Bahnbrechende Methode misst die zeitliche Validität, das Verständnis und die Auswirkungen von KI auf den Fintech-Bereich
Summary:
WissenschafterInnen der Universität Innsbruck haben eine Methode entwickelt, mit der sich das Verständnis einer KI von "zeitlicher Validität", also der zeitbasierten Relevanz von Aussagen, messen lässt. Ihre Technik könnte sich auf den Einsatz von KI-Plattformen wie ChatGPT in der Finanztechnologie auswirken. Die Forscher stellten fest, dass ChatGPT nicht so gut abschneidet wie spezifischere Modelle und schlugen vor, dass gezieltere KI-Modelle besser für Situationen geeignet wären, in denen es auf die zeitliche Gültigkeit ankommt, wie z. B. bei der Generierung von Nachrichten oder der Finanzmarktanalyse. Die Studie wies auch darauf hin, dass das Training von KI-Systemen zur Entschlüsselung der relevantesten Aussagen mit dem Faktor Aktualität ihre Echtzeit-Vorhersagefähigkeiten in großen Sektoren verbessern könnte.
Zwei Wissenschaftler der österreichischen Universität Innsbruck haben eine Technik entwickelt, mit der sich die Fähigkeit von Systemen der künstlichen Intelligenz (KI) zum Verständnis der "zeitlichen Gültigkeit" messen lässt. Dies könnte tiefgreifende Auswirkungen auf die Anwendung generativer KI-Plattformen wie ChatGPT im Bereich der Finanztechnologie haben. Die zeitliche Gültigkeit bezieht sich auf den Grad der Relevanz einer Aussage für eine andere über einen bestimmten Zeitraum. Kurz gesagt geht es um die zeitliche Bedeutung von verknüpften Aussagen.
Ein KI-System, das auf seine Fähigkeit zur Vorhersage der zeitlichen Gültigkeit getestet wurde, hätte die Aufgabe, die zeitbezogenste Aussage aus einer bereitgestellten Menge auszuwählen. In ihrer kürzlich veröffentlichten vorläufigen Forschungsarbeit mit dem Titel "Temporal Validity Change Prediction" illustrieren Georg Wenzel und Adam Jatowt anhand eines Beispiels, bei dem eine Person in einem Bus lesen soll. In diesem Szenario lautet die relevanteste Kontextaussage: "Ich habe nur noch ein paar Seiten übrig, dann bin ich fertig." Da die Zielaussage bedeutet, dass die Person im Bus gerade liest, ist der Rest vergleichsweise unbedeutend.
Wenzel und Jatowt generierten einen kategorisierten Datensatz von Trainingsinstanzen, der bei der Erstellung einer Benchmarking-Aufgabe für große Sprachmodelle (LLMs) half. ChatGPT war aufgrund seiner weit verbreiteten Verwendung das Testmodell ihrer Wahl, obwohl es im Vergleich zu spezifischeren Modellen eine deutlich geringere Leistung aufwies. Die Einschränkungen von ChatGPT könnten auf die Few-Shot-Lerntechnik und ein unzureichendes Verständnis der charakteristischen Merkmale von Datensätzen zurückgeführt werden.
Es deutet darauf hin, dass Szenarien, in denen die zeitliche Validität für die Feststellung des Nutzens oder der Richtigkeit von entscheidender Bedeutung ist, wie z. B. die Generierung von Nachrichtenartikeln oder die Bewertung von Finanzmärkten, wahrscheinlich mehr von spezifischen KI-Modellen profitieren würden als von allgemeineren Tools wie ChatGPT. Die Forscher wiesen auch nach, dass die Modifikation von Vorhersagen für zeitliche Wertänderungen während des Trainingsprozesses eines LLM möglicherweise zu besseren Ergebnissen bei der Benchmarking-Aufgabe für zeitliche Veränderungen führen könnte.
Obwohl die Arbeit nicht explizit auf die Konsequenzen über das Experiment hinaus eingeht, ist eine der bestehenden Mängel generativer KI-Systeme ihre Unfähigkeit, zwischen vergangenen und gegenwärtigen Ereignissen innerhalb einer Reihe von literarischen Werken zu unterscheiden. Diese Systeme so zu trainieren, dass sie die relevantesten Aussagen innerhalb eines Textkorpus ermitteln, wobei die Aktualität ein entscheidender Parameter ist, könnte die Fähigkeit von KI-Modellen, scharfe Echtzeitvorhersagen in großen Sektoren wie Kryptowährungen und dem Aktienmarkt zu treffen, drastisch verbessern.
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.