AIskimIQ

🔬 Výzkum AI

Akademické práce, výzkumné průlomy a vědecké pokroky ve strojovém učení a AI.

577 článků

AI a ML mění pravidla správy baterií v elektromobilech

Přehledová studie 120 prací dochází k závěru, že hybridní architektury AI a ML mění způsob správy baterií v elektromobilech. Výsledky naznačují posun k chytřejším bateriovým systémům řízeným daty. Zdroj: bioengineer.org

Federated learning a differential privacy pro vysvětlitelné úvěrové scoringy

Jednotný framework propojuje federated learning, differential privacy a explainable AI a řeší drift dat, férovost i ochranu soukromí v úvěrovém scoringu. Cílem je udržet přesnost modelů v čase a zároveň chránit citlivá finanční data. Zdroj: bioengineer.org

Nový AI framework zlepšuje střednědobé předpovědi počasí

Metoda Probabilistic Bias Correction přináší spolehlivější předpovědi na dva až šest týdnů dopředu. Přesnější výhledy mohou výrazně pomoci zemědělcům, správcům zdrojů i týmům řešícím přírodní katastrofy. Zdroj: microsoft.com

Lokální a distribuovaná inference LLM na Mac Studiu s MLX a RDMA

Framework MLX na Macích s čipy Apple silicon umožňuje výzkumníkům i vývojářům v oblasti AI experimentovat s nejnovějšími modely a metodami lokálně a soukromě. Text se věnuje i škálování inference LLM napříč více stroji Mac Studio pomocí RDMA. Zdroj: machinelearning.apple.com

Terra Quantum a Schaeffler zveřejnily studii o hybridním kvantovém ML pro modelování materiálů

Společnost Terra Quantum, která vyvíjí kvantový software, a dodavatel pro automobilový a průmyslový sektor Schaeffler Technologies AG & Co. KG zveřejnily recenzovanou studii o hybridním kvantovém strojovém učení (ML). Výzkum se zaměřuje na využití v modelování materiálů. Zdroj: quantumcomputingreport.com

Strukturovaný výběr má zefektivnit multimodální vyhledávací agenty

Multimodální agenti obvykle před každou akcí generují volné úvahy, což může být pro malé modely s omezenou kapacitou zdlouhavé a náročné. Nový přístup nahrazuje otevřené uvažování strukturovaným uvažováním založeným na výběru, aby byli vyhledávací agenti efektivnější. Zdroj: machinelearning.apple.com

Analýza regulace genů pomocí ML odhalila novou dimenzi biologické variability

Vědci pomocí strojového učení (ML) analyzovali regulaci genů a odhalili dosud nepoznanou dimenzi biologické variability. Změny v našich genech ovlivňují zdravotní rizika a nová práce nabízí čerstvý pohled na to, jak tato variabilita vzniká. Výsledky pocházejí z University of Utah Health. Zdroj: healthcare.utah.edu

Google představil Deep Review, AI nástroj na hledání chyb v rukopisech

Google Research 14. října uvolnil Deep Review, AI systém určený k odhalování matematických chyb, logických mezer a nepodložených tvrzení v odborných textech. Zdroj: rdworldonline.com

Dvojjazyčný pre-training překonává ladění hyperparametrů při nedostatku dat

Pro většinu světových jazyků probíhá pre-training jazykových modelů v podmínkách nedostatku dat, takže model musí opakovaně procházet stejná trénovací data. Studie srovnává dvojjazyčný pre-training s prohledáváním hyperparametrů. Zdroj: machinelearning.apple.com

Nová technika zpřesňuje předpovědi počasí na dva až šest týdnů dopředu

Vědci vyvinuli model strojového učení, který se učí opravovat chyby předpovědí. Díky tomu výrazně zlepšuje výhledy za hranicí dvou týdnů. Zdroj: news.mit.edu

Microsoft představil ML nástroj pro přesnější dlouhodobé předpovědi počasí

Klasické fyzikální modely i novější AI modely obvykle po zhruba dvou týdnech ztrácejí spolehlivost. Microsoft tvrdí, že jeho nový nástroj založený na strojovém učení tento problém řeší. Zdroj: theverge.com

Apple Minions mění nevyužité Macy ve virtuální GPU cloud a zkracuje fronty pro AI

Výzkumníci Applu zveřejnili studii o systému Minions, který z nevyužitých Maců s Apple Silicon vytváří sdílený virtuální GPU cloud pro strojové učení. Cílem je zkrátit čekání na AI úlohy díky využití volné výpočetní kapacity. Zdroj: shattered.io

Neuronové sítě si umí samy vytvořit mechanismy učení, ukázala studie z MIT

Neurovědci z MIT prokázali, že umělá neuronová síť dokáže sama vybudovat mechanismy, které potřebuje k učení. Stačily jí k tomu jen jednoduché instrukce o tom, jak a kdy se učit, zbytek si vytvořila sama. Zdroj: news.mit.edu

Převaha deep learningu v detekci anomálií může být iluze, zjistila studie

Studie reprodukovatelnosti, která prověřila 18 vlivných článků, odhalila, že únik dat, tiše upravené datasety a nedostatečně definované srovnávací základy nafoukly tvrzení o převaze deep learningu. Výsledky zpochybňují, kolik z hlášeného pokroku je skutečného. Zdroj: bioengineer.org

Vědci z UT San Antonio vyvinuli model pro přesnější predikce strojového učení

Výzkumníci z University of Texas v San Antoniu vyvinuli nový model, který má zlepšit přesnost predikcí založených na machine learningu. Ngoc-Huynh Ho, PhD, instruktor na katedře radiologie Long School of Medicine a v institutu Biggs, práci představil na odborné konferenci. Zdroj: news.uthscsa.edu

Machine learning vyčte reakční kinetiku z běžných dat o výtěžnosti

Vědci z Tokijské univerzity vyvinuli metodu CYAN založenou na machine learningu, která z rutinních dat o výtěžnosti při optimalizaci reakcí získá rychlostní konstanty. Chemici tak mohou zjistit kinetické informace bez speciálních a zdlouhavých experimentů. Zdroj: bioengineer.org

Machine learning pomohl navrhnout keramiku pro menší a teplotně stabilní kondenzátory

Výzkumníci pomocí hierarchické strategie machine learningu vytipovali oxidy wolframových bronzů a navedli substituce vizmutu a germania. Výsledkem je keramika s vysokou permitivitou a lepšími vlastnostmi pro kompaktní a teplotně stabilní kondenzátory. Zdroj: azom.com

Jedno číslo nestačí: ML modely je třeba hodnotit pomocí rozdělení

Rozsáhlá studie tvrdí, že výkon modelů strojového učení by se měl uvádět jako rozdělení s intervaly spolehlivosti kvantilů, nikoli jako jediné číslo. Samotné skóre přesnosti totiž skrývá variabilitu, která je při srovnávání modelů zásadní. Zdroj: bioengineer.org

Strojové učení propojuje kvalitu vody s rizikem výskytu patogenů

Výzkumný tým vyvinul framework, který kombinuje strojové učení s kvantitativním hodnocením mikrobiálních rizik. Z běžných měření kvality vody dokáže předpovídat koncentrace patogenů a odhadovat související zdravotní rizika. Zdroj: newswise.com

Recenzní LLM od Sakana AI odhalí 73 % chyb v hlavních tvrzeních

Sakana AI zveřejnila práci Beyond Imitation v časopise TMLR o recenzním řízení s podporou LLM, které se zaměřuje na odhalování chyb. Většina AI recenzentů se hodnotí podle podobnosti s lidskými posudky, tento přístup se však měří schopností najít skutečné chyby. Zdroj: marktechpost.com