Künstliche Intelligenz ist in modernen Organisationen keine Randinnovation mehr. Es hat sich von experimentellen Projekten und Innovationslaboren zum operativen Kern von Unternehmen entwickelt. Da KI-Systeme Entscheidungen beeinflussen, Prozesse automatisieren und Kundenerlebnisse gestalten, kann Governance nicht länger statisch sein. Sie muss sich parallel zur Intelligenz selbst weiterentwickeln.

Die Diskussion dreht sich nicht mehr nur um den Einsatz von KI. Es geht darum, KI im Kontext dynamisch, verantwortungsvoll und strategisch zu steuern – und gleichzeitig Unternehmen die Möglichkeit zu geben, sich anzupassen und weiterzuentwickeln.

Von der Kontrolle zum Kontext

Traditionelle Governance-Modelle wurden für vorhersehbare Systeme entwickelt. Richtlinien wurden dokumentiert, Prozesse festgelegt und die Überwachung erfolgte durch regelmäßige Audits. Dieser Ansatz funktionierte, wenn sich Systeme deterministisch verhielten und Änderungen inkrementell erfolgten.

KI-Systeme funktionieren nicht auf diese Weise.

Sie lernen aus Daten, passen sich Mustern an und verhalten sich manchmal eher probabilistisch als streng regelgebunden. Governance-Frameworks, die für statische Software program entwickelt wurden, haben Schwierigkeiten, mit adaptiven Systemen Schritt zu halten. Dadurch entsteht eine grundlegende Spannung: Wie behalten Organisationen die Kontrolle, ohne Innovationen zu unterdrücken?

Kontextuelle Governance bietet einen Weg nach vorne.

Anstatt eine einheitliche Kontrolle für jede KI-Anwendung durchzusetzen, berücksichtigt die kontextbezogene Governance, dass das Risiko je nach Anwendungsfall variiert. Ein internes Workflow-Automatisierungstool hat andere Auswirkungen als ein Kreditgenehmigungsmodell oder ein klinisches Diagnosesystem. Die Governance muss entsprechend den Auswirkungen, der regulatorischen Gefährdung und ethischen Erwägungen angepasst werden.

Es geht nicht darum, Requirements zu lockern. Es geht darum, sie clever anzuwenden.

Governance als Wegbereiter, nicht als Hindernis

In vielen Organisationen wird Governance als notwendige, aber restriktive Compliance-Funktion wahrgenommen. Bei sorgfältiger Umsetzung wird Governance jedoch zu einem Wegbereiter nachhaltiger Innovation.

Klare Verantwortlichkeitsstrukturen ermöglichen es den Groups, schneller voranzukommen. Definierte Risikoschwellen reduzieren die Unsicherheit. Eine transparente Dokumentation schafft Vertrauen nach innen und außen.

Wenn Mitarbeiter verstehen, wie Entscheidungen überwacht werden und wie die Verantwortung zwischen Menschen und Systemen geteilt wird, nimmt der Widerstand ab. Governance wird in diesem Sinne zu einem vertrauensbildenden Mechanismus.

Unternehmen, die Governance als strategische Infrastruktur und nicht als bürokratischen Aufwand betrachten, tendieren dazu, KI effektiver zu skalieren. Sie vermeiden reaktive Korrekturen und öffentliche Fehltritte, da von Anfang an Leitplanken verankert waren.

Geschäftsentwicklung im Zeitalter adaptiver Systeme

KI führt eine neue Ebene der organisatorischen Komplexität ein. Die Entscheidungsfindung wird teilweise automatisiert. Arbeitsabläufe entwickeln sich weiter. Rollenverschiebung. Die Ausführungsgeschwindigkeit beschleunigt sich.

Dies zwingt Unternehmen dazu, sich in drei Schlüsseldimensionen weiterzuentwickeln:

1. Strukturelle Entwicklung

Hierarchien, die auf manuellen Entscheidungsketten basieren, müssen sich anpassen. Während KI-Systeme Routineanalysen und -ausführungen übernehmen, verlagern sich die menschlichen Rollen in Richtung Überwachung, strategische Interpretation und Ausnahmemanagement. Groups werden funktionsübergreifender und vereinen technisches, betriebliches und ethisches Fachwissen.

Organisationen, die sich der strukturellen Weiterentwicklung widersetzen, erleben häufig Reibungen. Wer es annimmt, erschließt sich größere Agilität.

2. Kulturelle Entwicklung

Anpassung ist nicht rein technischer Natur. Es ist kulturell.

Mitarbeiter müssen KI-Systemen vertrauen und gleichzeitig die kritische Kontrolle behalten. Führungskräfte müssen klar kommunizieren, wie Entscheidungen ergänzt und nicht ersetzt werden. Schulungsprogramme müssen von der Werkzeugnutzung auf die Zusammenarbeit zwischen Mensch und KI umstellen.

Die Kultur bestimmt, ob KI zum Beschleuniger oder zur Quelle inneren Widerstands wird.

3. Strategische Entwicklung

Unternehmen müssen auch die langfristige Planung überdenken. Adaptive Systeme führen neue Funktionen ein – Echtzeitprognosen, prädiktive Erkenntnisse, dynamische Preisgestaltung, intelligente Kundenbindung. Die Strategie wird datenbasierter und iterativer.

Unternehmen, die diese Fähigkeiten verantwortungsvoll nutzen, können ihre Konkurrenten überholen. Diejenigen, die KI ohne Ausrichtung auf eine umfassendere Strategie einsetzen, haben oft Schwierigkeiten, nachhaltigen Wert zu generieren.

Die Rolle des Kontexts bei verantwortungsvoller Anpassung

Kontextuelle Governance erkennt an, dass nicht alle Entscheidungen gleich sind.

Eine Advertising and marketing-Personalisierungsmaschine operiert in einem anderen ethischen und regulatorischen Kontext als ein Gesundheitsdiagnosesystem. Governance-Frameworks müssen Folgendes berücksichtigen:

• Datensensibilität
• Auswirkungen von Entscheidungen auf Einzelpersonen
• Regulatorisches Umfeld
• Mögliche Auswirkungen auf Voreingenommenheit oder Equity
• Grad der menschlichen Aufsicht erforderlich

Durch die Zuordnung dieser Kontextfaktoren können Organisationen die Aufsicht angemessen kalibrieren. Systeme mit geringem Risiko können mit automatisierter Überwachung betrieben werden. Hochrisikosysteme erfordern möglicherweise mehrschichtige Überprüfungs- und Erklärungsmechanismen.

Diese Anpassungsfähigkeit stellt sicher, dass Innovation weder unkontrolliert noch unnötig eingeschränkt wird.

Kontinuierliche Anpassung als Fähigkeit

Die Anpassung erfolgt nicht mehr episodisch. Es ist kontinuierlich.

Märkte verändern sich schnell. Vorschriften entwickeln sich weiter. Die Erwartungen der Öffentlichkeit an Transparenz und Equity steigen. KI-Modelle selbst ändern sich im Laufe der Zeit aufgrund neuer Daten und Umgebungsabweichungen.

Governance muss daher iterativ werden. Monitoring-Dashboards ersetzen statische Berichte. Rückkopplungsschleifen ermöglichen Anpassungen in Echtzeit. Funktionsübergreifende Prüfungsausschüsse bewerten neu auftretende Risiken regelmäßig und nicht jährlich.

Organisationen, die Anpassungsfähigkeit in ihre Governance-Strukturen integrieren, schaffen Resilienz. Sie sind nicht nur auf den technologischen Wandel, sondern auch auf Reputations- und Regulierungsänderungen vorbereitet.

Steadiness zwischen Autonomie und Verantwortlichkeit

Mit zunehmender Autonomie von KI-Systemen wird die Verantwortlichkeit komplexer. Wer ist für eine durch einen Algorithmus beeinflusste Entscheidung verantwortlich? Der Entwickler? Der Datenwissenschaftler? Der geschäftsführende Sponsor?

Eine klare Rollendefinition ist unerlässlich. Entscheidungsbefugnisse sollten explizit abgebildet werden. Human-in-the-Loop-Mechanismen müssen beabsichtigt und nicht symbolisch sein.

Rechenschaftsrahmen sollten Folgendes klarstellen:

• Wer genehmigt den Einsatz?
• Wer überwacht die Leistung?
• Wer reagiert auf Anomalien?
• Wer kommuniziert im Fehlerfall mit den Stakeholdern?
• Wenn diese Verantwortlichkeiten frühzeitig definiert werden, vermeiden Unternehmen Verwirrung in kritischen Momenten.

Langfristige geschäftliche Widerstandsfähigkeit

Die Entwicklung der KI-Governance ist nicht nur eine Verteidigungsmaßnahme. Es handelt sich um eine strategische Investition in die Widerstandsfähigkeit.

Unternehmen, die adaptive Intelligenz mit kontextbezogener Governance in Einklang bringen, bauen Systeme auf, die sich verantwortungsvoll skalieren lassen. Sie minimieren Betriebsunterbrechungen, wahren das Vertrauen der Stakeholder und reagieren souverän auf externe Kontrollen.

Mit der Zeit wird diese Ausrichtung zu einem Wettbewerbsvorteil. Vertrauensverbindungen. Die operative Disziplin wird gestärkt. Innovation beschleunigt sich, ohne die Organisation zu destabilisieren.

Abschluss

KI verändert die Artwork und Weise, wie Unternehmen agieren, entscheiden und konkurrieren. Aber Intelligenz ohne Kontext ist riskant und Governance ohne Anpassungsfähigkeit ist starr.

Die Zukunft gehört Organisationen, die beides integrieren – indem sie adaptive Systeme innerhalb von Governance-Frameworks einsetzen, die sich parallel dazu weiterentwickeln.

Bei der kontextuellen Governance geht es nicht darum, die KI einzuschränken. Es geht darum, seine Entwicklung so zu steuern, dass die Unternehmensleistung gestärkt, Stakeholder geschützt und eine kontinuierliche Anpassung ermöglicht wird.

Im Zeitalter intelligenter Systeme ist Evolution unvermeidlich. Die Frage ist, ob sich die Governance mit ihr weiterentwickelt oder hinterherhinkt.

Sie haben nicht mehr genügend Humanizer-Wörter übrig. Aktualisieren Sie Ihren Surfer-Plan.

Die Signale, die viele der wichtigsten Funktionen des Gehirns und des Körpers antreiben – Bewusstsein, Schlaf, Atmung, Herzfrequenz und Bewegung – verlaufen durch Bündel von Fasern der „weißen Substanz“ im Hirnstamm, aber bildgebende Systeme waren bisher nicht in der Lage, diese entscheidenden Nervenkabel genau aufzulösen. Dies hat dazu geführt, dass Forscher und Ärzte kaum noch in der Lage sind, einzuschätzen, wie sie von einem Trauma oder einer Neurodegeneration betroffen sind.

In einer neuen Studie stellt ein Workforce aus Forschern des MIT, der Harvard College und des Massachusetts Basic Hospital eine KI-gestützte Software program vor, die in der Lage ist, acht verschiedene Bündel in jeder Diffusions-MRT-Sequenz automatisch zu segmentieren.

In der Open-Entry-Studie veröffentlicht am 6. Februar in der Verfahren der Nationwide Academy Sciences, Das Forschungsteam unter der Leitung des MIT-Doktoranden Mark Olchanyi berichtet, dass ihr BrainStem Bundle Software (BSBT) von ihnen entwickelt wurde öffentlich zugänglichdeckten deutliche Muster struktureller Veränderungen bei Patienten mit Parkinson-Krankheit, Multipler Sklerose und traumatischer Hirnverletzung auf und gaben auch Aufschluss über die Alzheimer-Krankheit. Darüber hinaus zeigt die Studie, dass BSBT retrospektiv die Verfolgung der Bündelheilung bei einem Komapatienten ermöglichte, die den siebenmonatigen Weg des Patienten zur Genesung widerspiegelte.

„Der Hirnstamm ist eine Area des Gehirns, die im Wesentlichen nicht erforscht wird, weil sie schwer abzubilden ist“, sagt Olchanyi, Doktorandin im Medical Engineering and Medical Physics Program des MIT. „Aus bildgebender Sicht verstehen die Menschen ihren Aufbau nicht wirklich. Wir müssen verstehen, wie die weiße Substanz beim Menschen organisiert ist und wie diese Organisation bei bestimmten Erkrankungen zusammenbricht.“

Fügt Professor hinzu Emery N. BrownOlchanyis Doktorvater und Co-Senior-Autor der Studie, „ist der Hirnstamm eines der wichtigsten Kontrollzentren des Körpers. Marks Algorithmen sind ein wesentlicher Beitrag zur Bildgebungsforschung und zu unserer Fähigkeit, die Regulierung grundlegender Physiologie zu verstehen. Indem er unsere Fähigkeit, den Hirnstamm abzubilden, verbessert, bietet er uns neuen Zugang zu lebenswichtigen physiologischen Funktionen wie der Kontrolle des Atmungs- und Herz-Kreislauf-Programs, der Temperaturregulierung, wie wir tagsüber wach bleiben und wie wir nachts schlafen.“

Brown ist Edward Hood Taplin-Professor für Computational Neuroscience und Medical Engineering am Picower Institute for Studying and Reminiscence, dem Institute for Medical Engineering and Science und der Abteilung für Gehirn- und Kognitionswissenschaften am MIT. Er ist außerdem Anästhesist am MGH und Professor an der Harvard Medical College.

Erstellen des Algorithmus

Die Diffusions-MRT hilft dabei, die langen Äste oder „Axone“ aufzuspüren, die Neuronen ausdehnen, um miteinander zu kommunizieren. Axone sind typischerweise mit einer Fetthülle namens Myelin umhüllt, und Wasser diffundiert entlang der Axone innerhalb des Myelins, das auch als „weiße Substanz“ des Gehirns bezeichnet wird. Die Diffusions-MRT kann diese sehr gerichtete Wasserverdrängung aufzeigen. Die Segmentierung der verschiedenen Axonbündel im Hirnstamm hat sich jedoch als schwierig erwiesen, da sie klein sind und durch den Fluss von Gehirnflüssigkeiten und die durch Atmung und Herzschlag erzeugten Bewegungen verdeckt werden.

Im Rahmen seiner Abschlussarbeit wollte Olchanyi die neuronalen Mechanismen, die dem Bewusstsein zugrunde liegen, besser verstehen einen KI-Algorithmus entwickeln diese Hindernisse zu überwinden. BSBT verfolgt die Faserbündel, die von benachbarten Bereichen weiter oben im Gehirn, wie dem Thalamus und dem Kleinhirn, in den Hirnstamm eindringen, um eine „wahrscheinliche Faserkarte“ zu erstellen. Ein Modul der künstlichen Intelligenz namens „Convolutional Neural Community“ kombiniert dann die Karte mit mehreren Kanälen von Bildinformationen aus dem Hirnstamm, um acht einzelne Bündel zu unterscheiden.

Um das neuronale Netzwerk zu trainieren, die Bündel zu segmentieren, „zeigte“ Olchanyi ihm 30 Dwell-Diffusions-MRT-Scans von Freiwilligen im Human Connectome Mission (HCP). Die Scans wurden manuell mit Anmerkungen versehen, um dem neuronalen Netzwerk beizubringen, die Bündel zu identifizieren. Dann validierte er BSBT, indem er seine Ergebnisse anhand von „Floor Fact“-Sektionen postmortaler menschlicher Gehirne testete, bei denen die Bündel durch mikroskopische Untersuchung oder sehr langsame, aber ultrahochauflösende Bildgebung intestine abgegrenzt werden konnten. Nach der Schulung beherrschte BSBT die automatische Identifizierung der acht unterschiedlichen Faserbündel in neuen Scans.

In einem Experiment zur Prüfung der Konsistenz und Zuverlässigkeit beauftragte Olchanyi BSBT damit, die Bündel bei 40 Freiwilligen zu finden, die im Abstand von zwei Monaten getrennten Scans unterzogen wurden. In jedem Fall konnte das Software in jedem ihrer beiden Scans dieselben Bündel bei denselben Patienten finden. Olchanyi testete BSBT auch mit mehreren Datensätzen (nicht nur mit dem HCP) und untersuchte sogar, wie jede Komponente des neuronalen Netzwerks zur Analyse von BSBT beitrug, indem sie sie eine nach der anderen behinderte.

„Wir haben das neuronale Netzwerk auf die Probe gestellt“, sagt Olchanyi. „Wir wollten sicherstellen, dass diese plausiblen Segmentierungen tatsächlich durchgeführt werden und jede einzelne Komponente so genutzt wird, dass die Genauigkeit verbessert wird.“

Mögliche neue Biomarker

Nachdem der Algorithmus richtig trainiert und validiert warfare, testete das Forschungsteam, ob die Fähigkeit, verschiedene Faserbündel in Diffusions-MRT-Scans zu segmentieren, es ermöglichen könnte, zu verfolgen, wie sich Volumen und Struktur jedes Bündels je nach Krankheit oder Verletzung veränderten, und so eine neuartige Artwork von Biomarker zu schaffen. Obwohl es bisher schwierig warfare, den Hirnstamm im Element zu untersuchen, zeigen viele Studien, dass neurodegenerative Erkrankungen den Hirnstamm beeinträchtigen, und zwar oft schon in einem frühen Stadium ihres Fortschreitens.

Olchanyi, Brown und ihre Co-Autoren wandten BSBT auf zahlreiche Datensätze von Diffusions-MRT-Scans von Patienten mit Alzheimer, Parkinson, MS und traumatischer Hirnverletzung (TBI) an. Die Patienten wurden im Laufe der Zeit mit Kontrollpersonen und manchmal auch mit sich selbst verglichen. In den Scans maß das Software das Bündelvolumen und die „fraktionierte Anisotropie“ (FA), die verfolgt, wie viel Wasser entlang der myelinisierten Axone fließt und wie viel in andere Richtungen diffundiert, ein Indikator für die strukturelle Integrität der weißen Substanz.

In jeder Bedingung fand das Software konsistente Änderungsmuster in den Bündeln. Während nur ein Bündel einen signifikanten Rückgang bei Alzheimer zeigte, zeigte das Software bei Parkinson eine Verringerung der FA in drei der acht Bündel. Außerdem wurde ein Volumenverlust in einem anderen Bündel bei Patienten zwischen einem Basisscan und einer zweijährigen Nachuntersuchung festgestellt. Patienten mit MS zeigten die größten FA-Reduktionen bei vier Bündeln und den größten Volumenverlust bei drei. Unterdessen zeigten TBI-Patienten in keinem der Bündel einen signifikanten Volumenverlust, bei den meisten Bündeln waren jedoch FA-Reduktionen erkennbar.

Checks im Rahmen der Studie zeigten, dass sich die BSBT bei der Unterscheidung zwischen Patienten mit Gesundheitsproblemen und Kontrollpersonen als genauer erwies als andere Klassifikationsmethoden.

BSBT kann daher „ein wichtiges Hilfsmittel sein, das aktuelle diagnostische Bildgebungsmethoden unterstützt, indem es eine feinkörnige Beurteilung der Struktur der weißen Substanz im Hirnstamm und in einigen Fällen Längsinformationen liefert“, schreiben die Autoren.

Schließlich wandte Olchanyi im Fall eines 29-jährigen Mannes, der ein schweres Schädel-Hirn-Trauma erlitt, BSBT auf Scans an, die während des siebenmonatigen Komas des Mannes aufgenommen wurden. Das Gerät zeigte, dass die Hirnstammbündel des Mannes verschoben, aber nicht durchtrennt worden waren, und zeigte, dass sich das Volumen der Läsionen an den Nervenbündeln im Koma um den Faktor drei verringerte. Als sie verheilten, bewegten sich auch die Bündel wieder an ihren Platz.

Die Autoren schrieben, dass BSBT „ein erhebliches prognostisches Potenzial hat, indem es konservierte Hirnstammbündel identifiziert, die die Genesung aus dem Koma erleichtern können.“

Die weiteren leitenden Autoren der Studie sind Juan Eugenio Iglesias und Brian Edlow. Weitere Co-Autoren sind David Schreier, Jian Li, Chiara Maffei, Annabel Sorby-Adams, Hannah Kinney, Brian Healy, Holly Freeman, Jared Shless, Christophe Destrieux und Hendry Tregidgo.

Die Finanzierung der Studie erfolgte durch die Nationwide Institutes of Well being, das US-Verteidigungsministerium, die James S. McDonnell Basis, die Rappaport Basis, das American SidS Institute, die American Mind Basis, die American Academy of Neurology, das Heart for Integration of Drugs and Progressive Know-how, Blueprint for Neuroscience Analysis und das Massachusetts Life Sciences Heart.

Erdbeobachtungskonstellationen (EO) erfassen täglich große Mengen hochauflösender Bilder, doch die meisten davon erreichen den Boden nicht rechtzeitig für das Modelltraining. Der Hauptengpass ist die Downlink-Bandbreite. Bilder können tagelang im Orbit bleiben, während Bodenmodelle mit Teil- und Verzögerungsdaten trainieren.

Als einen anderen Ansatz stellten Microsoft-Forscher das „OrbitalBrain“-Framework vor. Anstatt Satelliten nur als Sensoren zu verwenden, die Daten an die Erde weiterleiten, verwandelt es eine Nanosatellitenkonstellation in ein verteiltes Trainingssystem. Modelle werden direkt im Weltraum trainiert, aggregiert und aktualisiert, wobei integrierte Rechenleistung, Intersatellitenverbindungen und vorausschauende Planung von Leistung und Bandbreite genutzt werden.

Der BentPipe-Engpass

Die meisten kommerziellen Konstellationen verwenden das BentPipe-Modell. Satelliten sammeln Bilder, speichern sie lokal und senden sie an Bodenstationen, wann immer sie über ihnen vorbeifliegen.

Das Forschungsteam schätzt eine planetenähnliche Konstellation mit 207 Satelliten und 12 Bodenstationen ein. Bei maximaler Bildrate erfasst das System 363.563 Bilder professional Tag. Bei 300 MB professional Bild und realistischen Downlink-Beschränkungen können in diesem Zeitraum nur 42.384 Bilder übertragen werden, etwa 11,7 % der aufgenommenen Bilder. Selbst wenn die Bilder auf 100 MB komprimiert werden, erreichen innerhalb von 24 Stunden nur 111.737 Bilder, etwa 30,7 %, den Boden.

Der begrenzte Onboard-Speicher stellt eine weitere Einschränkung dar. Alte Bilder müssen gelöscht werden, um Platz für neue zu schaffen, was bedeutet, dass viele potenziell nützliche Proben nie für bodengestütztes Coaching verfügbar sind.

Warum herkömmliches föderiertes Lernen nicht ausreicht

Federated Studying (FL) scheint eine offensichtliche Lösung für Satelliten zu sein. Jeder Satellit könnte lokal trainieren und Modellaktualisierungen zur Aggregation an einen Bodenserver senden. Das Forschungsteam bewertet mehrere an diese State of affairs angepasste FL-Basislinien:

• AsyncFL
• SyncFL
• FedBuff
• FedSpace

Allerdings setzen diese Methoden eine stabilere Kommunikation und eine flexiblere Energieversorgung voraus, als sie Satelliten bieten können. Wenn das Forschungsteam realistische Orbitaldynamiken, intermittierenden Bodenkontakt, begrenzte Leistung und Nicht-IID-Daten über Satelliten hinweg simuliert, zeigen diese Basislinien eine instabile Konvergenz und große Genauigkeitseinbußen im Bereich von 10–40 % im Vergleich zu idealisierten Bedingungen.

Die Zeit-zu-Genauigkeitskurven werden flacher und schwanken, insbesondere wenn Satelliten über längere Zeiträume von Bodenstationen isoliert sind. Viele lokale Updates veralten, bevor sie aggregiert werden können.

OrbitalBrain: Konstellationszentriertes Coaching im Weltraum

OrbitalBrain geht von 3 Beobachtungen aus:

1. Konstellationen werden in der Regel von einer einzelnen kommerziellen Einheit betrieben, sodass Rohdaten von mehreren Satelliten gemeinsam genutzt werden können.
2. Umlaufbahnen, Sichtbarkeit der Bodenstation und Solarenergie lassen sich anhand von Orbitalelementen und Leistungsmodellen vorhersagen.
3. Intersatellitenverbindungen (ISLs) und Bordbeschleuniger sind jetzt auf Nanosatelliten praktisch.

Das Framework stellt drei Aktionen für jeden Satelliten in einem Planungsfenster bereit:

• Lokales Computing (LC): Trainieren Sie das lokale Modell anhand gespeicherter Bilder.
• Modellaggregation (MA): Modellparameter über ISLs austauschen und aggregieren.
• Datenübertragung (DT): Rohbilder zwischen Satelliten austauschen, um Datenversatz zu reduzieren.

Ein in der Cloud laufender Controller, der über Bodenstationen erreichbar ist, berechnet einen Vorhersageplan für jeden Satelliten. Der Zeitplan entscheidet, welche Aktion in jedem zukünftigen Fenster priorisiert werden soll, basierend auf Prognosen zu Energie, Speicherung, Orbitalsichtbarkeit und Verbindungsmöglichkeiten.

Kernkomponenten: Profiler, MA, DT, Executor

• Geführter Leistungsprofiler
• Modellaggregation über ISLs
• Datenübertrager für Etiketten-Neuausrichtung
• Testamentsvollstrecker

Versuchsaufbau

OrbitalBrain ist in Python auf Foundation des Orbitalsimulators CosmicBeats und des föderierten Lernrahmens FLUTE implementiert. Die integrierte Rechenleistung wird als NVIDIA-Jetson-Orin-Nano-4GB-GPU modelliert, wobei die Leistungs- und Kommunikationsparameter anhand öffentlicher Satelliten- und Funkspezifikationen kalibriert werden.

Das Forschungsteam simuliert 24-Stunden-Spuren für 2 reale Konstellationen:

• Planet: 207 Satelliten mit 12 Bodenstationen.
• Turm: 117 Satelliten.

Sie bewerten 2 EO-Klassifizierungsaufgaben:

• fMoW: ca. 360.000 RGB-Bilder, 62 Klassen, DenseNet-161, wobei die letzten 5 Schichten trainierbar sind.
• So2Sat: rund 400.000 multispektrale Bilder, 17 Klassen, ResNet-50, wobei die letzten 5 Schichten trainierbar sind.

Ergebnisse: schnellere Zeit bis zur Genauigkeit und höhere Genauigkeit

OrbitalBrain wird unter vollständigen physikalischen Einschränkungen mit BentPipe, AsyncFL, SyncFL, FedBuff und FedSpace verglichen.

Für fMoW nach 24 Stunden:

• Planet: OrbitalBrain erreicht eine High-1-Genauigkeit von 52,8 %.
• Spire: OrbitalBrain erreicht eine High-1-Genauigkeit von 59,2 %.

Für So2Sat:

• Planet: 47,9 % High-1-Genauigkeit.
• Spire: 47,1 % High-1-Genauigkeit.

Diese Ergebnisse verbessern sich gegenüber der besten Basislinie um 5,5–49,5 %, je nach Datensatz und Konstellation.

Was die Zeit bis zur Genauigkeit betrifft, OrbitalBrain erreicht eine Beschleunigung um das 1,52- bis 12,4-fache im Vergleich zu hochmodernen bodenbasierten oder föderierten Lernansätzen. Dies ist auf die Nutzung von Satelliten zurückzuführen, die derzeit keine Bodenstation erreichen können, indem sie über ISLs aggregiert werden, und auf die Neuausrichtung der Datenverteilungen über DT.

Ablationsstudien zeigen, dass die Deaktivierung von MA oder DT sowohl die Konvergenzgeschwindigkeit als auch die Endgenauigkeit erheblich beeinträchtigt. Weitere Experimente deuten darauf hin, dass OrbitalBrain strong bleibt, wenn die Wolkendecke einen Teil der Bilder verdeckt, wenn nur eine Teilmenge der Satelliten beteiligt ist und wenn Bildgrößen und Auflösungen variieren.

Auswirkungen auf Satelliten-KI-Arbeitslasten

OrbitalBrain zeigt, dass sich das Modelltraining in den Weltraum bewegen kann und dass Satellitenkonstellationen als verteilte ML-Systeme und nicht nur als Datenquellen fungieren können. Durch die Koordinierung lokaler Schulung, Modellaggregation und Datenübertragung unter strengen Bandbreiten-, Strom- und Speicherbeschränkungen ermöglicht das Framework aktuellere Modelle für Aufgaben wie Waldbranderkennung, Überschwemmungsüberwachung und Klimaanalyse, ohne tagelang darauf warten zu müssen, dass die Daten terrestrische Rechenzentren erreichen.

Wichtige Erkenntnisse

1. Der BentPipe-Downlink ist der Hauptengpass: Planetenähnliche EO-Konstellationen können nur etwa 11,7 % der erfassten 300-MB-Bilder professional Tag downlinken, und etwa 30,7 % selbst mit 100-MB-Komprimierung, was das bodengestützte Modelltraining stark einschränkt.
2. Standardmäßiges föderiertes Lernen schlägt unter realen Satelliteneinschränkungen fehl: AsyncFL, SyncFL, FedBuff und FedSpace verschlechtern sich um 10–40 % an Genauigkeit, wenn realistische Orbitaldynamik, intermittierende Verbindungen, Leistungsgrenzen und nicht-iid-Daten angewendet werden, was zu instabiler Konvergenz führt.
3. OrbitalBrain plant die Berechnung, Aggregation und Datenübertragung im Orbit gemeinsam: Ein Cloud-Controller nutzt Prognosen zu Umlaufbahn, Energie, Speicher und Verbindungsmöglichkeiten, um lokale Berechnung, Modellaggregation über ISLs oder Datenübertragung professional Satellit auszuwählen und so eine Nutzenfunktion professional Aktion zu maximieren.
4. Die Neuausrichtung von Etiketten und die Veralterung von Modellen werden explizit behandelt: Ein geführter Profiler verfolgt die Veralterung und den Verlust des Modells, um den Rechennutzen zu definieren, während der Datenübertrager die Jensen-Shannon-Divergenz auf Label-Histogrammen nutzt, um den Austausch von Rohbildern voranzutreiben, die Nicht-IID-Effekte reduzieren.
5. OrbitalBrain bietet eine höhere Genauigkeit und eine bis zu 12,4-mal schnellere Zeit bis zur Genauigkeit: In Simulationen von Planeten- und Spire-Konstellationen mit fMoW und So2Sat verbessert OrbitalBrain die endgültige Genauigkeit um 5,5–49,5 % gegenüber BentPipe- und FL-Basislinien und erreicht eine 1,52- bis 12,4-fache Beschleunigung der Zeit bis zur Genauigkeit.

---

Schauen Sie sich das an Papier. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Warum hat der Mensch die Augen entwickelt, die wir heute haben?

Während Wissenschaftler nicht in der Zeit zurückgehen können, um die Umweltbelastungen zu untersuchen, die die Entwicklung der verschiedenen in der Natur vorkommenden Sehsysteme geprägt haben, ermöglicht ihnen ein von MIT-Forschern entwickeltes neues Rechengerüst, diese Entwicklung bei Agenten der künstlichen Intelligenz zu untersuchen.

Das von ihnen entwickelte Framework, in dem verkörperte KI-Agenten über viele Generationen hinweg Augen entwickeln und sehen lernen, ist wie eine „wissenschaftliche Sandbox“, die es Forschern ermöglicht, verschiedene Evolutionsbäume nachzubilden. Der Benutzer tut dies, indem er die Struktur der Welt und die Aufgaben verändert, die KI-Agenten ausführen, beispielsweise das Finden von Nahrungsmitteln oder das Unterscheiden von Objekten.

Auf diese Weise können sie untersuchen, warum ein Tier möglicherweise einfache, lichtempfindliche Augenflecken entwickelt hat, während ein anderes komplexe, kameraartige Augen hat.

Die Experimente der Forscher mit diesem Framework zeigen, wie Aufgaben die Augenentwicklung der Agenten vorantreiben. Sie fanden beispielsweise heraus, dass Navigationsaufgaben häufig zur Entwicklung von Facettenaugen mit vielen einzelnen Einheiten führten, wie die Augen von Insekten und Krebstieren.

Wenn sich die Agenten hingegen auf die Objektunterscheidung konzentrierten, struggle es wahrscheinlicher, dass sie Kameraaugen mit Iris und Netzhaut entwickelten.

Dieser Rahmen könnte es Wissenschaftlern ermöglichen, „Was-wäre-wenn“-Fragen zu Bildverarbeitungssystemen zu untersuchen, die experimentell schwer zu untersuchen sind. Es könnte auch als Leitfaden für die Entwicklung neuartiger Sensoren und Kameras für Roboter, Drohnen und tragbare Geräte dienen, die Leistung mit realen Einschränkungen wie Energieeffizienz und Herstellbarkeit in Einklang bringen.

„Obwohl wir nie zurückgehen und jedes Element herausfinden können, wie die Evolution stattgefunden hat, haben wir mit dieser Arbeit eine Umgebung geschaffen, in der wir gewissermaßen die Evolution nachbilden und die Umwelt auf all diese verschiedenen Arten erforschen können. Diese Methode der Wissenschaftsarbeit eröffnet die Tür zu vielen Möglichkeiten“, sagt Kushagra Tiwary, Doktorandin am MIT Media Lab und Co-Hauptautorin einer Arbeit zu dieser Forschung.

Er wird bei der Arbeit von dem Co-Hauptautor und Kommilitonen Aaron Younger unterstützt; Doktorand Tzofi Klinghoffer; ehemaliger Postdoc Akshat Dave, der jetzt Assistenzprofessor an der Stony Brook College ist; Tomaso Poggio, Eugene McDermott-Professor in der Abteilung für Gehirn- und Kognitionswissenschaften, Forscher am McGovern Institute und Co-Direktor des Heart for Brains, Minds, and Machines; Co-Senior-Autoren Brian Cheung, Postdoc am Heart for Brains, Minds, and Machines und künftiger Assistenzprofessor an der College of California San Francisco; und Ramesh Raskar, außerordentlicher Professor für Medienkunst und -wissenschaften und Leiter der Digital camera Tradition Group am MIT; sowie andere an der Rice College und der Lund College. Die Forschung erscheint heute in Wissenschaftliche Fortschritte.

Bau einer wissenschaftlichen Sandbox

Der Aufsatz begann mit einem Gespräch zwischen Forschern über die Entdeckung neuer Bildverarbeitungssysteme, die in verschiedenen Bereichen wie der Robotik nützlich sein könnten. Um ihre „Was-wäre-wenn“-Fragen zu testen, beschlossen die Forscher, dies zu tun Nutzen Sie KI, um die vielen evolutionären Möglichkeiten zu erkunden.

„Was-wäre-wenn-Fragen haben mich inspiriert, als ich aufwuchs, um Naturwissenschaften zu studieren. Mit KI haben wir die einzigartige Möglichkeit, diese verkörperten Agenten zu schaffen, die es uns ermöglichen, die Artwork von Fragen zu stellen, die normalerweise unmöglich zu beantworten wären“, sagt Tiwary.

Um diese evolutionäre Sandbox zu bauen, nahmen die Forscher alle Elemente einer Kamera, wie Sensoren, Linsen, Blenden und Prozessoren, und wandelten sie in Parameter um, die ein verkörperter KI-Agent lernen konnte.

Sie verwendeten diese Bausteine ​​als Ausgangspunkt für einen algorithmischen Lernmechanismus, den ein Agent verwenden würde, wenn er im Laufe der Zeit seine Augen weiterentwickelte.

„Wir konnten nicht das gesamte Universum Atom für Atom simulieren. Es struggle eine Herausforderung zu bestimmen, welche Zutaten wir brauchten, welche Zutaten wir nicht brauchten und wie wir die Ressourcen auf diese verschiedenen Elemente verteilen sollten“, sagt Cheung.

In seinem Rahmen kann dieser evolutionäre Algorithmus basierend auf den Einschränkungen der Umgebung und der Aufgabe des Agenten auswählen, welche Elemente weiterentwickelt werden sollen.

Jede Umgebung hat eine einzige Aufgabe, wie Navigation, Nahrungsidentifizierung oder Beuteverfolgung, die darauf ausgelegt ist, echte visuelle Aufgaben nachzuahmen, die Tiere bewältigen müssen, um zu überleben. Die Agenten beginnen mit einem einzelnen Fotorezeptor, der auf die Welt blickt, und einem zugehörigen neuronalen Netzwerkmodell, das visuelle Informationen verarbeitet.

Anschließend wird jeder Agent im Laufe seines Lebens mithilfe von Reinforcement Studying trainiert, einer Trial-and-Error-Technik, bei der der Agent für das Erreichen des Ziels seiner Aufgabe belohnt wird. Die Umgebung beinhaltet auch Einschränkungen, wie etwa eine bestimmte Anzahl von Pixeln für die visuellen Sensoren eines Agenten.

„Diese Einschränkungen bestimmen den Designprozess, genauso wie wir in unserer Welt physikalische Einschränkungen haben, etwa die Physik des Lichts, die das Design unserer eigenen Augen bestimmt haben“, sagt Tiwary.

Über viele Generationen hinweg entwickeln Agenten verschiedene Elemente von Imaginative and prescient-Systemen, die die Belohnungen maximieren.

Ihr Rahmenwerk nutzt einen genetischen Kodierungsmechanismus, um die Evolution rechnerisch nachzuahmen, wobei einzelne Gene mutieren, um die Entwicklung eines Wirkstoffs zu steuern.

Morphologische Gene erfassen beispielsweise, wie der Agent die Umgebung sieht, und steuern die Augenposition. optische Gene bestimmen, wie das Auge mit Licht interagiert, und bestimmen die Anzahl der Photorezeptoren; und neuronale Gene steuern die Lernfähigkeit der Agenten.

Hypothesen testen

Als die Forscher Experimente in diesem Rahmen durchführten, stellten sie fest, dass Aufgaben einen großen Einfluss auf die Sehsysteme hatten, die die Agenten entwickelten.

Beispielsweise entwickelten Agenten, die sich auf Navigationsaufgaben konzentrierten, Augen, die darauf ausgelegt waren, das räumliche Bewusstsein durch Wahrnehmung mit niedriger Auflösung zu maximieren, während Agenten, die mit der Erkennung von Objekten beauftragt waren, Augen entwickelten, die sich mehr auf die Frontalschärfe als auf das periphere Sehen konzentrierten.

Ein anderes Experiment zeigte, dass ein größeres Gehirn nicht immer besser ist, wenn es um die Verarbeitung visueller Informationen geht. Abhängig von physikalischen Einschränkungen wie der Anzahl der Fotorezeptoren in den Augen können jeweils nur so viele visuelle Informationen gleichzeitig in das System gelangen.

„Irgendwann hilft ein größeres Gehirn den Agenten überhaupt nicht mehr, und in der Natur wäre das eine Verschwendung von Ressourcen“, sagt Cheung.

In Zukunft wollen die Forscher mithilfe dieses Simulators die besten Bildverarbeitungssysteme für spezifische Anwendungen erforschen, die Wissenschaftlern dabei helfen könnten, aufgabenspezifische Sensoren und Kameras zu entwickeln. Sie möchten auch LLMs in ihr Framework integrieren, um es Benutzern zu erleichtern, „Was-wäre-wenn“-Fragen zu stellen und zusätzliche Möglichkeiten zu studieren.

„Es ist ein echter Vorteil, Fragen fantasievoller zu stellen. Ich hoffe, dass dies andere dazu inspiriert, größere Rahmen zu schaffen, bei denen sie sich nicht auf eng gefasste Fragen konzentrieren, die einen bestimmten Bereich abdecken, sondern versuchen, Fragen mit einem viel größeren Umfang zu beantworten“, sagt Cheung.

Diese Arbeit wurde teilweise vom Heart for Brains, Minds, and Machines und dem Programm Arithmetic for the Discovery of Algorithms and Architectures (DIAL) der Protection Superior Analysis Initiatives Company (DARPA) unterstützt.

2wai ist eine AI-basierte soziale App Später wurde eine Verbindung hergestellt und ein digitaler Avatar erstellt, der von einem männlichen Benutzer erstellt wurde.

Anschließend wird die App „HoloAvatars“ verwendet, um in weniger als 3 Minuten Videoclips oder Selfies zu spielen. Nachdem Sie einen Avatar generiert haben, der holografisch dargestellt ist und eine realistische Interaktion mit anderen Nutzern ermöglicht, werden sie als „ChatGPT-Männer für Männer“ bezeichnet. Sie können die Verbindung mit Ihrem eigenen Avatar oder anderen Fahrzeugen über Webbrowser und Mobilgeräte herstellen.

Als ich die Erfahrung machte, dass ich kaum etwas gelernt hatte und mir eine Menge Spaß gemacht und meine Web site besucht hatte, warfare ich am liebsten skeptisch.

Kontroversielle Funktion

Ich möchte den gleichen Prozess durchführen, um einen Avatar zu erstellen, der mit dem Fortfarande-Hebel ausgestattet ist, sodass die Familie auch nach der Geburt mit einer digitalen Model fortfahren kann.

Es gibt viele kritische Kritiken, die das Risiko eingehen, sich mit der Arbeit, der Familie und der Identität zu befassen – es ist jedoch nicht leicht, sie mit einer Individual oder einer Familie zu betrauen. Vor Kurzem wurde festgestellt, dass das Risiko besteht, die Identitätskontrolle zu gefährden, den Namen zu kontrollieren, Bilder zu erstellen und die Richtlinien zu prüfen, um die Identität zu überprüfen.

Die Technik-Idee – ich versuche, digitales Fernsehen zu nutzen – ist sehr leistungsfähig, aber die Leute müssen sich vorstellen, dass sie nichts Besonderes sind, zurückbleiben und tatsächlich etwas mit den Avataren zu tun haben, aber jetzt und in der Zukunft.

Grund und Hintergrund

2. Der Disney-Channel-Star Calum Worthy wurde von der TV-Serie „Austin & Ally“ begleitet. Stellen Sie sicher, dass Sie sich für den KI-Avatar von der kommerziellen Individual entschieden haben.

Weitere Informationen:

2wai – offizielle Webseiten und Produkte

Apple App Retailer – 2wai: Vernetzen Sie sich mit KI-Avataren

Wie wandeln Sie echte Agentenverfolgungen in Reinforcement Studying RL-Übergänge um, um Richtlinien-LLMs zu verbessern, ohne Ihren bestehenden Agentenstapel zu ändern? Veröffentlichungen des Microsoft AI-Groups Agent Lightning zur Optimierung von Multiagentensystemen. Agent Lightning ist ein Open-Supply-Framework, das Reinforcement Studying für jeden KI-Agenten ohne Umschreibungen ermöglicht. Es trennt Coaching und Ausführung, definiert ein einheitliches Hint-Format und führt LightningRL ein, eine hierarchische Methode, die komplexe Agentenläufe in Übergänge umwandelt, die standardmäßige Single-Flip-RL-Coach optimieren können.

Was Agent Lightning macht?

Das Framework modelliert einen Agenten als Entscheidungsprozess. Es formalisiert den Agenten als einen teilweise beobachtbaren Markov-Entscheidungsprozess, bei dem die Beobachtung die aktuelle Eingabe in das Richtlinien-LLM ist, die Aktion der Modellaufruf ist und die Belohnung terminaler oder intermediärer Natur sein kann. Aus jedem Lauf werden nur die vom Richtlinienmodell getätigten Aufrufe sowie Eingaben, Ausgaben und Belohnungen extrahiert. Dadurch werden andere Rahmengeräusche entfernt und saubere Übergänge für das Coaching erzielt.

LightningRL führt die Kreditzuweisung über mehrstufige Episoden hinweg durch und optimiert dann die Richtlinie mit einem einzigen RL-Ziel. Das Forschungsteam beschreibt die Kompatibilität mit Single-Flip-RL-Methoden. In der Praxis nutzen Groups häufig Coach, die PPO oder GRPO implementieren, wie z. B. VeRL, das zu dieser Schnittstelle passt.

Systemarchitektur

Agent Lightning verwendet Coaching Agent Disaggregation. Ein Blitz Server führt Coaching und Bereitstellung durch und stellt eine OpenAI-ähnliche API für das aktualisierte Modell bereit. Ein Lightning-Consumer führt die Agentenlaufzeit dort aus, wo sie sich bereits befindet, erfasst Spuren von Eingabeaufforderungen, Toolaufrufen und Belohnungen und streamt sie zurück an den Server. Dadurch bleiben Instruments, Browser, Shells und andere Abhängigkeiten nah an der Produktion, während das GPU-Coaching auf der Serverebene verbleibt.

Die Laufzeit unterstützt zwei Ablaufverfolgungspfade. Ein Standardpfad verwendet OpenTelemetry-Spans, sodass Sie Agententelemetrie über Standardkollektoren weiterleiten können. Es gibt auch einen leichtgewichtigen eingebetteten Tracer für Groups, die OpenTelemetry nicht einsetzen möchten. Beide Wege enden zum Coaching im selben Laden.

Einheitliche Datenschnittstelle

Agent Lightning zeichnet jeden Modellaufruf und jeden Toolaufruf als Spanne mit Eingaben, Ausgaben und Metadaten auf. Die Algorithmusschicht passt Spannen in geordnete Tripletts aus Aufforderung, Antwort und Belohnung an. Durch diese selektive Extraktion können Sie einen Agenten in einem Multi-Agenten-Workflow oder mehrere Agenten gleichzeitig optimieren, ohne den Orchestrierungscode zu berühren. Dieselben Spuren können auch eine automatische Immediate-Optimierung oder eine überwachte Feinabstimmung vorantreiben.

Experimente und Datensätze

Das Forschungsteam meldet drei Aufgaben. Für Textual content-to-SQL verwendet das Group den Spider-Benchmark. Spider enthält mehr als 10.000 Fragen in 200 Datenbanken, die 138 Bereiche umfassen. Das Richtlinienmodell ist Llama 3.2 3B Instruct. Die Implementierung verwendet LangChain mit einem Author-Agenten, einem Rewriter-Agenten und einem Checker. Der Author und der Rewriter werden optimiert und der Checker bleibt unverändert. Die Belohnungen verbessern sich während des Trainings und zur Prüfungszeit stetig.

Für die Retrieval-Augmented-Generierung verwendet das Setup den MuSiQue-Benchmark und einen Wikipedia-Skalenindex mit etwa 21 Millionen Dokumenten. Der Retriever verwendet BGE-Einbettungen mit Kosinusähnlichkeit. Der Agent wird mit dem OpenAI Brokers SDK erstellt. Die Belohnung ist eine gewichtete Summe aus einem Format-Rating und einem F1-Korrektheits-Rating. Belohnungskurven zeigen stabile Zuwächse während des Trainings und der Bewertung mit demselben Basismodell.

Für die Beantwortung mathematischer Fragen mithilfe eines Instruments wird der Agent mit AutoGen implementiert und ruft ein Taschenrechnertool auf. Der Datensatz ist Calc X. Das Basismodell ist wiederum Llama 3.2 3B Instruct. Das Coaching verbessert die Fähigkeit, Instruments korrekt aufzurufen und Ergebnisse in endgültige Antworten zu integrieren.

Wichtige Erkenntnisse

1. Agent Lightning nutzt Coaching Agent Disaggregation und eine einheitliche Hint-Schnittstelle, sodass bestehende Agenten in LangChain, OpenAI Brokers SDK, AutoGen oder CrewAI nahezu ohne Codeänderungen verbunden werden können.
2. LightningRL wandelt Flugbahnen in Übergänge um. Es wendet die Kreditzuweisung auf mehrstufige Läufe an und optimiert dann die Richtlinie mit Single-Flip-RL-Methoden wie PPO oder GRPO in Standardtrainern.
3. Automated Intermediate Rewarding, AIR, liefert dichtes Suggestions. AIR wandelt Systemsignale wie den Standing der Werkzeugrückgabe in Zwischenbelohnungen um, um Probleme mit spärlichen Belohnungen in langen Arbeitsabläufen zu reduzieren.
4. Die Forschung wertet Textual content nach SQL auf Spider, RAG auf MuSiQue mit einem Wikipedia-Skalenindex unter Verwendung von BGE-Einbettungen und Kosinusähnlichkeit sowie die Verwendung von Mathematiktools auf Calc X aus, alles mit Llama 3.2 3B Instruct als Basismodell.
5. Die Laufzeit zeichnet Traces über OpenTelemetry auf, streamt sie an den Trainingsserver und stellt einen OpenAI-kompatiblen Endpunkt für aktualisierte Modelle bereit, wodurch skalierbare Rollouts ohne das Verschieben von Instruments ermöglicht werden.

Agent Lightning ist eine praktische Brücke zwischen der Agentenausführung und dem verstärkenden Lernen und nicht eine weitere Neufassung des Frameworks. Es formalisiert Agentenläufe als Markov-Entscheidungsprozess (MDP), führt LightningRL für die Kreditzuweisung ein und extrahiert Übergänge, die in Single-Flip-RL-Coach eingefügt werden. Das Coaching Agent Disaggregation-Design trennt einen Consumer, der den Agent ausführt, von einem Server, der einen OpenAI-kompatiblen Endpunkt trainiert und bedient, sodass Groups vorhandene Stacks behalten. Die automatische Zwischenbelohnung wandelt Laufzeitsignale in dichtes Suggestions um und reduziert so spärliche Belohnungen in langen Arbeitsabläufen. Insgesamt ist Agent Lightning ein sauberer Weg mit minimaler Integration, der es Agenten ermöglicht, aus ihren eigenen Spuren zu lernen.

---

Schauen Sie sich das an Papier Und Repo. Schauen Sie sich gerne bei uns um GitHub-Seite für Tutorials, Codes und Notebooks. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

MIT-Ingenieure haben eine druckbare Aluminiumlegierung entwickelt, die hohen Temperaturen standhält und fünfmal stärker ist als herkömmlich hergestelltes Aluminium.

Das neue druckbare Metall besteht aus einer Mischung aus Aluminium und anderen Elementen, die das Staff mithilfe einer Kombination aus Simulationen und maschinellem Lernen identifiziert hat, wodurch die Anzahl der möglichen Kombinationen von zu durchsuchenden Materialien erheblich reduziert wurde. Während herkömmliche Methoden die Simulation von über einer Million möglicher Materialkombinationen erfordern würden, musste das Staff mit dem neuen, auf maschinellem Lernen basierenden Ansatz nur 40 mögliche Zusammensetzungen bewerten, bevor eine ideale Mischung für eine hochfeste, druckbare Aluminiumlegierung ermittelt werden konnte.

Als sie die Legierung druckten und das resultierende Materials testeten, bestätigte das Staff, dass die Aluminiumlegierung wie vorhergesagt genauso stark struggle wie die stärksten Aluminiumlegierungen, die heute mit traditionellen Gussverfahren hergestellt werden.

Die Forscher stellen sich vor, dass das neue druckbare Aluminium zu stärkeren, leichteren und temperaturbeständigeren Produkten verarbeitet werden könnte, beispielsweise zu Lüfterblättern in Düsentriebwerken. Lüfterflügel werden traditionell aus Titan gegossen – einem Materials, das mehr als 50 Prozent schwerer und bis zu zehnmal teurer als Aluminium ist – oder aus fortschrittlichen Verbundwerkstoffen hergestellt.

„Wenn wir leichteres, hochfestes Materials verwenden könnten, würde dies der Transportindustrie eine beträchtliche Menge Energie einsparen“, sagt Mohadeseh Taheri-Mousavi, der die Arbeit als Postdoktorand am MIT leitete und jetzt Assistenzprofessor an der Carnegie Mellon College ist.

„Da der 3D-Druck komplexe Geometrien erzeugen, Materials einsparen und einzigartige Designs ermöglichen kann, sehen wir diese druckbare Legierung als etwas, das auch in fortschrittlichen Vakuumpumpen, Excessive-Finish-Automobilen und Kühlgeräten für Rechenzentren verwendet werden könnte“, fügt John Hart, Professor der Klasse von 1922 und Leiter der Abteilung für Maschinenbau am MIT, hinzu.

Hart und Taheri-Mousavi liefern Particulars zum neuen druckbaren Aluminiumdesign in einem in der Zeitschrift veröffentlichtes Papier Fortschrittliche Materialien. Zu den MIT-Co-Autoren des Papiers gehören Michael Xu, Clay Houser, Shaolou Wei, James LeBeau und Greg Olson sowie Florian Hengsbach und Mirko Schaper von der Universität Paderborn in Deutschland sowie Zhaoxuan Ge und Benjamin Glaser von der Carnegie Mellon College.

Mikrogröße

Die neue Arbeit entstand aus einem MIT-Kurs, den Taheri-Mousavi im Jahr 2020 belegte und der von Greg Olson, Professor für die Praxis am Division of Supplies Science and Engineering, unterrichtet wurde. Im Rahmen des Kurses lernten die Studierenden, mithilfe von Computersimulationen Hochleistungslegierungen zu entwerfen. Legierungen sind Materialien, die aus einer Mischung verschiedener Elemente bestehen, deren Kombination dem Materials als Ganzes außergewöhnliche Festigkeit und andere einzigartige Eigenschaften verleiht.

Olson forderte die Klasse auf, eine Aluminiumlegierung zu entwerfen, die stärker ist als die stärkste bisher entwickelte druckbare Aluminiumlegierung. Wie bei den meisten Materialien hängt die Festigkeit von Aluminium zu einem großen Teil von seiner Mikrostruktur ab: Je kleiner und dichter die mikroskopischen Bestandteile oder „Ausscheidungen“ gepackt sind, desto stärker ist die Legierung.

Vor diesem Hintergrund kombinierte die Klasse mithilfe von Computersimulationen Aluminium methodisch mit verschiedenen Arten und Konzentrationen von Elementen, um die Festigkeit der resultierenden Legierung zu simulieren und vorherzusagen. Die Übung führte jedoch nicht zu einem stärkeren Ergebnis. Am Ende des Kurses fragte sich Taheri-Mousavi: Könnte maschinelles Lernen besser sein?

„Irgendwann gibt es viele Dinge, die nichtlinear zu den Eigenschaften eines Supplies beitragen, und dann ist man verloren“, sagt Taheri-Mousavi. „Mit Instruments für maschinelles Lernen können sie Sie darauf hinweisen, worauf Sie sich konzentrieren müssen, und Ihnen beispielsweise sagen, dass diese beiden Elemente diese Funktion steuern. Dadurch können Sie den Designraum effizienter erkunden.“

Schicht für Schicht

In der neuen Studie machte Taheri-Mousavi dort weiter, wo Olsons Kurs aufgehört hatte, und versuchte dieses Mal, ein stärkeres Rezept für eine Aluminiumlegierung zu finden. Dieses Mal nutzte sie Techniken des maschinellen Lernens, um Daten wie die Eigenschaften von Elementen effizient zu durchsuchen und wichtige Verbindungen und Korrelationen zu identifizieren, die zu einem wünschenswerteren Ergebnis oder Produkt führen sollten.

Sie fand heraus, dass ihr maschineller Lernansatz durch die Verwendung von nur 40 Zusammensetzungen, in denen Aluminium mit verschiedenen Elementen gemischt wurde, schnell zu einem Rezept für eine Aluminiumlegierung mit einem höheren Volumenanteil kleiner Ausscheidungen und damit höherer Festigkeit führte, als dies in früheren Studien festgestellt wurde. Die Festigkeit der Legierung struggle sogar höher als das, was sie nach der Simulation von über 1 Million Möglichkeiten ohne maschinelles Lernen ermitteln konnten.

Um diese neue starke Legierung mit kleinen Ausscheidungen physisch herzustellen, erkannte das Staff, dass 3D-Druck anstelle des herkömmlichen Metallgusses, bei dem geschmolzenes flüssiges Aluminium in eine Kind gegossen und abkühlen und aushärten gelassen wird, der richtige Weg wäre. Je länger diese Abkühlzeit ist, desto wahrscheinlicher ist es, dass der einzelne Niederschlag wächst.

Die Forscher zeigten, dass der 3D-Druck, allgemein auch als additive Fertigung bekannt, eine schnellere Möglichkeit sein kann, die Aluminiumlegierung abzukühlen und zu verfestigen. Konkret erwogen sie die Laserbett-Pulverschmelzung (LBPF) – eine Technik, bei der ein Pulver Schicht für Schicht in einem gewünschten Muster auf einer Oberfläche aufgetragen und dann schnell von einem Laser geschmolzen wird, der das Muster nachzeichnet. Das geschmolzene Muster ist dünn genug, dass es schnell erstarrt, bevor eine weitere Schicht aufgetragen und auf ähnliche Weise „gedruckt“ wird. Das Staff stellte fest, dass die von Natur aus schnelle Abkühlung und Erstarrung von LBPF die hochfeste Aluminiumlegierung mit kleinen Ausscheidungen ermöglichte, die ihre maschinelle Lernmethode vorhergesagt hatte.

„Manchmal müssen wir darüber nachdenken, wie wir ein Materials mit dem 3D-Druck kompatibel machen“, sagt John Hart, Co-Autor der Studie. „Hier öffnet der 3D-Druck aufgrund der einzigartigen Eigenschaften des Prozesses – insbesondere der schnellen Abkühlrate – neue Türen. Durch das sehr schnelle Erstarren der Legierung nach dem Schmelzen durch den Laser entstehen diese besonderen Eigenschaften.“

Um ihre Idee in die Tat umzusetzen, bestellten die Forscher eine Formulierung aus druckbarem Pulver, basierend auf ihrer neuen Aluminiumlegierungsrezeptur. Sie schickten das Pulver – eine Mischung aus Aluminium und fünf anderen Elementen – an Mitarbeiter in Deutschland, die mit ihrem hauseigenen LPBF-System kleine Proben der Legierung druckten. Anschließend wurden die Proben an das MIT geschickt, wo das Staff mehrere Assessments durchführte, um die Festigkeit der Legierung zu messen und die Mikrostruktur der Proben abzubilden.

Ihre Ergebnisse bestätigten die Vorhersagen ihrer anfänglichen maschinellen Lernsuche: Die gedruckte Legierung struggle fünfmal stärker als ein gegossenes Gegenstück und 50 Prozent stärker als Legierungen, die mit herkömmlichen Simulationen ohne maschinelles Lernen entworfen wurden. Die Mikrostruktur der neuen Legierung bestand außerdem aus einem höheren Volumenanteil kleiner Ausscheidungen und struggle bei hohen Temperaturen von bis zu 400 Grad Celsius stabil – einer für Aluminiumlegierungen sehr hohen Temperatur.

Die Forscher wenden ähnliche Techniken des maschinellen Lernens an, um andere Eigenschaften der Legierung weiter zu optimieren.

„Unsere Methodik öffnet neue Türen für jeden, der Legierungsdesign im 3D-Druck betreiben möchte“, sagt Taheri-Mousavi. „Mein Traum ist, dass eines Tages Passagiere, die aus ihrem Flugzeugfenster schauen, Lüfterflügel von Triebwerken sehen werden, die aus unseren Aluminiumlegierungen hergestellt sind.“

Diese Arbeit wurde teilweise mit den Charakterisierungseinrichtungen von MIT.nano durchgeführt.

9. Oktober 2025 – Eine neue Studie des BSI zeigt Warnzeichen für die Auswirkungen künstlicher Intelligenz auf den Arbeitsmarkt, insbesondere auf Berufseinsteiger. Laut BSI bestätigt die Studie, dass Unternehmensführer der Automatisierung und dem Einsatz von KI Priorität einräumen, um den Personalbestand zu reduzieren, anstatt in die Qualifizierung zu investieren.

Die Studie kombiniert die KI-gestützte Analyse eines großen Datensatzes der Jahresberichte multinationaler Konzerne mit einer weltweiten Umfrage unter mehr als 850 Wirtschaftsführern, um einen ganzheitlichen Überblick sowohl über die selbstberichteten Ansichten einzelner Führungskräfte zur KI-Implementierung als auch über die Darstellung der KI-Nutzung in öffentlichen Unternehmenserklärungen zu bieten.

Die KI-Analyse ergab, dass der Diskurs über die Automatisierung von Arbeitsplätzen die Diskussionen über die Personalentwicklung in den KI-Erzählungen von Unternehmen deutlich in den Schatten stellt, wobei der Begriff quick siebenmal häufiger vorkommt als „Weiterbildung“ oder „Umschulung“. Dies deutet darauf hin, dass Unternehmen der Rolle der KI bei Innovation und Wettbewerbsvorteilen Priorität einräumen und dabei möglicherweise die Auswirkungen auf das Humankapital übersehen.

Knapp die Hälfte (41 %) der befragten Unternehmensleiter gaben an, dass KI einen Personalabbau ermöglicht. Quick ein Drittel aller Befragten weltweit gaben an, dass ihr Unternehmen nun KI-Lösungen erforscht, bevor es über die Einstellung eines Mitarbeiters nachdenkt (31 %), wobei zwei Fünftel damit rechnen, dass dies innerhalb von fünf Jahren der Fall sein wird.

Den vollständigen Bericht finden Sie hier Hier.

Einige Unternehmensleiter glauben bereits, dass KI-Instruments die menschlichen Fähigkeiten erreichen oder übertreffen können. Ein Viertel der Befragten der Umfrage gab an, dass alle oder die meisten Aufgaben, die ein Berufseinsteiger erledigt, von KI erledigt werden könnten. Zwei Fünftel (39 %) geben an, dass Einstiegspositionen aufgrund von Effizienzsteigerungen durch KI bei der Durchführung von Recherche-, Verwaltungs- und Briefing-Aufgaben bereits reduziert oder gestrichen wurden, und 43 % gehen davon aus, dass dies im nächsten Jahr geschehen wird. Angesichts der Auswirkungen auf die Verfügbarkeit von Einstiegsstellen gaben mehr als die Hälfte (56 %) der Befragten an, dass sie sich glücklich schätzen konnten, ihre Karriere begonnen zu haben, bevor KI-Instruments weit verbreitet waren. 35 % gaben an, dass sie das Gefühl hatten, dass es ihre erste Stelle heute nicht mehr geben würde. Eine Mehrheit (55 %) gab an, dass sie der Meinung sei, dass die Vorteile der Implementierung von KI in Organisationen die Unterbrechungen für die Belegschaft aufwiegen würden.

Susan Taylor Martin, CEO von BSI, sagte: „KI stellt eine enorme Probability für Unternehmen auf der ganzen Welt dar, aber während sie nach mehr Produktivität und Effizienz streben, dürfen wir die Tatsache nicht aus den Augen verlieren, dass es letztendlich Menschen sind, die den Fortschritt vorantreiben. Unsere Forschung macht deutlich, dass die Spannung zwischen der optimalen Nutzung von KI und der Ermöglichung einer florierenden Belegschaft die bestimmende Herausforderung unserer Zeit ist. Neben Investitionen besteht ein dringender Bedarf an langfristigem Denken und Investitionen in die Arbeitskräfte.“ in KI-Instruments, um nachhaltige und produktive Beschäftigung sicherzustellen.“

BSIs „Evolving Collectively: KI, Automatisierung und Aufbau der qualifizierten Arbeitskräfte der Zukunft“ zeigt die harte Realität für Berufseinsteiger auf: Sie stehen vor einer ungewissen Zukunft, in der traditionelle Wege zum Kompetenzaufbau und zur Branchenerfahrung zunehmend durch algorithmische Effizienz und Arbeitsplatzverdrängung behindert werden.

Die Umfrage deutet auch darauf hin, dass große Unternehmen im Vergleich zu KMU aggressiver auf KI setzen. Die Hälfte (51 %) der in KMU arbeitenden Befragten gibt an, dass KI für das Wachstum ihres Unternehmens von entscheidender Bedeutung ist, verglichen mit quick sieben von zehn Befragten in großen Unternehmen (69 %). Dies spiegelt sich in der spürbaren Wirkung wider; 70 % der großen Unternehmen gaben an, dass KI Geld spart, verglichen mit nur der Hälfte der KMU (51 %).

Daraus lässt sich schließen, dass KMU zum Rückgrat der Kompetenzentwicklung werden und der Era Z bessere Beschäftigungs- und Ausbildungsmöglichkeiten bieten könnten. Während die Hälfte der großen Unternehmen bereits Nachwuchskräfte abgebaut hat, haben nur 30 % der KMU dasselbe getan. Mit Blick auf die Zukunft rechnen 53 % der Großunternehmen mit weiteren Reduzierungen, verglichen mit 34 % der KMU.

Laura Bishop, Digital Sector Lead für Künstliche Intelligenz und Cybersicherheit bei BSI, sagte: „Heute stehen wir an der Schwelle zu Industrie 5.0, wo KI, Robotik und digitale Systeme menschlichen Werten und nicht nur Effizienz dienen müssen. Dieser Wandel bietet ein immenses Produktivitätspotenzial, aber sein Erfolg hängt von den Menschen ab. Die erfolgreiche Einführung dieser Instruments erfordert eine Weiterqualifizierung auf allen Ebenen der Belegschaft, und die Organisation sollte den Wert davon langfristig betrachten.“ Stärkung der nächsten Era.“

Kate Discipline, International Head Human and Social Sustainability bei BSI, sagte: „Da Rollen gestrafft oder gestrichen werden, bevor Erfahrungen gesammelt werden können, besteht die Gefahr, dass die beruflichen Ambitionen von Menschen zu Beginn ihrer Karriere und bevor sie die Probability hatten, sich zu entfalten, untergraben werden. Unsere Ergebnisse deuten auf einen besorgniserregenden Pattern hin: Führungskräfte ziehen möglicherweise „die Leiter hoch“ und geben der kurzfristigen Produktivität Vorrang vor der langfristigen Belastbarkeit der Belegschaft. Wenn nichts dagegen unternommen wird, könnte dies der Fall sein Dies hat dauerhafte Folgen, von der Schwächung unseres Qualifikationsportfolios über die Vertiefung der Generationenungleichheit bis hin zur Spaltung von Großunternehmen und KMU, wie unsere Untersuchungen zeigen. KMU befinden sich in einer entscheidenden Place: Sie gestalten die Zukunft der Arbeit, indem sie die Verantwortung für die Ausbildung der Era Z übernehmen.“

Die Studie wurde in zwei Teilen durchgeführt:

• FocalData-Umfrage (14. – 25. August 2025) unter über 850 Wirtschaftsführern in Australien, China, Frankreich, Deutschland, Japan, Großbritannien und den USA
• Diese Studie nutzte einen netzwerkbasierten Ansatz, um zu analysieren, wie 123 multinationale Unternehmen in sechs Sektoren (Technologie, Pharmazeutik, schnelllebige Konsumgüter (FMCG), Finanzdienstleistungen, Transport und gebaute Umwelt) und sieben globalen Märkten (Großbritannien, USA, Japan, China, Europa, Ozeanien und Indien) in ihren Jahresberichten über künstliche Intelligenz (KI) kommunizieren. Nach dem Sammeln und Verarbeiten der Berichte, um KI-bezogene Sätze zu isolieren und Schlüsselphrasen zu identifizieren (die mindestens fünf Mal gleichzeitig vorkommen), wurde ein Netzwerkmodell mit 10.055 eindeutigen Schlüsselwörtern und Phrasen erstellt, die mindestens zweimal gleichzeitig mit KI-Erwähnungen auftraten. Ein großes Sprachmodell kategorisierte dann 2.421 davon in sechs vordefinierte Themen (Innovation und Wettbewerbsvorteil, Produkte und Technologie, Governance und Regulierung, Risiko und Sicherheit, soziale Verantwortung und Ethik sowie Arbeitskräfte und Humankapital) und überprüfte die Genauigkeit manuell. Der Kern der Analyse konzentrierte sich auf die Zentralität, ein Maß, das die Bedeutung von Schlüsselwörtern und Themen innerhalb dieses Netzwerks widerspiegelt und angibt, wie häufig und stark sie gemeinsam mit anderen Elementen auftreten, und so ihren relativen Einfluss und ihre Vernetzung im KI-Diskurs von Unternehmen aufzeigt.

Was ist ein persönlicher Gesundheitsvertreter?

Großsprachenmodelle (LLMs) haben eine starke Leistung in verschiedenen Bereichen wie klinischem Denken, Entscheidungsunterstützung und Verbrauchergesundheitsanwendungen gezeigt. Die meisten vorhandenen Plattformen sind jedoch als einzelne Instrumente wie Symptomprüfer, digitale Coach oder Gesundheitsinformationsassistenten konzipiert. Diese Ansätze werden häufig nicht mit der Komplexität der realen Gesundheitsbedürfnisse eingehen, bei denen Einzelpersonen integrierte Argumentation über tragbare Streams, persönliche Gesundheitsakten und Labortestergebnisse benötigen.

Ein Forscherteam aus Google hat a vorgeschlagen Private Well being Agent (PHA) Rahmen. Das PHA ist als Multi-Agent-System Das vereint komplementäre Rollen: Datenanalyse, medizinisches Wissen und Gesundheitscoaching. Anstatt isolierte Ausgänge aus einem einzelnen Modell zurückzugeben, verwendet der PHA einen zentralen Orchestrator, um spezialisierte Subagenten zu koordinieren, ihre Ausgaben iterativ zu synthetisieren und kohärente, personalisierte Anleitung zu liefern.

Wie funktioniert das PHA -Framework?

Das Private Well being Agent (PHA) basiert auf der Gemini 2.0 -Modellfamilie. Es folgt einer modularen Architektur, die aus drei Subagenten und einem Orchestrator besteht:

1. Knowledge Science Agent (DS)
   Der DS-Agent interpretiert und analysiert Zeitreihendaten aus Wearables (z. B. Schrittzahlen, Herzfrequenzvariabilität, Schlafmetriken) und strukturierte Gesundheitsakten. Es ist in der Lage, offene Benutzerfragen in formale Analysepläne zu zerlegen, statistisches Denken auszuführen und die Ergebnisse mit Referenzdaten auf Bevölkerungsebene zu vergleichen. Zum Beispiel kann es quantifizieren, ob körperliche Aktivität im vergangenen Monat mit Verbesserungen der Schlafqualität verbunden ist.
2. Area Professional Agent (DE)
   Der DE Agent liefert medizinisch kontextualisierte Informationen. Es integriert persönliche Gesundheitsakten, demografische Informationen und tragbare Signale, um Erklärungen zu generieren, die auf medizinischem Wissen beruhen. Im Gegensatz zu allgemeinen LLMs, die believable, aber unzuverlässige Ausgaben erzeugen können, folgt der DE-Agent einer iterativen Überprüfung der Überprüfung der Überprüfung der Begründung und kombiniert maßgebliche medizinische Ressourcen mit personenbezogenen Daten. Dies ermöglicht es ihm, evidenzbasierte Interpretationen bereitzustellen, z. B. ob eine bestimmte Blutdruckmessung für eine Individual mit einer bestimmten Erkrankung in einem sicheren Bereich liegt.
3. Well being Coach Agent (HC)
   Der HC-Agent befasst sich mit Verhaltensänderungen und langfristiger Zieleinstellung. Ausgestattet aus etablierten Teaching-Strategien wie Motivationsinterviews führt es Multi-Flip-Gespräche, identifiziert die Benutzerziele, klärt die Einschränkungen und generiert strukturierte, personalisierte Pläne. Beispielsweise kann es einem Benutzer durch die Festlegung eines wöchentlichen Trainingsplanes, die Anpassung an individuelle Hindernisse und die Einbeziehung von Suggestions aus der Fortschrittsverfolgung führen.
4. Orchestrator
   Der Orchestrator -koordiniert diese drei Agenten. Wenn eine Abfrage empfangen wird, weist sie einem primären Agenten zu, der für die Generierung der Hauptausgabe und unterstützenden Agenten verantwortlich ist, um kontextbezogene Daten oder Domänenwissen bereitzustellen. Nach dem Sammeln der Ergebnisse führt der Orchestrator eine aus iterative ReflexionsschleifeÜberprüfen Sie die Ausgänge auf Kohärenz und Genauigkeit, bevor Sie sie in eine einzige Antwort synthetisierten. Dies stellt sicher, dass die endgültige Ausgabe nicht nur eine Aggregation der Agentenreaktionen, sondern eine integrierte Empfehlung ist.

Wie wurde der PHA bewertet?

Das Forschungsteam führte bisher eine der umfassendsten Bewertungen eines Gesundheits -KI -Programs durch. Ihr Bewertungsrahmen beteiligte sich 10 Benchmark -AufgabenAnwesend Über 7.000 menschliche AnmerkungenUnd 1.100 Stunden Bewertung von Gesundheitsexperten und Endbenutzern.

Bewertung des Knowledge Science Brokers

Der DS -Agent wurde an seiner Fähigkeit bewertet, strukturierte Analysepläne zu erstellen und einen korrekten, ausführbaren Code zu erstellen. Im Vergleich zu Foundation -Gemini -Modellen zeigte es:

• Ein signifikanter Anstieg der Qualität der Analyseplan und eine Verbesserung der mittleren Bewertungswerte von 53,7% auf 75,6%.
• Eine Verringerung kritischer Datenbearbeitungsfehler von 25,4% auf 11,0%.
• Eine Verbesserung der Code-Passquoten von 58,4% auf 75,5% bei den ersten Versuchen mit weiteren Gewinnen unter iterativer Selbstkorrektur.

Bewertung des Area -Experten -Agenten

Der DE -Agent wurde über vier Funktionen hinweg vergleichbar: sachliche Genauigkeit, diagnostisches Denken, kontextbezogene Personalisierung und multimodale Datensynthese. Die Ergebnisse umfassen:

• Sachliches Wissen: Bei über 2.000 Prüfungsfragen im Vorstand über Endokrinologie, Kardiologie, Schlafmedizin und Health erreichte der DE-Agent eine Genauigkeit von 83,6% und übertriffte die Foundation-Gemini (81,8%).
• Diagnostisches Denken: Bei 2.000 selbst gemeldeten Symptomfällen erreichte es 46,1% der Prime-1-diagnostische Genauigkeit im Vergleich zu 41,4% für eine modernste Gemini-Basislinie.
• Personalisierung: In Benutzerstudien bevorzugten 72% der Teilnehmer die Antworten von DE -Agenten gegenüber Basisausgaben, wobei höhere Vertrauenswürdigkeit und kontextbezogene Relevanz angeführt werden.
• Multimodale Synthese: In Expertenklinikern Opinions zu den aus tragbaren, Labor- und Umfragedaten erzeugten Gesundheitsüberprüfungen wurden die Ergebnisse des DE -Agenten klinisch bedeutender, umfassender und vertrauenswürdiger als Basisausgaben.

Evaluierung des Gesundheitstrainers

Der HC -Agent wurde durch Experteninterviews und Benutzerstudien entworfen und bewertet. Experten betonten die Notwendigkeit von sechs Teaching-Funktionen: Zielidentifizierung, aktives Zuhören, Kontextklärung, Ermächtigung, intelligente (spezifische, messbare, erreichbare, relevante, zeitgebundene) Empfehlungen und iterative Suggestions-Einbeziehung.

Bei Auswertungen zeigte der HC -Agent im Vergleich zu Basismodellen einen verbesserten Konversationsfluss und Benutzerbindung. Es hat vorzeitige Empfehlungen und stattdessen ausgewogene Informationen zum Sammeln von Informationen mit umsetzbaren Ratschlägen vermieden, wodurch die Ausgaben in Übereinstimmung mit Experten -Teaching -Praktiken erzeugt wurden.

Bewertung des integrierten PHA -Programs

Auf Systemebene wurden der Orchestrator und drei Mittel zusammen in offenen, multimodalen Gesprächen getestet, die realistische Gesundheitsszenarien widerspiegeln. Sowohl Experten als auch Endbenutzer bewerteten den integrierten Private Well being Agent (PHA) signifikant höher als die Foundation-Gemini-Systeme für Genauigkeit, Kohärenz, Personalisierung und Vertrauenswürdigkeit.

Wie trägt die PHA zur Gesundheits -KI bei?

Die Einführung eines Multi-Agent-PHA befasst sich mit mehreren Einschränkungen bestehender Gesundheits-KI-Systeme:

• Integration heterogener Daten: Tragbare Signale, Krankenakten und Labortestergebnisse werden eher gemeinsam als isoliert analysiert.
• Arbeitsteilung: Jedes Subagent ist auf eine Domäne spezialisiert, in der einzelne monolithische Modelle häufig unterdurchschnittlich, z. B. numerische Argumentation für DS, klinische Grundlage für DE und Verhaltensbindung für HC.
• Iterative Reflexion: Der Überprüfungszyklus des Orchestrators reduziert Inkonsistenzen, die häufig auftreten, wenn mehrere Ausgänge einfach verkettet sind.
• Systematische Bewertung: Im Gegensatz zu den meisten früheren Arbeiten, die sich auf kleine Fallstudien stützten, wurde der Private Well being Agent (PHA) mit einem großen multimodalen Datensatz (der Put on-Me-Studie) und einem umfangreichen Expertenbeteiligung validiert.

Was ist die größere Bedeutung des PHA -Blaupauses von Google?

Die Einführung von Private Well being Agent (PHA) zeigt, dass Well being AI über Einzelpur-Anwendungen hinausgehen kann Modulare, orchestrierte Systeme in der Lage, über multimodale Daten hinweg zu argumentieren. Es zeigt, dass das Einteilen von Aufgaben in spezialisierte Subagenten zu messbaren Verbesserungen der Robustheit, Genauigkeit und Benutzervertrauen führt.

Es ist wichtig zu beachten, dass diese Arbeit ist Ein Forschungskonstrukt, kein kommerzielles Produkt. Das Forschungsteam betonte, dass das PHA -Design explorativ ist und dass die Bereitstellung die Behebung von regulatorischen, Datenschutz- und ethischen Überlegungen erfordern würde. Dennoch stellen die Rahmen- und Bewertungsergebnisse einen signifikanten Fortschritt in den technischen Grundlagen der persönlichen Gesundheits -KI dar.

Abschluss

Das Rahmenwerk des Private Well being Agent bietet ein umfassendes Design für die Integration tragbarer Daten, Gesundheitsakten und Verhaltenscoaching durch ein von einem Orchestrator koordinierter Mehrunternehmersystem. Die Bewertung über 10 Benchmarks unter Verwendung von Tausenden von Annotationen und Expertenbewertungen zeigt konsistente Verbesserungen gegenüber Baseline -LLMs in Bezug auf statistische Analyse, medizinisches Denken, Personalisierung und Teaching -Interaktionen.

Durch die Strukturierung von Gesundheits -KI als koordiniertes System spezialisierter Wirkstoffe und nicht als monolithisches Modell zeigt die PHA, wie Genauigkeit, Kohärenz und Vertrauen in persönlichen Gesundheitsanwendungen verbessert werden können. Diese Arbeit bildet eine Grundlage für weitere Forschungen zu Agentengesundheitssystemen und hebt einen Weg zu integrierten, zuverlässigen Instrumenten für das Gesundheitsministerium hervor.

---

Schauen Sie sich das an Papier hier. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser Publication.