Une méthode révolutionnaire mesure la compréhension et l’impact de la validité temporelle de l’IA dans le domaine de la fintech
Summary:
Des scientifiques de l’Université d’Innsbruck ont mis au point une méthode pour mesurer la compréhension par une IA de la « validité temporelle », c’est-à-dire de la pertinence temporelle des déclarations. Leur technique pourrait avoir un impact sur l’utilisation de plateformes d’IA comme ChatGPT dans la technologie financière. Les chercheurs ont constaté que ChatGPT n’était pas aussi performant que des modèles plus spécifiques et ont suggéré que des modèles d’IA plus ciblés seraient mieux adaptés dans des situations où la validité temporelle est importante, comme la génération d’informations ou l’analyse des marchés financiers. L’étude a également indiqué que l’entraînement des systèmes d’IA à déchiffrer les déclarations les plus pertinentes avec la rapidité comme facteur pourrait améliorer leurs capacités de prédiction en temps réel dans les secteurs à grande échelle.
Deux scientifiques de l’Université d’Innsbruck, en Autriche, ont mis au point une technique permettant d’évaluer la capacité des systèmes d’intelligence artificielle (IA) à comprendre la « validité temporelle ». Cela pourrait avoir un impact profond sur l’application des plateformes d’IA générative comme ChatGPT dans le domaine de la technologie financière. La validité temporelle se rapporte au degré de pertinence d’un énoncé par rapport à un autre au cours d’une certaine période. En bref, il s’agit de la signification temporelle des énoncés liés.
Un système d’IA testé sur ses compétences de prédiction de validité temporelle serait chargé de choisir l’énoncé le plus lié au temps dans un ensemble fourni. Dans leur document de recherche préliminaire récemment partagé intitulé « Prédiction du changement de validité temporelle », Georg Wenzel et Adam Jatowt illustrent avec un exemple où une personne est censée lire dans un bus. Dans ce scénario, l’énoncé contextuel le plus pertinent est « Il ne me reste plus que quelques pages, puis j’ai terminé ». Étant donné que l’énoncé cible signifie que la personne dans l’autobus est en train de lire, les autres sont relativement insignifiants.
Wenzel et Jatowt ont généré un ensemble de données catégorisées d’instances d’apprentissage qui ont aidé à construire une tâche d’analyse comparative pour les grands modèles de langage (LLM). ChatGPT était leur modèle de test de prédilection en raison de son utilisation généralisée, bien qu’il ait présenté des performances considérablement inférieures à celles de modèles plus spécifiques. Les limites de ChatGPT pourraient être attribuées à la technique d’apprentissage à quelques coups et à une compréhension inadéquate des caractéristiques des ensembles de données.
Cela suggère que les scénarios où la validité temporelle est vitale pour déterminer l’utilité ou l’exactitude, tels que la génération d’articles de presse ou l’évaluation des marchés financiers, bénéficieraient probablement davantage de modèles d’IA spécifiques que d’outils plus généralistes comme ChatGPT. Les chercheurs ont également prouvé que la modification des prédictions de changement de valeur temporelle tout au long du processus d’apprentissage d’un LLM pourrait potentiellement donner de meilleurs résultats sur la tâche d’analyse comparative des changements temporels.
Bien que l’article n’explore pas explicitement les conséquences au-delà de l’expérience, l’une des lacunes existantes des systèmes d’IA générative est leur incapacité à faire la différence entre les incidents passés et présents dans une gamme d’œuvres littéraires. L’apprentissage de ces systèmes pour déterminer les déclarations les plus pertinentes dans un corps de texte, avec l’actualité comme paramètre décisif, pourrait améliorer considérablement la capacité des modèles d’IA à faire des prédictions précises et en temps réel dans des secteurs à grande échelle, tels que la crypto-monnaie et le marché boursier.
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.