜਾਂ ਏਆਈ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰ ਰਹੇ ਹੋ, ਸੋਚੋ ਕਿ ਇੱਕ ਪੱਕਾ ਦ੍ਰਿਸ਼ਟਿਕੋਣ ਤੁਹਾਡੇ ਕੰਮ ਦੀ ਵਿਸ਼ਵਾਸਯੋਗਤਾ ਅਤੇ ਪ੍ਰਭਾਵ ਨੂੰ ਕਿਵੇਂ ਵਧਾ ਸਕਦਾ ਹੈ।
ਸਾਈਨ-ਆਫ
ਮੈਂ ਆਸ ਕਰਦਾ ਹਾਂ ਕਿ ਤੁਹਾਨੂੰ ਇਹ ਜਾਣਕਾਰੀਆਂ ਲਾਭਦਾਇਕ ਅਤੇ ਪ੍ਰੇਰਕ ਮਿਲਦੀਆਂ ਹਨ! ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਕੋਈ ਵਿਚਾਰ ਜਾਂ ਸਵਾਲ ਹਨ, ਤਾਂ ਬਿਲਕੁਲ ਸੰਪਰਕ ਕਰੋ। ਮੈਨੂੰ ਤੁਹਾਨੂੰ ਸੁਣਨਾ ਬਹੁਤ ਚੰਗਾ ਲੱਗੇਗਾ!