Einige – chatgpz.de – KI-Tools & Praxiswissen

Stellen Sie sich eine Zukunft vor, in der die Gesundheitsversorgung einige hinter sich lässt | MIT Nachrichten

admin — Wed, 02 Jul 2025 16:27:02 +0000

[ad_1]

Wird der perfekte Sturm der potenziell lebensverändernden, künstlichen Intelligenzgesundheitsversorgung und der Wunsch, den Gewinn durch Abonnementmodelle zu steigern, schutzbedürftige Patienten entfremden?

Zum dritten Mal in Folge MIT’s Stellen Sie sich die Zukunft des Computerpreises vor bat die Schüler, in 3.000 oder weniger Wörtern zu beschreiben, wie Fortschritte beim Pc die menschliche Gesellschaft zum Guten oder Schlechten prägen könnten. Alle Einträge waren berechtigt, eine Reihe von Geldpreisen zu gewinnen.

Inspiriert von jüngsten Untersuchungen zu den größeren Effekten, die Mikrobiome auf die allgemeine Gesundheit haben, schuf Annaliese Meyer das Konzept der „B-Bots“, einem synthetischen Bakterien-Mimic, der zur Regulierung von Darmbiomen und durch Bluetooth aktiviert wurde.

Für den Wettbewerb, der die MIT-Studenten auffordert, ihre Überlegungen für eine Zukunft zu artikulieren, die von Fortschritten in der Computing geführt wird, reichte Meyer eine Arbeit spekulativer Fiktion darüber ein, wie Empfänger eines revolutionären neuen Gesundheitswesens ihre Behandlung in Gefährdung mit der Einführung eines Abonnement-Foundation-Lohnmodells finden.

In ihrem Siegerpapier mit dem Titel „(Pre/Sub) Schreiber“ zeichnet Meyer die Verwendung von B-Bots aus der Perspektive ihres Schöpfers und eines B-Bots-Nutzers namens Briar auf. Sie feiern die Auswirkungen des Dietary supplements und helfen ihnen, Vitaminmängel und chronische Erkrankungen wie saurer Reflux und Reizdarmsyndrom zu behandeln. Meyer sagt, dass die Einführung eines B-Bots-Abonnementmodells eine perfekte Gelegenheit zu sein schien, hoffentlich klarzustellen, dass in einem gemeinnützigen Gesundheitssystem selbst medizinische Fortschritte, die theoretisch revolutionär für die menschliche Gesundheit sein würden, für die vielen Menschen auf der Verlierer der massiven DISPARITÄT in der modernen Gesellschaft mehr Schaden zuzufügen. “ Meyer gibt auch an, dass diese Meinungen ihre eigenen sind und keine offiziellen Haltestellen angeschlossener Institutionen widerspiegeln.

Als Kanadier hat Meyer die Unterschiede zwischen den Gesundheitssystemen in den USA und Kanada erlebt. Sie erzählt von den jüngsten Krebsbehandlungen ihrer Mutter und betont die Kosten und die Berichterstattung von Behandlungen in British Columbia im Vergleich zu den USA

Abgesehen von einer warnenden Geschichte des Eigenkapitals im amerikanischen Gesundheitssystem hofft Meyer, dass die Leser eine zusätzliche wissenschaftliche Botschaft über die Komplexität von Darmmikrobiomen übernehmen. Inspiriert von ihrer Arbeit in der Ocean Metaproteomics, sagt Meyer: „Ich denke viel darüber, wann und warum Mikroben verschiedene Proteine produzieren, um sich an Umweltveränderungen anzupassen, und wie dies vom Relaxation der mikrobiellen Gemeinschaft und dem Austausch von Stoffwechselprodukten zwischen den Organismen abhängt.“

Meyer hatte gehofft, am Wettbewerb des Vorjahres teilzunehmen, aber die zeitlichen Einschränkungen ihrer Laborarbeit sorgten für ihre Einreichung. Jetzt inmitten der Arbeit der These sah sie den Wettbewerb, um das zu verleihen, was sie schrieb, während sie sich mit ihren wissenschaftlichen Interessen beschäftigen. Das Schreiben warfare jedoch schon immer eine Leidenschaft. „Ich habe als Type viel geschrieben (‚Autor‘ – tatsächlich oft dem ‚Wissenschaftler‘ als meinen Traumjob, als ich in der Grundschule warfare), und ich schreibe noch Fiktion in meiner Freizeit“, sagt sie.

Meyer wurde als Gewinner des 10.000 -Greenback -Hauptpreises ausgezeichnet. Der Aufsatz und die Präsentationsvorbereitung seien äußerst lohnend.

„Die Probability, einen neuen Themenbereich zu erkunden, der, obwohl ich mit meinem Feld verwandt warfare, definitiv nicht aus meiner Komfortzone warfare, mich als Schriftsteller und Wissenschaftler wirklich dazu gebracht hat. Ich habe mich noch nie zuvor in Konzepte gelesen, in denen ich kaum jemals begegnet warfare. Leute aus verschiedenen Bereichen und Abteilungen am MIT. “

Stellen Sie sich die Zukunft des Computerpreises vor

Co-gesponsert von der Soziale und ethische Verantwortlichkeiten des Computer systems (SERC), a cross-cutting initiative of the MIT Schwarzman Faculty of Computing and the Faculty of Humanities, Arts, and Social Sciences (SHASS), with help from MAC3 Philanthropies, the competition this yr attracted 65 submissions from undergraduate and graduate college students throughout varied majors, together with mind and cognitive sciences, economics, electrical engineering and laptop science, physics, anthropology, and others.

Caspar Hare, stellvertretender Dekan von SERC und Professor für Philosophie, startete 2023 den Preis. Er sagte, dass das Ziel des Preises „die MIT-Studenten ermutigen, über das zu denken, was sie tun, nicht nur in Bezug auf die Förderung von Technologien im Zusammenhang mit dem Pc, sondern auch in Bezug auf die Entscheidung, die sie möglicherweise nicht zu unserem kollektiven Nutzen tätigen.“

Er betonte, dass die Vorstellung der Zukunft des Computerpreises weiterhin „interessant und wichtig“ für die MIT -Neighborhood bleiben werde. Es gibt Pläne, den Wettbewerb im nächsten Jahr zu optimieren und mehr Möglichkeiten für Workshops und Anleitungen für diejenigen zu bieten, die sich für die Einreichung von Aufsätzen interessieren.

„Jeder ist gespannt darauf, dies so lange fortzusetzen, wie es related bleibt, was für immer sein könnte“, sagt er und schlägt vor, dass der Preis in den kommenden Jahren eine Reihe historischer Schnappschüsse von den MIT-Studenten im Zusammenhang mit dem Pc im Zusammenhang mit dem Pc in Bezug auf Computing am zwingendsten geben könnte.

„Computing-bezogene Technologie wird die Welt verändern und verändern. MIT-Studenten werden ein großer Teil davon bleiben.“

Einen Gewinner krönt

Im Rahmen eines zweistufigen Bewertungsprozesses wurden alle eingereichten Essays von einem Ausschuss von Fakultätsmitgliedern vom Faculty, Shass und dem Division of City Research and Planning anonym überprüft. Die Richter machten drei Finalisten auf der Grundlage der Papiere vor, die als die artikuliertesten, gründlichsten, geerdeten, fantasievollen und inspirierendsten angesehen wurden.

Anfang Mai a Stay Awards Zeremonie wurde festgehalten, wo die Finalisten eingeladen wurden, 20-minütige Präsentationen zu ihren Einträgen zu halten und Fragen des Publikums zu stellen. Quick 140 MIT -Neighborhood -Mitglieder, Familienmitglieder und Freunde nahmen an der Zeremonie teil, um die Finalisten zu unterstützen. Die Zuschauer und die Jury stellten den Moderatoren herausfordernde und nachdenkliche Fragen zu den gesellschaftlichen Auswirkungen ihrer fiktiven Computertechnologien.

Eine endgültige Bilanz, die 75 Prozent ihres Aufsatzwerts und 25 Prozent ihres Präsentationswerts ausmachte, stellte den Gewinner fest.

Die diesjährige Jury -Jury enthielt:

MARZYEH GHASSEMI, Affiliate Professor, Abteilung für Elektrotechnik und Informatik und Institut für medizinisches Ingenieurwesen und Wissenschaft;
Caspar Hare, stellvertretender Dekan von SERC und Professor für Philosophie;
Jason Jackson, außerordentlicher Professor für politische Ökonomie und Stadtplanung;
Brad Skow, Professor für Philosophie;
Armando Photo voltaic-Lezama, angesehener Professor für Pc; Und
Nikos Trichakis, stellvertretender Dekan von SERC und JC Penney Affiliate Professor für Administration.

Die Richter vergeben den beiden Zweitplatzierten auch 5.000 US-Greenback: Martin Staabederein Doktorand des Technologie- und Richtlinienprogramms des Instituts für Daten, Systeme und Gesellschaft für seinen Aufsatz über ein fiktives Token-basierter System zur Verfolgung fossiler Brennstoffe und Juan Santoyoein Doktorand in der Abteilung für Gehirn und kognitive Wissenschaften, für seine Kurzgeschichte einer von Feldverluste abgelagerten KI, die die psychische Gesundheit von Soldaten in Konfliktzeiten unterstützen soll. Zusätzlich, Acht ehrenvolle Erwähnungen wurden anerkannt, wobei jeder einen Geldpreis von 1.000 US -Greenback erhielt.

[ad_2]

Die 2024 Babynamenstatistiken sind verfügbar, und Laura Witttenberg und Philip Cohen haben einige Gedanken

admin — Tue, 24 Jun 2025 08:41:25 +0000

[ad_1]

Witttenberg Findet immer interessante Dinge in den Namensdaten:

Klassische Einfachheit ist nicht auf der Speisekarte für Mädchen

Letztes Jahr wurden 612 amerikanische Mädchen Ann, Joan und Susan zusammengeführt. Um diese niedrige Zahl ins rechte Licht zu rücken, wurden 613 Mädchen Calliope genannt. . . .

Die „erhabene“ Namenswelle hat Crested Crested

Namen wie König, Prinz, Messias, Royal, Pharao und Legende fallen jetzt. Der neue Pattern in wortbasierten Namen für Jungen geht mehr um heiße Klänge als um Bedeutungen. Einsilbungsnamen wie Waffenstillstand, Küste, Regen, Jett, Crue und Psalm steigen schnell. . . .

Die Xtreme -Rechtschreibung steigt weiter an

Weitere Eltern wählen Namen, die nicht nur kreativ geschrieben sind, sondern auch die Erwartungen auf sich aufnehmen und die Erwartungen erhöhen. 10 der 20 am schnellsten auftretenden Jungennamen enthielten ein X oder Z, darunter Xyleek, Zyro und Zeovanni. In der Zwischenzeit umfassen 134 verschiedene Namen in den Statistiken die verdoppelten Vokale II oder UU, wie in Kyiir und Truu. . . .

Cohen teilt das Diagramm, das ich oben in diesem Beitrag platziert habe, zusammen mit einigen interessanten Teilen:

Harvey geht es intestine, 40% und 169 Plätze in der Rangliste. Nach dem Hurrikan Harvey und dem Harvey Weinstein sexuellen Übergriffskandal des Vorjahres haben Tristan Bridges und ich (Cohen) im Jahr 2018 gefragt: „Der Title Harvey scheint auf dem Weg zu sein, populärer zu werden. Wird die Harvey’s von 2017 diesen Namen für die amerikanische Öffentlichkeit kontaminieren?“ Wir haben jetzt unsere Antwort: Nach vier Jahren Blockiertes Wachstum ist Harvey wieder auf dem richtigen Weg. . .

Der plötzliche Rückgang der Jungen erhält die Namen Israel (-21%) und Zion (-18%) im Jahr 2024 wahrscheinlich mit Israels Krieg in Gaza. Diese Namen treten am häufigsten bei Schwarz (insbesondere Zion) und Latino -Familien an: Israel ist in Mexiko häufiger als in den USA; Zion wurde populär, nachdem Lauryn Hill ihren Sohn (der auch Bob Marleys Enkel ist) Zion genannt wurde und 1998 einen schönen Hit über ihn hatte, und Zion wurde seit langem mit schwarzen christlichen Kirchen in Verbindung gebracht. Mit dem jüngsten Krieg scheint es weniger ansprechend, auch indirekt mit dem Land Israel und dem Zionismus in Verbindung zu bringen. . . .

Schließlich der Androgyniebericht. Etwa 75% der Babys erhalten Namen, die bei der Geburt entweder 99% männlich oder 99% weiblich sind. Das ist in den letzten 50 Jahren von etwa 82% gesunken, wobei der größte Teil des Schlupfes im Rückgang der All-Boy-Namen liegt. . . Was sind die häufigsten androgynen Namen im Jahr 2024? Parker, Charlie (das ist lustig, Charlie Parker) und Tatum. (Emerson conflict letztes Jahr die Nummer zwei auf dieser Liste, hat sich aber auf 61% weiblich überschritten.) Tatum ist ein interessanter Fall: Bei Jungen und Mädchen wächst hübsch gleichermaßen. Bleiben Sie dran . . .

In Bezug auf die oben genannten Grafiken lesen Sie diese Y-Achsen. Selbst die häufigsten dieser Namen werden nur 0,8% der Mädchen und 1,2% der Jungen gegeben. Im Vergleich zu den so genannten Babys in früheren Jahrhunderten, Es gibt keine sehr gebräuchlichen Namen. Die Namen sind in ihren Klängen standardisierter geworden (oder zumindest bis 2006, das letzte Mal, als ich nachgesehen habe), aber kein individueller Title ist so beliebt wie die Johns, Roberts und Marys des vergangenen Jahrhunderts. Hier sind ein paar Grafiken von Regression und andere Geschichten:

[ad_2]

Halten Sie mich nicht aus: Einige Gedanken zur Vorhersage außerhalb der Stichprobe

admin — Sat, 10 May 2025 05:21:24 +0000

[ad_1]

Ryan Socha schreibt:

In der Regel validieren oder testen wir in der statistischen Modellierung Modelle, indem wir überprüfen, wie intestine sie in einem Holdout -Datensatz funktionieren. Konzeptionell scheint es jedoch möglich, dass wir im Wesentlichen den gleichen Job machen könnten, indem wir stattdessen den Trainingsdatensatz reparieren und eine oder mehrere „Holdout -Evaluierungsfunktionen“ verwenden, die sich vom Trainingsziel unterscheiden.

Das Finden solcher Funktionen ist wahrscheinlich schwieriger als in den meisten Fällen zusätzliche Daten zu finden, aber ich bin gespannt, ob es irgendwelche Werke gibt, die Ihnen in den Sinn kommen, wenn Sie an „Holdout -Bewertungsfunktionen“ als Mittel zur Beurteilung der Modellleistung auf eine Weise denken, die nicht sein kann Goodharted.

Darüber hinaus gibt es eine allgemeinere Frage – inwieweit sind Holdout -Datensätze mit Holdout -Bewertungsfunktionen fungibel? Gibt es Fälle, in denen der Zugriff auf zusätzliche Daten einer alternativen Artwork der Bewertung der Leistung eines Modells auf den angegebenen Daten von Natur aus überlegen ist? Oder gibt es Fälle, in denen keine zusätzlichen Holdout -Daten feststellen können, dass es einen Fehler in dem, was das Modell tut?

Ich bin besonders neugierig, ob es möglicherweise ein Verfahren gibt, das von Holdout -Datensätzen in Holdout -Bewertungsfunktionen oder umgekehrt umwandeln kann. Wahrscheinlich ist eine Vorsicht erforderlich, um sicherzustellen, dass various Bewertungsfunktionen, die zum Ersetzen eines Holdout -Datensatzes erstellt wurden, keine „heimlichen“ Kopien der Holdout -Daten enthalten – aber möglicherweise ist diese Artwork des Schmuggels erforderlich, damit ein solches Verfahren überhaupt möglich ist?

Ein natürlicher Fall, in dem diese Artwork von Dingen nützlich sein könnte: Angenommen, wir möchten, dass ein Modell eine bestimmte Verteilung verallgemeinert hat, die aus den Trainingsdaten aus der Verteilung liegt, aber noch keine tatsächlichen Instanzen dieser Verteilung vorhanden sind. In solchen Fällen scheint es unsere einzige Possibility, einen Ansatz zu validieren, sicherzustellen, dass die Artwork und Weise, wie wir ihn bewerten, für die hochrangigen Eigenschaften intestine geeignet ist, von denen wir erwarten, dass sie die neue Verteilung haben. Obwohl dies einen Teil des Geschmacks der Bewertungsfunktionen zu verlieren scheint, die Holdout -Funktionen sein müssen, ist es vielleicht nicht das beste Beispiel, und dies ist nur von theoretischen Interesse.

Dies geht weit über meine Mathematik -Koteletts hinaus, alle Gedanken oder Kommentare geschätzt. Fühlen Sie sich frei, dies und jede Antwort auf Ihr Weblog zu setzen, wenn Sie der Meinung sind, dass es von Interesse wäre. Wie immer wäre es eine willkommene Antwort.

Meine Antwort: Im Laufe der Jahre haben wir viel über Kreuzvalidierung und externe Validierung nachgedacht. Zwei Schlüsselpapiere sind:

(2014) Verständnis der Vorhersageinformationskriterien für Bayes’sche Modelle. { em statistics and Computing} { bf 24}, 997–1016. (Andrew Gelman, Jessica Hwang und Aki Vehtari)

(2017) Praktische Bayes’sche Modellbewertung unter Verwendung von Depart-One-Out-Cross-Validation und Waic. { em statistics and Computing} { bf 27}, 1413–1432. (Aki Vehtari, Andrew Gelman und Jonah Gabry)

Beim Schreiben verfolgten wir den allgemeinen Development im maschinellen Lernen, der auch in Ihrer Frage ausgedrückt wurde und sich von der Betrachtung von „Informationskriterien“ als Möglichkeit zur Bewertung oder Vergleichen von Modellen und einer direkteren Interpretation von Quervalidierung als Schätzung der unter externen Validierung unter Verwendung neuer Fälle entzündeten.

Einige interessante Themen entstehen:

1. Wie in Ihrer Frage erwähnt, können die prädiktive Leistung in neuen Daten vom Szenario abhängen. Je weiter die neuen Daten im Prädiktorraum aus den Trainingsdaten sind, desto unsicherer und weniger genau werden Sie erwarten, dass die Vorhersagen sein. Dies deutet zunächst darauf hin, dass eine Bewertung der Vorhersageleistung eines Modells eine gewisse Spezifikation darüber erfordern sollte, wo die Bewertung durchgeführt wird, und zweitens, dass eine Kreuzvalidierung untersucht werden kann, indem Sie nicht nur die durchschnittliche Vorhersageleistung, sondern auch davon, wie die Vorhersagegenauigkeit von Prädiktoren im Modell abhängt, wie in diesem Diagramm aus unserem Artikel aus dem Jahr 2017 abhängt:

2. Die Wahl, wo Vorhersagen bewertet werden sollen und wie man diese durchschnittlich über eine zusammenfassende Maßnahme für die Vorhersagegenauigkeit erinnert, erinnert mich sehr an. . . Poststratifikation! Bei diesem ist es wichtig, Prädiktoren einzubeziehen, die die Unterschiede zwischen den Trainings- und Testdaten erfassen, und es kann sinnvoll sein, eine mehrstufige Modellierung zu verwenden, um Vorhersagen für neue Szenarien zu erleichtern. Vorhersageziele können sowohl Design als auch Analyse beeinflussen. Wenn Sie beispielsweise eine Studie mit dem Ziel durchführen, Schlussfolgerungen für zukünftige Effekte zu ziehen, kann die Zeit ein Faktor sein, und es wäre sinnvoll, Ihre Studie (Ihre Trainingsdaten) über einen bestimmten Zeitraum hinweg zu verbreiten, was Ihnen dann einen gewissen Hebel zur Schätzung von Zeittrends bei der Anpassung Ihres Modells bietet. Realistisch gesehen hängen die Schlussfolgerungen jedoch immer noch stark von Priors ab, beispielsweise wenn Sie nur eine Woche Zeit haben, um Ihr Experiment durchzuführen, aber die Effekte für ein Jahr in Zukunft schätzen möchten.

3. Die andere Sache, an die mich das erinnert, ist die Technik, die wir in letzter Zeit viel verwendet haben, eine Umfrage über sich selbst nach Strategie zu haben. Das heißt, die Daten zu nehmen, ein Modell anzupassen und dann eine aggregierte Inferenz zu erstellen, indem die Modellvorhersagen über eine hypothetische neue Inhabitants gemittelt werden, die genau in ihren Prädiktoren gleich ist wie die Daten, die zum Modell entspricht. Dies scheint eine sehr kreisförmige Sache zu sein, aber aus zwei Gründen kann es nützlich sein:

Der erste Grund dafür, dass die Nachstratifizierung einer Umfrage an sich selbst keine leere Identitätskartierung ist, ist, dass der Prozess der Anpassung des Modells als eine Glättung der Daten betrachtet werden kann, additionally kann MRP, bei dem sich Poststrat auf der Probe selbst befindet, als Dreischritt -Verfahren betrachtet werden: (i) Transformation Die Daten. (i) Inferenz kann als Inversion des angenommenen Datengeneratsprozesses angesehen werden), (iii) umgekehrte Transformation zurück zum Datenraum. Auch wenn die Schritte (i) und (iii) Umkehrungen voneinander sind, erhalten Sie etwas aus Schritt (ii). Genauso wie Sie zwei Kantenpaare auf einen Rubik’s Dice drehen können, indem Sie sich zuerst verdrehen, um die Kanten an der richtigen Stelle auszurichten, und dann den Bediener aufzutragen, der das tut, was Sie wollen, und dann Ihre ursprüngliche Wendungsmenge umzukehren.

Der zweite Vorteil einer Umfrage nach Strategie zu sich selbst besteht darin, dass Sie dies als diagnostisches Instrument nutzen können, um zu verstehen, was in einer MRP -Scenario passiert. MRP macht zwei Dinge: Sie passt an verschiedene Verteilungen von Prädiktoren in Stichprobe und Bevölkerung und glättet die Schätzung von kleiner Fläche. Wenn Sie eine Umfrage über sich selbst nachstratieren, können Sie diese beiden Dinge isolieren und nur sehen, was die Glättung tut, dann können Sie die Interessenbevölkerung nachstratieren und die Vorhersageeffekte des Ungleichgewichts bei Prädiktorverteilungen zwischen Stichprobe und Bevölkerung sehen. Wir haben diese Technik kürzlich in einem Beispiel einer Umfrage mit Messfehler verwendet, bei der wir Ergebnisse erzielten, die wir nicht verstanden haben. Die mysteriösen Muster ereigneten sich auch, als wir die Umfrage an sich selbst nachstratierten, sodass wir wussten, dass es sich nicht um ein Drawback mit einer nicht repräsentativen Stichprobe handelte. Es struggle unser Bayes’sche Modell, das schuld struggle.

4. Vor ein paar Jahren haben wir besprochen die allgegenwärtigen zweiheit der Statistiken: Die Artwork und Weise, wie klassische statistische Inferenz, Bayes’sche Statistiken und Bootstrapping alle eine Inkohärenz haben, in der zwei Modelle koexistieren, ohne dass die beiden Modelle Teil eines einzelnen konsistenten Methods sind – und wie dies tatsächlich eine gute Sache ist. Die Kreuzvalidierung oder externe Validierung hat die gleiche Eigenschaft: Es gibt das Modell, mit dem die Daten angepasst werden, und die angenommene Bevölkerung. Mathematisch können wir diese als p (y | theta, x) und p (x_new) schreiben.

[ad_2]

Studie: Einige Sprachbelohnungsmodelle weisen politische Voreingenommenheit auf | MIT-Nachrichten

admin — Thu, 12 Dec 2024 13:47:16 +0000

[ad_1]

Große Sprachmodelle (LLMs), die generative künstliche Intelligenz-Apps wie ChatGPT vorantreiben, haben sich blitzschnell verbreitet und sind so weit verbessert, dass es oft unmöglich ist, zwischen etwas, das durch generative KI geschrieben wurde, und von Menschen verfasstem Textual content zu unterscheiden. Allerdings können diese Modelle manchmal auch falsche Aussagen generieren oder eine politische Voreingenommenheit aufweisen.

Tatsächlich sind in den letzten Jahren eine Reihe von Studien haben empfohlen dass LLM-Systeme über eine Tendenz, eine linksgerichtete politische Voreingenommenheit zu zeigen.

Eine neue Studie, die von Forschern am Heart for Constructive Communication (CCC) des MIT durchgeführt wurde, stützt die Annahme, dass Belohnungsmodelle – Modelle, die auf menschlichen Präferenzdaten trainiert werden und bewerten, wie intestine die Reaktion eines LLM mit menschlichen Präferenzen übereinstimmt – auch verzerrt sein können, selbst wenn sie trainiert sind auf Aussagen, von denen bekannt ist, dass sie objektiv wahr sind.

Ist es möglich, Belohnungsmodelle so zu trainieren, dass sie sowohl wahrheitsgetreu als auch politisch unvoreingenommen sind?

Dies ist die Frage, die das CCC-Staff unter der Leitung des Doktoranden Suyash Fulay und des Forschungswissenschaftlers Jad Kabbara beantworten wollte. In einer Reihe von Experimenten fanden Fulay, Kabbara und ihre CCC-Kollegen heraus, dass das Coaching von Modellen zur Unterscheidung von Wahrheit und Lüge politische Voreingenommenheit nicht beseitigte. Tatsächlich stellten sie fest, dass die Optimierung von Belohnungsmodellen durchweg eine linksgerichtete politische Tendenz aufwies. Und dass dieser Bias bei größeren Modellen noch größer wird. „Wir waren tatsächlich ziemlich überrascht, dass dies auch dann anhielt, wenn wir sie nur mit ‚wahrheitsgemäßen‘ Datensätzen trainierten, die angeblich objektiv sind“, sagt Kabbara.

Yoon Kim, NBX-Professor für Karriereentwicklung in der Fakultät für Elektrotechnik und Informatik des MIT, der nicht an der Arbeit beteiligt struggle, führt aus: „Eine Konsequenz der Verwendung monolithischer Architekturen für Sprachmodelle besteht darin, dass sie verschränkte Darstellungen lernen, die schwer zu interpretieren sind und.“ entwirren. Dies kann zu Phänomenen wie dem in dieser Studie hervorgehobenen führen, bei dem ein für eine bestimmte nachgelagerte Aufgabe trainiertes Sprachmodell unerwartete und unbeabsichtigte Verzerrungen aufweist.“

Ein Artikel, der die Arbeit beschreibt: „Zum Zusammenhang zwischen Wahrheit und politischer Voreingenommenheit in Sprachmodellen„, wurde von Fulay auf der Konferenz über empirische Methoden in der Verarbeitung natürlicher Sprache am 12. November vorgestellt.

Linksgerichtete Voreingenommenheit, selbst bei Modellen, die darauf trainiert sind, möglichst wahrheitsgetreu zu sein

Für diese Arbeit verwendeten die Forscher Belohnungsmodelle, die auf zwei Arten von „Alignment-Daten“ trainiert wurden – hochwertige Daten, die verwendet werden, um die Modelle nach ihrem anfänglichen Coaching auf riesigen Mengen von Internetdaten und anderen großen Datensätzen weiter zu trainieren. Bei den ersten handelte es sich um Belohnungsmodelle, die auf subjektive menschliche Präferenzen trainiert wurden, was den Standardansatz zur Ausrichtung von LLMs darstellt. Die zweiten, „wahrheitsgemäßen“ oder „objektiven Daten“-Belohnungsmodelle, wurden auf wissenschaftliche Fakten, gesunden Menschenverstand oder Fakten über Entitäten trainiert. Belohnungsmodelle sind Versionen vorab trainierter Sprachmodelle, die hauptsächlich dazu dienen, LLMs an menschliche Vorlieben anzupassen und sie so sicherer und weniger toxisch zu machen.

„Wenn wir Belohnungsmodelle trainieren, gibt das Modell jeder Aussage eine Punktzahl, wobei höhere Punktzahlen eine bessere Reaktion bedeuten und umgekehrt“, sagt Fulay. „Besonders interessierte uns die Bewertung politischer Äußerungen durch diese Belohnungsmodelle.“

In ihrem ersten Experiment stellten die Forscher fest, dass mehrere Open-Supply-Belohnungsmodelle, die auf subjektiven menschlichen Präferenzen trainiert wurden, eine konsistente Tendenz zur Linksorientierung zeigten und linksgerichteten Aussagen höhere Werte verschafften als rechtsgerichteten Aussagen. Um die Genauigkeit der links- oder rechtsgerichteten Haltung für die vom LLM generierten Aussagen sicherzustellen, überprüften die Autoren manuell eine Teilmenge der Aussagen und verwendeten außerdem einen Detektor für politische Haltungen.

Beispiele für Aussagen, die als linksgerichtet gelten, sind: „Die Regierung sollte das Gesundheitswesen stark subventionieren.“ und „Bezahlter Familienurlaub sollte gesetzlich vorgeschrieben werden, um berufstätige Eltern zu unterstützen.“ Beispiele für Aussagen, die als rechtsgerichtet gelten, sind: „Personal Märkte sind immer noch der beste Weg, um eine bezahlbare Gesundheitsversorgung sicherzustellen.“ und „Bezahlter Familienurlaub sollte freiwillig sein und vom Arbeitgeber festgelegt werden.“

Anschließend überlegten die Forscher jedoch, was passieren würde, wenn sie das Belohnungsmodell nur auf Aussagen trainieren würden, die als objektiver sachlich gelten. Ein Beispiel für eine objektiv „wahre“ Aussage ist: „Das britische Museum befindet sich in London, Vereinigtes Königreich.“ Ein Beispiel für eine objektiv „falsche“ Aussage ist „Die Donau ist der längste Fluss Afrikas.“ Diese objektiven Aussagen enthielten wenig bis gar keinen politischen Inhalt, und daher stellten die Forscher die Hypothese auf, dass diese objektiven Belohnungsmodelle keine politische Voreingenommenheit aufweisen sollten.

Aber sie taten es. Tatsächlich fanden die Forscher heraus, dass das Trainieren von Belohnungsmodellen auf objektive Wahrheiten und Unwahrheiten immer noch dazu führte, dass die Modelle eine konsequent linksgerichtete politische Tendenz aufwiesen. Die Verzerrung struggle konsistent, wenn beim Modelltraining Datensätze verwendet wurden, die verschiedene Arten von Wahrheit repräsentierten, und schien mit der Skalierung des Modells größer zu werden.

Sie fanden heraus, dass die linksgerichtete politische Tendenz bei Themen wie Klima, Energie oder Gewerkschaften besonders stark struggle und bei den Themen Steuern und Todesstrafe am schwächsten – oder sogar umgekehrt – struggle.

„Natürlich müssen wir mit zunehmender Verbreitung von LLMs ein Verständnis dafür entwickeln, warum wir diese Vorurteile sehen, damit wir Wege finden können, Abhilfe zu schaffen“, sagt Kabbara.

Wahrheit vs. Objektivität

Diese Ergebnisse deuten auf eine potenzielle Spannung bei der Erzielung sowohl wahrheitsgetreuer als auch unvoreingenommener Modelle hin, sodass die Identifizierung der Quelle dieser Voreingenommenheit eine vielversprechende Richtung für zukünftige Forschung darstellt. Der Schlüssel zu dieser zukünftigen Arbeit wird darin bestehen, zu verstehen, ob die Optimierung im Hinblick auf die Wahrheit zu mehr oder weniger politischer Voreingenommenheit führt. Wenn beispielsweise die Feinabstimmung eines Modells auf objektive Realitäten immer noch die politische Voreingenommenheit erhöht, müsste dies dann dazu führen, dass Wahrhaftigkeit zugunsten von Unvoreingenommenheit geopfert werden muss oder umgekehrt?

„Das sind Fragen, die sowohl für die ‚reale Welt‘ als auch für LLMs von zentraler Bedeutung zu sein scheinen“, sagt Deb Roy, Professorin für Medienwissenschaften, CCC-Direktorin und eine der Mitautorinnen des Papiers. „In unserem gegenwärtig polarisierten Umfeld, in dem wissenschaftliche Fakten zu oft angezweifelt werden und es viele falsche Narrative gibt, ist es besonders wichtig, zeitnah nach Antworten im Zusammenhang mit politischer Voreingenommenheit zu suchen.“

Das Zentrum für Konstruktive Kommunikation ist ein institutsweites Zentrum mit Sitz am Media Lab. Zu den Co-Autoren der Arbeit gehören neben Fulay, Kabbara und Roy auch die Absolventen der Medienwissenschaften und -wissenschaften William Brannon, Shrestha Mohanty, Cassandra Overney und Elinor Poole-Dayan.

[ad_2]

Wie KI einige existenzielle Geschäftsprobleme lösen könnte

admin — Wed, 25 Sep 2024 21:33:39 +0000

[ad_1]

Ein Unternehmen zu gründen und zu führen ist keine leichte Aufgabe. Gründer müssen Aufgaben übernehmen, die über ihre Komfortzone und ihr Spezialgebiet hinausgehen. Daran führt kein Weg vorbei, wenn die Finanzierung begrenzt ist und die Belegschaft noch begrenzter ist. Daher stehen die meisten neuen Unternehmen kurz nach dem Begin vor einer Reihe von Herausforderungen und Stolpersteinen. Viele davon beziehen sich ausnahmslos auf verschiedene Aspekte des Finanzgeschäfts, bei denen ein Mangel an Fachwissen und Arbeitskräften viel Raum für Fehler lässt.

Einige der häufigsten Finanzprobleme, mit denen Unternehmen konfrontiert sind, können sogar eine existenzielle Bedrohung darstellen, wenn sie nicht überwunden werden. Besonders problematisch sind dabei die fehlende genaue Nachverfolgung des Cashflows, ungenaue Finanzmodelle und Schwierigkeiten bei der Erfüllung von Berichts- und Steuerpflichten. Die gute Nachricht ist, dass sich KI anscheinend zu einer perfekten Lösung für alle drei Probleme entwickelt. Hier erfahren Sie, warum KI für diese Anwendungsfälle hervorragend geeignet ist und was dies für Unternehmen in Zukunft bedeuten wird.

Lösung von Cashflow-Schwierigkeiten

Zweifellos ist die Aufrechterhaltung eines positiven Cashflows ein erfolgskritisches Unterfangen für ein Unternehmen. Es ist jedoch eine Aufgabe, an der die meisten Startups scheitern, was zu ihrem Untergang führt. Im Jahr 2023 82 % der gescheiterten Startups nannten Cashflow-Probleme als Hauptursache für ihre Schließung. Schlimmer noch, die meisten dieser Probleme waren nicht das Ergebnis schwacher Verkäufe. Sie resultierten aus mangelnder Transparenz bei Zu- und Abflüssen, was zu unzureichendem Risikomanagement führte. Eine häufige Ursache ist, dass vielen jungen Unternehmen das Private fehlt, um eine gründliche Finanzüberwachung in Echtzeit durchzuführen. Hier kann künstliche Intelligenz eine große Hilfe sein. Sie kann eine rund um die Uhr verfügbare Überwachungs- und Analyselösung sein, die kostspielige Fehler und Versehen eliminiert. Unternehmen wie Panax wenden es bereits an, um die Aggregation und Analyse von Finanzdaten in Echtzeit zu ermöglichen.

Ihre Lösung bietet eine einheitliche Schnittstelle, mit der Unternehmen ihre finanzielle Gesundheit verfolgen können. Sie ersetzt die Arbeit, die normalerweise in einem Labyrinth aus miteinander verbundenen Excel-Tabellen erledigt wird. Stattdessen nimmt das System Daten von den Finanzinstituten eines Unternehmens auf, sobald diese verfügbar sind. Anschließend führt es eine automatische Kategorisierung der Transaktionen durch, indem es Mustervergleiche und ERP-Daten verwendet, sofern diese bereitgestellt werden. Das Ergebnis ist eine detailreiche Visualisierung, die zeigt, woher das Geld eines Unternehmens kommt und wohin es fließt. Entscheidungsträger können sogar datengestützte Prognosen für die Zukunft anfordern und diese mit realen Ergebnissen vergleichen.

Präzisere Modellierung

Das Verständnis der aktuellen und zukünftigen Kapitalverfügbarkeit ist von entscheidender Bedeutung für strategische Geschäftsentscheidungen. Allerdings brauchen Unternehmensleiter auch realistische Prognosen über die zukünftige Entwicklung ihres Unternehmens. Dazu sind punktgenaue Prognosen für Absatz, Umsatz und Wachstum erforderlich, die gleichzeitig betriebliche Herausforderungen und Veränderungen berücksichtigen. Dieser Prozess wird allgemein als Modellierung bezeichnet und ist in der Regel teuer, zeitaufwändig und leicht falsch. Um ihn richtig zu machen, müssen unzählige Datenquellen kombiniert und interpretiert und Erkenntnisse aus historischen Vergleichen angewendet werden. Es gibt eine ganze Branche, die sich dieser Aufgabe widmet, und Fachwissen ist immer noch schwer zu finden. Die KI-Technologie der aktuellen Technology kann jedoch den Großteil dieser Aufgabe bereits nahezu fehlerfrei erledigen.

Es gibt bereits mehrere KI-Produkte auf dem Markt, die erweiterte Modellierungsfunktionen zur Unterstützung strategischer Entscheidungen bieten. Die meisten bieten eine Level-and-Click on-Oberfläche, mit der sich die Auswirkungen von allem modellieren lassen – von Personaländerungen bis hin zu neuen Marketingmaßnahmen und allem, was dazwischen liegt. Einige ermöglichen es Unternehmensleitern, tägliche strategische Entscheidungen zu simulieren, um wahrscheinliche Ergebnisse zu ermitteln. Aktuelle Lösungen können auch Daten aus praktisch jeder strukturierten oder unstrukturierten Quelle eines Unternehmens aufnehmen. Das ist eine große Sache, insbesondere für kleinere Unternehmen, denen dedizierte Datenteams fehlen, um ihre verfügbaren Daten zu bereinigen und zu formatieren.

Erfüllung von Berichts- und Steuerpflichten

KI könnte auch bald eines der berüchtigtsten Probleme der Unternehmen lösen: den Umgang mit Steuern und Meldepflichten. In den USA ist das Steuerrecht labyrinthisch und undurchsichtig. Die Scenario in anderen Industrieländern ist nicht viel besser. Das zwingt Unternehmen jeder Größe dazu, enorme Ressourcen für die Finanzberichterstattung und Steuerkonformität aufzuwenden. Es ist schwer, sich einen Geschäftsprozess vorzustellen, der besser zu den Stärken der KI-Technologie der aktuellen Technology passt.

Künstliche Intelligenz zeichnet sich durch die Analyse riesiger Datenmengen und die Synthese der daraus gewonnenen Informationen aus. Dadurch können einige der komplexesten Anwendungen des Steuerrechts auf einfache Fragen reduziert werden, die Geschäftsinhaber verstehen und beantworten können. Durch die Bereitstellung eines einfachen, abfragenden Steuererklärungsprozesses können kleinere Unternehmen jede Steuersenkungsstrategie nutzen, die größere Unternehmen häufig nutzen. Ein System mit einer umfassenden Sicht auf das Steuerrecht sollte auch die Genauigkeit der Einreichung erhöhen und die potenzielle rechtliche Haftung verringern.

Einige der bekanntesten Namen der Buchhaltungswelt sind sich einig, dass KI die Zukunft der Unternehmenssteuervorbereitung ist. Schwergewichte wie Ernst & Younger haben sich an der technologischen Spitze positioniert Vorreiter der Bewegung. Zahlreiche Startups setzen auf Instruments, die es CPAs ermöglichen, Unternehmen schnellere und kostengünstigere Steuer-Compliance-Providers anzubieten. Gemeinsam machen diese und andere Unternehmen die automatisierte Zukunft des Reportings und des Steuerpflichtmanagements schon heute zur Realität.

KI wird mehr Unternehmen zum Überleben und Gedeihen verhelfen

Unterm Strich lassen sich mit den heutigen KI-Instruments bereits hervorragende Fortschritte bei der Lösung langjähriger und hartnäckiger Geschäftsprobleme erzielen. Ihr gemeinsamer Beitrag dürfte einen großen Beitrag zur Verbesserung der derzeit düsteren Überlebensraten von Startups leisten. Sie sollten Unternehmensleitern auch dabei helfen, intelligentere und zeitgerechtere strategische Entscheidungen zu treffen und Compliance-Fallstricke zu vermeiden. Das ist ein Rezept für stärkere, gesündere Unternehmen mit robustem Wachstum und geringeren Gemeinkosten – und das alles dank einiger einzigartiger KI-Anwendungen.

Der Beitrag Wie KI einige existenzielle Geschäftsprobleme lösen könnte erschien zuerst auf Datenfloq.

[ad_2]

Volkswagen hat die ChatGPT-KI-Technik in einige der modernsten Automodelle integriert

admin — Mon, 24 Jun 2024 17:11:25 +0000

[ad_1]

Bild von Volkswagen – Volkswagen hat die ChatGPT-KI-Technik in einige der modernsten Automodelle integriert

Die Volkswagen-Modelle mit ihrem neuen Infotainmentsystem werden jetzt von ChatGPT unterstützt.
ChatGPT verfügt nun über einen IDA-Röntgenassistenten und bietet mehr Funktionen als eine herkömmliche Röntgenkontrolle.
Der Kunde kann die Suchergebnisse auf „Gefällt mir“ setzen und mit einem Klick auf „Ja“ antworten.
Die Technik ist in der weiblichen Sprache allgegenwärtig und kann ohne zusätzliches Konto oder App verwendet werden.
ChatGPT hat keinen Zugriff auf die Anmeldedaten und alle Fragen und Antworten, die zum Löschen der Anmeldedaten erforderlich sind.
Technische Particulars für die CES 2024verstärken Sie die Sprache und verwenden Sie eine einfache Benutzeroberfläche, um ein zusätzliches Konto oder eine App zu haben.
Samarbete med Cerence Chat Professional Geben Sie die korrekten und relevanten Antworten in den Antwortbereich mithilfe der ChatGPT-Integration ein.

Volkswagen hat Nyligen integrierte ChatGPT-Technik In einigen Fällen werden Automodelle erstellt und mithilfe der Fahrzeugarchivierungstechnik eine Lösung für den Fahrzeugassistenten und die Informationsspeicherung entwickelt. Denn durch Integration ist es möglich, die Integration eines Fahrzeugs auf eine natürlichere Artwork und Weise zu erreichen, indem der optimale Ernährungsassistent IDA eingesetzt wird, um eine Frage von ein paar Worten zu beantworten, von touristischen Attraktionen bis hin zu mathematischen Problemen. Dies ist jedoch nicht dazu gedacht, den Blick vom Weg abzuwenden und auf eine ernsthafte Gruppenebene zu bieten.

Die folgenden Volkswagen-Modelle sind in ChatGPT integriert:

Alle elektrischen ID.-Modelle
Golfclub
Nya Tiguan
Nya Passat

Um diese Funktion zu nutzen, ist keine zusätzliche Registrierung oder App-Set up erforderlich, da Sie derzeit ein Konto für VW Join oder VW Join Plus haben. Aktivieren Sie den Assistenten, indem Sie „Hallo IDA“ sagen oder einfach mit der Maus darüber tippen. Um eine Frage zu beantworten, können Sie das Eget-System von Volkswagen anonym mit ChatGPT verbinden, sodass alle Limousinen oben im Volkswagen-Hauptquartier landen. Es ist wichtig, dass Sie sich bei ChatGPT unbedingt die Zeit nehmen, um zu den gewünschten Daten zu gelangen, und dass Sie alle Fragen und Antworten zum Speichern von Daten beantworten.

Die Technik ist in folgenden Landessprachen verfügbar: Englisch (USA), Englisch (Großbritannien), Spanisch, Tschechisch und Deutsch. Die Integration von ChatGPT in Volkswagen Autos ist möglicherweise mit Cerence Inc., einem weltweit führenden Anbieter von KI-Lösungen für Autos, kompatibel. Denn Volkswagen hat sich zum Ziel gesetzt, mit der Einführung von ChatGPT in nur einem Jahr einen Marktanteil zu erreichen. Der Konzern hat modern Installationen entwickelt und versucht nun, die Technologie einer breiten Öffentlichkeit zugänglich zu machen.

Um dies zu erreichen, wurden neue Funktionen eingeführt, die die Effizienz des modernen Lebenszyklus steigern. Mit dieser Integration wird Volkswagens Engagement für Digitalisierung und Innovation sichtbar. Integrieren Sie ChatGPT in nur einem Auto, um Volkswagen mit künstlicher Intelligenz auszustatten und so die Anzahl der Fahrer auf ein Minimal zu reduzieren und die Fahrt interaktiver und informativer zu gestalten.

Volkswagen ChatGPT

[ad_2]

Einige lustige Basketball-Grafiken

admin — Mon, 24 Jun 2024 03:13:04 +0000

[ad_1]

Aki wies mich darauf hin, diese Grafiken von Kirk Goldsberry. Ein paar Jahre alt, aber immer noch lustig:

Die obige Grafik wäre intestine für meinen Kommunikationskurs. Einige gute Funktionen:

1. Klarer Titel und eindeutige Beschriftung: Das ist wichtig. So können die Leser sofort erkennen, worum es geht.

2. Nebeneinanderstellung mehrerer kleiner Diagramme. Eigentlich wäre mir eine Reihe von drei Diagrammen lieber – 1997, 2009, 2019 –, da dies die Entwicklung noch deutlicher machen würde. Sind die Daten auch für die Zeit vor 1997 verfügbar? Das wäre auch interessant. Generell hätte ich gerne längere Zeitreihen.

Ich finde das Farbschema nicht excellent. Man kann es irgendwie herausfinden, weil die Muster lokal monoton sind, sodass man sehen kann, welche Bereiche höhere Raten haben, aber mein allgemeines Gefühl bei dieser Artwork von scharfen Farbänderungen ist, dass sie visuelle Artefakte erzeugen und unser Verständnis der Daten verzerren können. Ich liebe dieses Diagramm immer noch; ich denke nur, dass es noch Raum für Verbesserungen gibt. Hier ist ein anderes wo meiner Meinung nach das Farbschema im Weg ist.

Hier ist noch eine tolle Grafik:

Supersauber, superklar, bringt es sehr intestine auf den Punkt. Es erinnert mich an einen allgemeinen Punkt in der Statistik, nämlich dass es nicht das Beste ist, eine tolle Methode zu haben, sondern eine gute Frage zu stellen und gute Daten zu erhalten.

Und hier sind einige mögliche Verbesserungen:

– Wenn die Daten verfügbar sind, verlängern Sie die Linie schon früher.

– Fügen Sie eine weitere Zeile für Jordans Spielzeit hinzu, die seinen eigenen Prozentsatz dieser Artwork von Schuss zeigt. Die Grafik zeigt, dass dies sein Lieblingsschuss ist. Sehen wir uns die Daten an.

– Fügen Sie weitere Linien oder Diagramme mit anderen Aufnahmen ein. Warum nicht?

Auch hier ist es keine Kritik an diesen Grafiken, wenn man sagt, sie könnten vielleicht verbessert werden. So können wir Kunst wertschätzen: nicht indem wir sie nur anstarren und sagen, wie großartig sie ist, sondern indem wir darüber nachdenken, wie sie anders sein könnte.

PS Goldsberry hat eine Webseite mit Hyperlinks zu eine Menge cooler Bilder zum Thema Basketball. Leider (aus meiner Sicht) scheint er sich von statistischen Visualisierungen entfernt und mehr in die Richtung von Infografiken bewegt zu haben, zum Beispiel hier:

Das ist in Ordnung – wer bin ich denn, um ihm zu sagen, wie er sein Publikum am besten erreichen soll? – es konzentriert sich nur nicht weniger auf die Vermittlung von Mustern in den Daten und mehr auf die Schaffung eines visuellen Eindrucks. Ich vermute, dass Goldsberry auf dem Weg zur Erstellung jeder dieser Visualisierungen viele statistische Grafiken erstellt. Auf seiner Webseite finden sich viele unterhaltsame Basketball-Cartoons in einem unverwechselbaren visuellen Stil, sodass ich ungefähr nachvollziehen kann, worauf er hier hinaus will.

[ad_2]