Новости

Бенгалурийская исследовательская лаборатория Bud Ecosystem представила новую архитектуру AI, Resource Aware Attention (RAA), которая значительно ускоряет работу моделей ИИ на обычных компьютерах, делая технологии более доступными.

Качество меток, а не сложность моделей, является основой эффективных систем машинного обучения. Неправильная маркировка данных может привести к серьезным проблемам в производстве и снижению качества решений.

Китайские стартапы в области ИИ пересматривают алгоритмы, чтобы преодолеть нехватку чипов и улучшить производительность своих моделей, используя более эффективные архитектуры вместо мощного оборудования.

Исследователи MIT и MIT-IBM Watson AI Lab разработали универсальное руководство по оценке производительности больших языковых моделей (LLM) на основе меньших моделей, что позволяет оптимально распределять вычислительные ресурсы и бюджет.

В условиях стремительного роста искусственного интеллекта предприятия сталкиваются с проблемой "распространения LLM", что приводит к увеличению затрат и рисков. AI-шлюзы помогают централизовать управление, оптимизируя доступ и снижая задержки до 40%.

Исследователи Meta Platforms обнаружили недостатки в популярном бенчмарке SWE-bench Verified для оценки производительности ИИ-моделей, что ставит под сомнение достоверность ранее проведенных оценок.

Несмотря на огромный потенциал искусственного интеллекта, многие компании сталкиваются с трудностями в его внедрении. Основная проблема заключается в том, что большинство проектов остаются на уровне демонстрационных версий, не достигая реальных бизнес-результатов.

Исследование показывает, что креативность ИИ, возможно, достигла своего пика и начинает снижаться. В частности, производительность Chat GPT-4 упала на 43-49% за последние 18-24 месяца.

Представлен новый алгоритм Federated Joint Server-Client Momentum (FedJSCM), который улучшает производительность федеративного обучения, эффективно справляясь с гетерогенностью данных. Алгоритм демонстрирует увеличение точности на 1-3% по сравнению с существующими методами.

Представлен новый метод сжатия нейронных сетей под названием Counterclockwise Block-wise Knowledge Distillation (CBKD), который улучшает процесс передачи знаний от больших моделей к легким, повышая эффективность и точность.

Китайская команда, связанная с Тяньцзиньским университетом, представила новый фреймворк для создания продвинутых моделей ИИ, который может работать на отечественных чипах, что снижает зависимость от Nvidia.

CLIKA представила автоматизированный инструмент для сжатия AI-моделей, который упрощает развертывание AI на различных устройствах, обеспечивая высокую производительность и безопасность данных.