ग्राउंडब्रेकिंग विधि एआई की अस्थायी वैधता समझ और फिनटेक क्षेत्र पर प्रभाव को मापती है
Summary:
इंसब्रुक विश्वविद्यालय के वैज्ञानिकों ने एआई की 'अस्थायी वैधता' या बयानों की समय-आधारित प्रासंगिकता की समझ को मापने के लिए एक विधि विकसित की है। उनकी तकनीक वित्तीय प्रौद्योगिकी में चैटजीपीटी जैसे एआई प्लेटफार्मों के उपयोग को प्रभावित कर सकती है। शोधकर्ताओं ने पाया कि चैटजीपीटी ने अधिक विशिष्ट मॉडलों के रूप में अच्छा प्रदर्शन नहीं किया और सुझाव दिया कि अधिक लक्षित एआई मॉडल उन स्थितियों में बेहतर अनुकूल होंगे जहां अस्थायी वैधता मायने रखती है, जैसे कि समाचार उत्पादन या वित्तीय बाजार विश्लेषण। अध्ययन ने यह भी संकेत दिया कि एआई सिस्टम को समयबद्धता के साथ सबसे प्रासंगिक बयानों को समझने के लिए प्रशिक्षित करना बड़े पैमाने पर क्षेत्रों में उनकी वास्तविक समय की भविष्यवाणी क्षमताओं को बढ़ा सकता है।
ऑस्ट्रिया के इंसब्रुक विश्वविद्यालय के दो वैज्ञानिकों ने 'अस्थायी वैधता' को समझने में कृत्रिम बुद्धिमत्ता (एआई) प्रणालियों की दक्षता को मापने के लिए एक तकनीक बनाई है। यह वित्तीय प्रौद्योगिकी क्षेत्र में चैटजीपीटी जैसे जनरेटिव एआई प्लेटफार्मों के अनुप्रयोग को गहराई से प्रभावित कर सकता है। अस्थायी वैधता एक निश्चित समय सीमा में एक कथन की दूसरे में प्रासंगिकता की डिग्री से संबंधित है। संक्षेप में, यह लिंक किए गए बयानों के समय-आधारित महत्व के बारे में है।
अपने अस्थायी वैधता पूर्वानुमान कौशल पर परीक्षण किए गए एक एआई सिस्टम को प्रदान किए गए सेट से सबसे अधिक समय-संबंधित बयान चुनने का काम सौंपा जाएगा। "टेम्पोरल वैलिडिटी चेंज प्रेडिक्शन" नामक अपने हाल ही में साझा किए गए प्रारंभिक शोध पत्र में, जॉर्ज वेनज़ेल और एडम जाटोव ने एक उदाहरण के साथ वर्णन किया है जहां एक व्यक्ति को बस पर पढ़ने के लिए कहा जाता है। इस परिदृश्य में, सबसे प्रासंगिक संदर्भ कथन यह है "मेरे पास केवल कुछ और पृष्ठ बचे हैं, फिर मैंने काम पूरा कर लिया है। चूंकि लक्ष्य कथन दर्शाता है कि बस में व्यक्ति वर्तमान में पढ़ रहा है, बाकी तुलनात्मक रूप से महत्वहीन हैं।
वेनज़ेल और जाटोव ने प्रशिक्षण उदाहरणों का एक वर्गीकृत डेटासेट उत्पन्न किया जिसने बड़े भाषा मॉडल (एलएलएम) के लिए एक बेंचमार्किंग कार्य के निर्माण में सहायता की। ChatGPT अपने व्यापक उपयोग के कारण उनकी पसंद का परीक्षण मॉडल था, हालांकि इसने अधिक विशिष्ट मॉडलों की तुलना में काफी कम प्रदर्शन प्रदर्शित किया। चैटजीपीटी की सीमाओं को कुछ-शॉट सीखने की तकनीक और डेटासेट विशेषता विशेषताओं की अपर्याप्त समझ के लिए जिम्मेदार ठहराया जा सकता है।
इससे पता चलता है कि जिन परिदृश्यों में उपयोगिता या शुद्धता का पता लगाने में अस्थायी वैधता महत्वपूर्ण है, जैसे कि समाचार लेख निर्माण या वित्तीय बाजार मूल्यांकन, संभवतः चैटजीपीटी जैसे अधिक सामान्यवादी उपकरणों के विपरीत विशिष्ट एआई मॉडल से अधिक लाभान्वित होंगे। शोधकर्ताओं ने यह भी साबित किया कि एलएलएम की प्रशिक्षण प्रक्रिया के दौरान अस्थायी मूल्य परिवर्तन भविष्यवाणियों को संशोधित करने से संभावित रूप से अस्थायी-परिवर्तन बेंचमार्किंग कार्य पर बेहतर परिणाम मिल सकते हैं।
हालांकि पेपर प्रयोग से परे परिणामों का स्पष्ट रूप से पता नहीं लगाता है, उत्पादक एआई सिस्टम की मौजूदा कमियों में से एक साहित्यिक कार्यों की एक श्रृंखला के भीतर अतीत और वर्तमान घटनाओं के बीच अंतर करने में उनकी असमर्थता है। एक निर्णायक पैरामीटर के रूप में समयबद्धता के साथ, पाठ के एक निकाय के भीतर सबसे प्रासंगिक बयानों का पता लगाने के लिए इन प्रणालियों को शिक्षित करना, क्रिप्टोक्यूरेंसी और शेयर बाजार जैसे बड़े पैमाने पर क्षेत्रों में तेज, वास्तविक समय की भविष्यवाणियां करने के लिए एआई मॉडल की क्षमता में काफी सुधार कर सकता है।
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.