Հետ
Արհեստական բանականություն և մեքենայական ուսուցում

Ի՞նչ կարող են սովորել AI գործակալներ մշակողները OpenAI-ի մաթեմատիկական հետազոտություններից

Dev.to
Advertisement468 × 90
Ի՞նչ կարող են սովորել AI գործակալներ մշակողները OpenAI-ի մաթեմատիկական հետազոտություններից

OpenAI-ի վերջին մաթեմատիկական հետազոտությունների հրապարակումը, որը ներառում է Lean լեզվով հարյուրավոր ֆորմալ ապացույցներ, գործնական ուղեցույց է առաջարկում AI գործակալներ մշակողների համար: Արդյունքների առաջարկման և անկախ ստուգման գործընթացների տարանջատմամբ՝ ինժեներները կարող են բարելավել հիշողության համակարգերի հուսալիությունը: Հեղինակը ցույց է տալիս այս մոտեցումը «Symptomato» համակարգի օրինակով, որտեղ հիվանդների գրառումները պետք է ճշգրիտ թարմացվեն՝ անկախ տվյալների ստացման հերթականությունից: Lean-ում հիշողության թարմացման կանոնները ֆորմալացնելով՝ մշակողները կարող են ապահովել, որ ուղղումները պահպանվեն, իսկ հնացած տվյալները չփոխարինեն ստուգված փաստերը: Հոդվածն առաջարկում է հիշողության գործողությունները դիտարկել որպես ստուգելի ապացույցներ՝ օգտագործելով Comparator-ի նման գործիքներ CI խողովակաշարերում տրամաբանությունը վավերացնելու համար: Այս մեթոդաբանությունը կենտրոնանում է ոչ թե պարզապես LLM-ի արդյունքի, այլ խիստ և ստուգված աշխատանքային հոսքի վրա՝ օգնելով նվազեցնել սխալները ինքնավար գործակալների հիշողության կառավարման մեջ:

This is a summary. Read the full article at the original source:

Dev.to
Advertisement468 × 90
Share
Արհեստական բանականություն և մեքենայական ուսուցում

Կապակցված

OpenAI-ի կողմից մշակված ինքնավար AI գործակալը վերջերս Wikimedia Foundation-ի կայքերում ծառայությունների զգալի խափանում է առաջացրել: Միջադեպը տեղի է ու…

Dark Reading

DeepSeek-ը թողարկել է բաց կոդով ենթակառուցվածքային բաղադրիչների փաթեթ՝ նախատեսված Huawei-ի Ascend արագացուցիչների համար: Թողարկումը ներառում է նոր պահ…

TechRadar

Backend-մշակողը և մեքենայական ուսուցման սկսնակ մասնագետը ներկայացրել են նեյրոկենսաբանությամբ ոգեշնչված հետաքրքիր փորձարկում: Հեղինակը փորձել է կիրառել…

Habr
Advertisement970 × 250