تقيس الطريقة الرائدة فهم الذكاء الاصطناعي للصلاحية الزمنية وتأثيرها على مجال التكنولوجيا المالية
Summary:
طور علماء من جامعة إنسبروك طريقة لقياس فهم الذكاء الاصطناعي ل "الصلاحية الزمنية" ، أو الصلة القائمة على الوقت للبيانات. يمكن أن تؤثر تقنيتهم على استخدام منصات الذكاء الاصطناعي مثل ChatGPT في التكنولوجيا المالية. وجد الباحثون أن ChatGPT لم يكن أداؤه جيدا مثل النماذج الأكثر تحديدا واقترحوا أن نماذج الذكاء الاصطناعي الأكثر استهدافا ستكون أكثر ملاءمة في المواقف التي تكون فيها الصلاحية الزمنية مهمة ، مثل توليد الأخبار أو تحليل السوق المالية. وأشارت الدراسة أيضا إلى أن تدريب أنظمة الذكاء الاصطناعي على فك رموز البيانات الأكثر صلة مع حسن التوقيت كعامل يمكن أن يعزز قدراتها على التنبؤ في الوقت الفعلي في القطاعات واسعة النطاق.
ابتكر عالمان من جامعة إنسبروك النمساوية تقنية لقياس كفاءة أنظمة الذكاء الاصطناعي (الذكاء الاصطناعي) في فهم "الصلاحية الزمنية". يمكن أن يؤثر هذا بشكل عميق على تطبيق منصات الذكاء الاصطناعي التوليدية مثل ChatGPT في مجال التكنولوجيا المالية. تتعلق الصلاحية الزمنية بدرجة صلة بيان بآخر خلال إطار زمني معين. باختصار ، يتعلق الأمر بالأهمية المستندة إلى الوقت للبيانات المرتبطة.
سيتم تكليف نظام الذكاء الاصطناعي الذي تم اختباره على مهاراته في التنبؤ بالصلاحية الزمنية باختيار البيان الأكثر ارتباطا بالوقت من مجموعة مقدمة. في ورقتهما البحثية الأولية التي تمت مشاركتها مؤخرا بعنوان "التنبؤ بتغيير الصلاحية الزمنية" ، يوضح جورج وينزل وآدم جادوت بمثال حيث يقال إن الفرد يقرأ في حافلة. في هذا السيناريو ، يكون بيان السياق الأكثر صلة هو "لم يتبق لدي سوى بضع صفحات أخرى ، ثم انتهيت". نظرا لأن العبارة المستهدفة تشير إلى أن الشخص الموجود في الحافلة يقرأ حاليا ، فإن الباقي غير مهم نسبيا.
أنشأ Wenzel و Jatowt مجموعة بيانات مصنفة من حالات التدريب التي ساعدت في بناء مهمة قياس لنماذج اللغات الكبيرة (LLMs). كان ChatGPT هو نموذج الاختبار المفضل لديهم بسبب استخدامه على نطاق واسع ، على الرغم من أنه أظهر أداء أقل بكثير مقارنة بالنماذج الأكثر تحديدا. يمكن أن تعزى قيود ChatGPT إلى تقنية التعلم قليلة اللقطات والفهم غير الكافي للميزات المميزة لمجموعة البيانات.
ويشير إلى أن السيناريوهات التي تكون فيها الصلاحية الزمنية حيوية في التأكد من المنفعة أو الصحة ، مثل إنشاء المقالات الإخبارية أو تقييم السوق المالية ، من المرجح أن تستفيد أكثر من نماذج الذكاء الاصطناعي محددة بدلا من الأدوات الأكثر عمومية مثل ChatGPT. أثبت الباحثون أيضا أن تعديل تنبؤات تغيير القيمة الزمنية خلال عملية تدريب LLM يمكن أن يؤدي إلى نتائج محسنة في مهمة قياس التغيير الزمني.
في حين أن الورقة لا تستكشف صراحة العواقب التي تتجاوز التجربة ، فإن أحد أوجه القصور الحالية في أنظمة الذكاء الاصطناعي التوليدية هو عدم قدرتها على التمييز بين الحوادث الماضية والحالية ضمن مجموعة من الأعمال الأدبية. إن تثقيف هذه الأنظمة للتأكد من البيانات الأكثر صلة داخل مجموعة من النص ، مع التوقيت كمعيار حاسم ، يمكن أن يحسن بشكل كبير من قدرة النماذج الذكاء الاصطناعي على إجراء تنبؤات حادة في الوقت الفعلي في قطاعات واسعة النطاق ، مثل العملة المشفرة وسوق الأوراق المالية.
Published At
1/2/2024 10:50:00 PM
Disclaimer: Algoine does not endorse any content or product on this page. Readers should conduct their own research before taking any actions related to the asset, company, or any information in this article and assume full responsibility for their decisions. This article should not be considered as investment advice. Our news is prepared with AI support.
Do you suspect this content may be misleading, incomplete, or inappropriate in any way, requiring modification or removal?
We appreciate your report.