sagen – chatgpz.de – KI-Tools & Praxiswissen

Könnte die KI Ihnen sagen, wo Sie Ihre Schlüssel gelassen haben? | MIT-Nachrichten

admin — Sun, 21 Jun 2026 19:24:12 +0000

[ad_1]

Eine Arbeiterin in einer Autofabrik kann sich an den Lagerplatz erinnern, in dem sie am Abend zuvor ein teilweise zusammengebautes Bauteil zurückgelassen hat, und schnell dorthin zurückkehren, um es abzuholen. Aber Roboter, die möglicherweise Seite an Seite mit ihr arbeiten, würden Schwierigkeiten haben, dieselbe Artwork von „räumlich-zeitlichem“ Gedächtnis zu entwickeln und darauf zuzugreifen.

Jetzt haben MIT-Forscher ein Langzeitgedächtnis-Framework entwickelt, das es Robotern ermöglicht, schnell ein detailliertes mentales Modell komplizierter, großräumiger Umgebungen zu bilden und abzurufen.

In Zukunft könnte dieser Fortschritt es dem Fabrikarbeiter ermöglichen, einen Roboterassistenten zum Abholen des Artikels zu schicken, indem er ihn einfach auffordert, „die Komponente zu holen, mit deren Montage wir gestern Abend begonnen haben“.

Diese neue Methode kombiniert fortschrittliche Kartendarstellungen mit ausführlichen Beschreibungen der Umgebung, die der Roboter auf seiner Reise über einen langen Zeitraum sammelt. Auf diesen Speicher kann der Roboter schnell zugreifen, um komplexe Fragen zu seiner Umgebung im Klartext zu beantworten.

Dieses Speicher-Framework, das Fragen genauer beantwortet als modernste Methoden, läuft schnell genug, damit ein mobiler Roboter es in Echtzeit nutzen kann.

Zusätzlich zu ihren potenziellen Einsatzmöglichkeiten in der Robotik könnte diese Methode in Augmented-Actuality-Systemen Anwendung finden, die Wartungsarbeitern bei der Erkennung von Anomalien oder Pendlern bei der Wegfindung helfen.

„Wenn wir wollen, dass Roboter Seite an Seite mit Menschen arbeiten und besser mit Menschen interagieren, müssen sie dieselbe Sprache sprechen. Der Roboter muss in der Lage sein, über Zeit und Raum auf die gleiche Weise zu denken wie Menschen. Genau das macht unsere Methode im Wesentlichen. Sie wandelt eine traditionelle Karte in eine sprachbasierte Karte um, die für den Roboter einfacher zu denken und mithilfe von Sprache leichter zugänglich ist“, sagt Luca Carlone, außerordentlicher Professor an der Abteilung für Luft- und Raumfahrttechnik (AeroAstro) des MIT und leitender Forscher im Labor für Data und Entscheidungssysteme (LIDS) und Direktor des MIT SPARK Laboratory.

Er ist dabei Papier vom Hauptautor Nicolas Gorlo, einem MIT-Absolventen; und Lukas Schmid, ehemaliger Forscher am MIT und jetzt Professor an der Technischen Universität Nürnberg in Deutschland. Die Forschung wurde kürzlich auf der Convention on Pc Imaginative and prescient and Sample Recognition (CVPR) vorgestellt.

Raumzeitliches Gedächtnis

Das Gedächtnis ermöglicht es einem künstlichen Intelligenzsystem, wie einem Chatbot, komplexe Fragen zu beantworten und über frühere Interaktionen mit seinem Benutzer nachzudenken.

„Wir wollen eine neue Artwork von Gedächtnis entwerfen, ein raumzeitliches Gedächtnis, das es einem KI-gesteuerten Roboter ermöglicht, sich an reale Interaktionen und Sensorbeobachtungen zu erinnern. Wie ChatGPT, aber in der realen Welt verankert und in der Lage, jede Frage über die Umgebung zu beantworten, wie zum Beispiel ‚Wo habe ich meine Brieftasche gelassen?‘“, sagt Carlone.

Um ein solches Speicher-Framework zu entwickeln, haben die MIT-Forscher zwei Arbeitsbereiche miteinander verbunden: Pc Imaginative and prescient und Robotic Mapping.

Multimodale Pc-Imaginative and prescient-Modelle können die Objekte in einer Szene verstehen und umfassend beschreiben, verarbeiten jedoch häufig jeweils nur eine einzige Anmerkung. Auf der anderen Seite erstellen Roboter-Mapping-Frameworks 3D-Karten einer Umgebung, etwa einer ganzen Wohnung oder eines Universitätscampus, aber in der Regel fehlen detaillierte Beschreibungen von Objekten oder sie sind rechenintensiv.

Die von den MIT-Forschern entwickelte Methode namens Describe Something, Wherever, Anytime, at Any Second (DAAAM) nutzt das Beste aus beiden Ansätzen.

Wenn ein Roboter mithilfe von DAAAM seine Umgebung durchquert, fügt er den Objekten, die er sieht, ausführliche Beschreibungen hinzu. Beispielsweise kann der Roboter feststellen, dass ein bestimmtes Gebäude auf dem MIT-Campus Stata Heart heißt und mit einer bestimmten Architektur entworfen wurde, oder dass ein Fahrradständer fünf Fahrräder fasst und das rote einen platten Reifen hat.

Diese detaillierten Informationen werden in einer 3D-kartenbasierten Darstellung gespeichert, die räumlich angeordnet ist, sodass Objekte in separate Regionen gruppiert werden. Auf diese Weise kann sich der Roboter merken, dass das rote Fahrrad mit dem platten Reifen im Fahrradständer vor dem Stata Heart steht.

Aber bestehende Techniken, die derart umfangreiche Beschreibungen erfassen, benötigen in der Regel einige Sekunden, um einige Objekte mit Anmerkungen zu versehen. Dies ist für eine Echtzeitleistung zu langsam, da ein Roboter während der Erkundung in wenigen Minuten Hunderte von Objekten sehen könnte.

„Je schneller der Roboter dieses räumliche Gedächtnis aufbauen kann, desto effizienter wird er Aktionen in der Umgebung ausführen“, fügt Carlone hinzu.

Optimierung des Prozesses

Um die Arbeit zu beschleunigen, aggregiert DAAAM auf seiner Reise in der Nähe befindliche Objekte und verwendet eine Optimierungsmethode, um Schlüsselbilder zum Kommentieren auszuwählen. Hierbei handelt es sich um Bilder mit der klarsten Sicht auf mehrere Objekte, die es dem System ermöglichen, mehrere Elemente parallel gründlich zu beschreiben und so die Berechnung um das Zehnfache zu beschleunigen.

Während der Roboter den Raum erkundet, fügt er jeden Stapel von Anmerkungen mehreren Objekten an einem bestimmten Ort auf der 3D-Karte hinzu.

„Wir kommentieren jedes Objekt nur einmal, sodass unser Framework in sehr großen Umgebungen in Echtzeit ausgeführt werden kann. Und durch die Gruppierung von Objekten in Regionen kann es eine breite Palette von Anfragen zu Objekten und Standorten in der Umgebung beantworten“, erklärt Gorlo.

Sobald das System dieses räumliche Gedächtnis aufgebaut hat, muss es auf effiziente Weise Informationen aus einer riesigen Datenbank mit Objekten und Beschreibungen abrufen.

Um dies zu ermöglichen, nutzten die Forscher ein LLM, das auf verschiedene Instruments zurückgreift, die schnell spezifische Informationen abrufen und so Halluzinationen reduzieren können. Dadurch kann DAAAM eine Benutzeranfrage in nur wenigen Sekunden präzise beantworten.

Wenn man beispielsweise einen Roboter nach einer bestimmten Skulptur fragt, die er in der Nähe eines MIT-Campusgebäudes gesehen hat, kann DAAAM ein semantisches Suchtool verwenden, um Informationen basierend auf dem Wort „Skulptur“ abzurufen, oder ein anderes Device, um Informationen basierend auf dem Standort des Gebäudes abzurufen.

Beim Take a look at und Vergleich mit anderen Methoden struggle DAAAM je nach Fragetyp zwischen 21 und 53 Prozent genauer.

Zukünftig wollen die Forscher DAAAM erweitern, damit das System bedeutende Ereignisse in der Umgebung erfassen kann. Sie arbeiten auch daran, Vertrauensniveaus in die Antworten des Techniques einzubeziehen.

„Letztendlich wollen wir Roboter haben, die bei jeder Artwork von Aufgabe helfen können. Mit diesem Rahmen versuchen wir, die Grundlagen zu schaffen, um einen generalistischen Agenten zu ermöglichen, der alles tun kann, was Sie verlangen“, sagt Gorlo.

Diese Forschung wurde teilweise vom US Military Analysis Laboratory und dem Workplace of Naval Analysis finanziert. Carlone befindet sich derzeit im Sabbatical als Amazon Scholar; Dieser Artikel beschreibt die am MIT durchgeführte Arbeit und steht in keiner Verbindung zu Amazon.

[ad_2]

KI-Modellen beibringen, „Ich bin nicht sicher“ zu sagen | MIT-Nachrichten

admin — Thu, 23 Apr 2026 10:55:49 +0000

[ad_1]

Vertrauen ist überzeugend. In Systemen der künstlichen Intelligenz ist es oft irreführend.

Die leistungsstärksten Argumentationsmodelle von heute haben eine Eigenschaft mit der lautesten Stimme im Raum gemeinsam: Sie liefern jede Antwort mit der gleichen unerschütterlichen Sicherheit, egal, ob sie richtig liegt oder nur vermutet. Forscher am Laptop Science and Synthetic Intelligence Laboratory (CSAIL) des MIT haben diese Selbstüberschätzung nun auf einen bestimmten Fehler in der Artwork und Weise, wie diese Modelle trainiert werden, zurückgeführt und eine Methode entwickelt, die das Downside behebt, ohne dabei an Genauigkeit einzubüßen.

Die RLCR (Reinforcement Studying with Calibration Rewards) genannte Technik trainiert Sprachmodelle, um neben ihren Antworten kalibrierte Konfidenzschätzungen zu erstellen. Das Modell ermittelt nicht nur eine Antwort, sondern berücksichtigt auch die Unsicherheit dieser Antwort und gibt einen Konfidenzwert aus. In Experimenten mit mehreren Benchmarks reduzierte RLCR den Kalibrierungsfehler um bis zu 90 Prozent und bewahrte oder verbesserte gleichzeitig die Genauigkeit, sowohl bei den Aufgaben, für die das Modell trainiert wurde, als auch bei völlig neuen Aufgaben, die es noch nie gesehen hatte. Die Arbeit wird später in diesem Monat auf der Worldwide Convention on Studying Representations vorgestellt.

Das Downside hat eine überraschend einfache Ursache. Die Reinforcement Studying (RL)-Methoden hinter den jüngsten Durchbrüchen im KI-Denken, einschließlich des Trainingsansatzes, der in Systemen wie o1 von OpenAI verwendet wird, belohnen Modelle für die richtige Antwort und bestrafen sie für eine falsche Antwort. Nichts dazwischen. Ein Modell, das durch sorgfältiges Nachdenken zur richtigen Antwort kommt, erhält die gleiche Belohnung wie eines, das durch Zufall richtig rät. Im Laufe der Zeit werden Modelle dadurch trainiert, jede Frage, die ihnen gestellt wird, souverän zu beantworten, unabhängig davon, ob sie starke Beweise haben oder tatsächlich eine Münze werfen.

Diese Selbstüberschätzung hat Konsequenzen. Wenn Modelle in der Medizin, im Recht, im Finanzwesen oder in anderen Bereichen eingesetzt werden, in denen Benutzer Entscheidungen auf der Grundlage von KI-Ergebnissen treffen, wird ein System, das unabhängig von seiner tatsächlichen Sicherheit ein hohes Vertrauen ausdrückt, auf eine Weise unzuverlässig, die von außen schwer zu erkennen ist. Ein Modell, das sagt „Ich bin zu 95 Prozent sicher“, obwohl es nur in der Hälfte der Fälle richtig ist, ist gefährlicher als eines, das einfach eine falsche Antwort gibt, weil Benutzer kein Sign haben, eine zweite Meinung einzuholen.

„Der Commonplace-Trainingsansatz ist einfach und wirkungsvoll, aber er gibt dem Modell keinen Anreiz, Unsicherheit auszudrücken oder zu sagen, ich weiß es nicht“, sagt Mehul Damani, MIT-Doktorand und Co-Hauptautor des Buches Papier. „Das Modell lernt additionally auf natürliche Weise zu raten, wenn es unsicher ist.“

RLCR behebt dieses Downside, indem es der Belohnungsfunktion einen einzelnen Begriff hinzufügt: einen Brier-Rating, ein etabliertes Maß, das die Lücke zwischen der angegebenen Konfidenz eines Modells und seiner tatsächlichen Genauigkeit bestraft. Während des Trainings lernen Modelle, sowohl über das Downside als auch über ihre eigene Unsicherheit nachzudenken und gemeinsam eine Antwort und eine Vertrauensschätzung zu erstellen. Selbstbewusst falsche Antworten werden bestraft. Dies gilt auch für unnötig unsichere korrekte Angaben.

Die Mathematik bestätigt es: Das Crew hat formal bewiesen, dass diese Artwork der Belohnungsstruktur sowohl genaue als auch intestine kalibrierte Modelle garantiert. Anschließend testeten sie den Ansatz an einem 7-Milliarden-Parameter-Modell anhand einer Reihe von Frage-Antwort- und Mathematik-Benchmarks, darunter sechs Datensätze, an denen das Modell noch nie trainiert worden conflict.

Die Ergebnisse zeigten ein einheitliches Muster. Beim Commonplace-RL-Coaching wurde die Kalibrierung im Vergleich zum Basismodell aktiv verschlechtert, sodass die Modelle ihre eigene Unsicherheit schlechter einschätzen konnten. RLCR kehrte diesen Effekt um und verbesserte die Kalibrierung erheblich, ohne dass die Genauigkeit verloren ging. Die Methode übertraf auch Publish-hoc-Ansätze, bei denen ein separater Klassifikator darauf trainiert wird, im Nachhinein Konfidenzwerte zuzuweisen. „Was auffällt, ist, dass normales RL-Coaching die Kalibrierung nicht einfach nur nicht unterstützt, sondern sie sogar beeinträchtigt“, sagt Isha Puri, Doktorandin am MIT und Co-Hauptautorin. „Die Fashions werden gleichzeitig leistungsfähiger und selbstbewusster.“

Das Crew zeigte außerdem, dass die von RLCR erstellten Konfidenzschätzungen zum Zeitpunkt der Inferenz praktisch nützlich sind. Wenn Modelle mehrere Kandidatenantworten generieren, verbessert die Auswahl der Antwort mit der höchsten selbstberichteten Konfidenz oder die Gewichtung der Stimmen nach Konfidenz in einem Mehrheitsabstimmungsschema sowohl die Genauigkeit als auch die Kalibrierung bei der Berechnung.

Ein weiterer Befund legt nahe, dass der Akt des Nachdenkens über die Unsicherheit selbst einen Wert hat. Die Forscher trainierten Klassifikatoren anhand von Modellausgaben und stellten fest, dass die Einbeziehung der expliziten Unsicherheitsbegründung des Modells in die Eingabe die Leistung des Klassifikators insbesondere bei kleineren Modellen verbesserte. Die selbstreflexive Argumentation des Modells darüber, was es tut und was nicht, enthält echte Informationen, nicht nur Dekoration.

Neben Damani und Puri sind Stewart Slocum, Idan Shenfeld, Leshem Choshen und die leitenden Autoren Jacob Andreas und Yoon Kim weitere Autoren des Artikels.

[ad_2]

Studie: 40 % der Unternehmensführer sagen, dass KI den Personalabbau ermöglicht

admin — Fri, 10 Oct 2025 07:11:09 +0000

[ad_1]

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.

[ad_2]

Zeigen Sie nicht, sagen Sie: Chatgpt 5 marginalisiert Gelmans Messfehlermodell in Stan

admin — Sat, 13 Sep 2025 05:50:02 +0000

[ad_1]

Dieser Beitrag stammt von Bob

Obwohl der Beitrag von mir stammt, geht es in der Geschichte teilweise um Andrew, aber hauptsächlich darum, wie LLMs in Mathe besser werden. Anstatt allen von LLMs zu erzählen und eine theoretische Diskussion zu führen, dachte ich, es wäre nützlich, Ihnen ein weiteres Beispiel für die Artwork der Interaktion mit LLMs zu zeigen, die ich sehr nützlich finde.

Die Hintergrundgeschichte

Andrew erwähnt häufig, dass er mit Stans Commonplace -Stichprobenzeiten ungeduldig ist und möchte, dass ihm etwas schneller eine grobe Antwort gibt. Ich und mehrere Kollegen haben additionally daran gearbeitet, eine schnellere Anpassung zu finden Nutpie Sampler, der bereits mit Modellen ausgeführt werden kann, die in Stan oder PYMC kodiert werden). Das bedeutet Bewertung. Additionally fragte ich Andrew endlich um ein Beispiel.

Gelman’s Messfehlermodell

Hier ist das Messfehlermodell, das Andrew mir gegeben hat:

knowledge {
  int N;
  vector(N) y;
  vector(N) x_star;
  actual sigma_x_star;
}
parameters {
  actual a, b, mu_x;
  actual sigma, sigma_x;
  vector(N) x;
}
mannequin {
  x ~ regular(mu_x, sigma_x);
  y ~ regular(a + b*x, sigma);
  x_star ~ regular(x, sigma_x_star);
}

Abgesehen davon liebe ich, dass es eine angemessene Untergrenze gibt N.

Dies ist ein klassisches Messfehlermodell – wenn Sie nicht bekannt sind Stan -Benutzerhandbuch Einführung in Messfehlermodelle.

Bobs überarbeitetes Modell

Das sieht aus wie ein BDA Typmodell – Es gibt unsachgemäße flache Priors. Und die latenten wahren Werte der Kovariaten x eine zentrierte Parametrisierung haben. Beide können zu Problemen zur Anpassung führen. Daher habe ich unter Verwendung von Offset und Multiplern zu einer nicht zentrierten Parametrisierung geschwungen und dann einige schwach informative Priors für alle Parameter hinzugefügt.

knowledge {
  int N;
  vector(N) y;
  vector(N) x_star;
  actual sigma_x_star;
}
parameters {
  actual a, b, mu_x;
  actual sigma, sigma_x;
  vector(N) x;
}
mannequin {
  a ~ regular(0, 1);
  b ~ regular(0, 1);
  mu_x ~ regular(0, 1);
  sigma ~ lognormal(0, 0.5);
  sigma_x ~ lognormal(0, 0.5);
  
  x ~ regular(mu_x, sigma_x);
  y ~ regular(a + b * x, sigma);
  x_star ~ regular(x, sigma_x_star);
}

Es passt besser als Andrew, aber immer noch nicht intestine. Mit dem Commonplace-1000-Warmup- und 1000-Stichproben-Iterationen auf vier Ketten gab es immer noch R-Hass-Werte über 1,2. Wenn wir das bis zu einer Größenordnung mehr Iterationen ankurbeln, sieht alles in Ordnung aus, aber es hat immer noch eine integrierte Autokorrelationszeit von rund 100 (was bedeutet, dass ES das 1/100 -fache der Stichprobengröße beträgt).

Überarbeitete Modell von GPT 5

Als ich mir das Modell ansah, dachte ich, dass es wie ein Hauptkandidat aussah, um das auszumarschieren x Parameter – Es hat einen normalen Prior und es wird zu einer normalen Wahrscheinlichkeit verwendet. Aber ich bin schrecklich in dieser Artwork von Mathematik und es gab keine Mathematikstatistik wie Philip Greengard, additionally wandte ich mich an GPT 5, was bereits etwas Mathe für mich gemacht hatte, das ich selbst nicht tun konnte (Berechnung der zweiten und vierten Momente von Neals Trichter). Hier ist meine Interaktion mit GPT 5.0 auf „Auto“. GPT 3.5 konnte kaum ein syntaktisch korrektes Stan -Programm für eine lineare Regression schreiben. Lassen Sie mich additionally nur sagen, dass es seitdem einen langen Weg zurückgelegt hat.

(Bob) Ich habe das folgende STAN -Programm für Messfehler in X und ich frage mich, ob es eine Möglichkeit gibt, einige der Variablen herauszufinden, um diese Probe effizienter zu gestalten. Ich dachte, da alles regular ist, würde es eine Probability geben. Insbesondere möchte ich das X out, wenn möglich, marginalisieren.
```stan
(code from above)
```
Ich wäre in Ordnung, die Priors auf dem Sigma leicht zu modifizieren, um inverse Gammas auf Sigma^2 zu sein, wenn dies dazu beitragen würde, die Räder der Marginalisierung zu fetten.

Und siehe da, der Genie hat ein korrekt marginalisiertes Stan -Programm zurückgegeben:

knowledge {
  int N;
  vector(N) y;
  vector(N) x_star;
  actual sigma_x_star;
}
parameters {
  actual a, b, mu_x;
  actual sigma, sigma_x;
}
remodeled parameters  x*)
  actual sd_xstar = sqrt(sq.(sigma_x) + sq.(sigma_x_star));
  actual sd_y_cond = sqrt(sq.(sigma) + sq.(b) * tilde_v);
  vector(N) tilde_mu = tilde_v * ( inv_var_x * rep_vector(mu_x, N)
                                 + inv_var_xs * x_star );

mannequin  x*)

Gefolgt von diesem Rat:

(GPT5) Integration von μX ist auch mit einem normalen Prior möglich, induziert jedoch eine dichte Kreuzbeobachtungskovarianz (Rang-1-Replace) und ist in der Regel für HMC/Nuts schlechter. ΜX als Parameter zu halten ist normalerweise besser.

Hat es funktioniert?

Ja! Es hat nicht nur funktioniert, es hat auch beim ersten Versuch funktioniert. Und die Ergebnisse stimmten zu dem überein, was ich von einem viel längeren Lauf des vollständigen Modells bekam, aber mit einem großartigen ESS.

GPT, können Sie unseren Benutzern zu Hause erklären, wie Sie das gemacht haben?

Ich dachte Stan -Benutzerhandbuch. Additionally bat ich den Genie, sich selbst zu erklären.

. Jetzt möchte ich dies als Beispiel für unsere Benutzer im Effizienzkapitel des (*Stan -Benutzerhandbuchs*) (*Stan -Benutzerhandbuch*) aufschreiben (https://mc-stan.org/docs/stan-users-guide/efficien-tuning.html). Ich möchte additionally eine Erklärung für ein ähnliches Publikum. Angesichts der Tatsache, dass wir uns mit der faktorisierten bedingten Kind befassen, können Sie ein bisschen detaillierter darüber eingehen, wie Sie die Formulare der vier Variablen abgeleitet haben, die Konstanten $ tilde {v} $ und $ mu_i $ und die Ausschüttungen für $ x_i^ star $ und y_i mid x_i^ star $ $? Sie können es in bekannte Eigenschaften von Normalen unterteilen, erinnern Sie mich jedoch daran, was diese sind, weil ich nicht sehr intestine mit klassischen Mathematikstatistiken von Exponentialfamilien bin, noch viele unserer Benutzer.

Und natürlich mit einem LLM, Bob ist dein Onkel (aus der französischen Redewendung et voilà):

Natürlich muss ich die gesamte Mathematik überprüfen, bis ich sie gründlich verstehe, und dann in dann zu konvertieren
Die Stan -Benutzerhandbuch Stil.

[ad_2]

Umfrage: 84% sagen

admin — Fri, 28 Mar 2025 00:29:02 +0000

[ad_1]

Cranbury, New Jersey (3. April 2025)-App Builder, eine niedrige Code-Plattform aus Softwareunternehmen Infragistics, die die Erstellung von Apps von Design zu Code optimiert hat, hat Teil 1 seines zweiteiligen 2025-App-Entwicklungstrends veröffentlicht.

Der Eröffnungsbericht zeigt die bedeutende Rolle, die Niedrigcode- und No-Code-Lösungen jetzt in Organisationen spielen. 95% der Unternehmen haben im vergangenen Jahr die Instruments für die Softwareentwicklung verwendet. Auch wenn Unternehmen KI in mehr Teile ihres Geschäfts integrieren, sagen 84% der Technologieführer, dass KI ihre Abhängigkeit von Lösungen mit niedrigem Code und No-Code nicht ersetzen wird. Stattdessen sagen mehr als drei Viertel (76%) von ihnen, dass die KI ihre vorhandenen Instruments effizienter macht.

App Builder 2025 App Growth Developments Report Erforscht, wie Unternehmen derzeit Tiefcodes- und No-Code-Instruments in der Softwareentwicklung verwenden. Der Bericht unterstreicht die Auswirkungen dieser Lösungen in Organisationen, einschließlich der Steigerung der Effizienz, der Reduzierung der Kosten und der Steigerung der Flexibilität. Der neue Bericht zeigt auch, wie die technischen Führungskräfte glauben, dass aufstrebende Technologien und Developments wie KI sich auf die Entwicklung von Low-Code- und No-Code-Entwicklung auswirken werden.

„Die Verwendung von Instruments mit niedrigem Code und No-Code-Instruments durch die Unternehmen haben in den letzten zehn Jahren stetig zugenommen-und heute sind diese Lösungen für die Erstellung von Entwicklern, Designer, CIOs und anderen skalierbaren Anwendungen und effektiven Entwicklungsprozessen entscheidend. Jetzt, da KI mit niedrigem Code und No-Code-Code konvergiert wird, werden wir aufbauen. Entwicklerwerkzeuge, Infragistik.

Der neue zweiteilige Bericht basiert auf Forschungen, die von der Marktforschungsfirma Dynata im Namen von App Builder durchgeführt wurden.

Unter den Erkenntnissen:

Quick jeder Tech-Leiter sieht Zeit- und Geldeinsparungen mit Tiefcode- und No-Code-Instruments. Achtundneunzig Prozent (98%) der Technologieführer berichteten über die Ersparnis von Entwicklungszeiten mit Lösungen mit niedrigem Code und No-Code-mit quick 4 von 5 Unternehmen (78%), die bis zu 50percentder Entwicklungszeit sparen. Es ist nicht nur zeitsparende Zeit, 62% der Unternehmen, die mit niedrigem Code und No-Code-Instruments die Softwareentwicklungskosten reduziert haben. Während mehr als die Hälfte (67%) der Technologieführer angeben, die Kosten auf 30percentgesenkt zu haben, geben zehn Prozent von ihnen an, die Kosten um mehr als die Hälfte gesenkt zu haben.
Die Gründe der Unternehmen für die Verwendung von Instruments mit niedrigem Code/No-Code haben sich weiterentwickelt. Viele der wichtigsten Gründe, warum Unternehmen mit niedrigem Code und No-Code-Instruments implementiert wurden, sind weiterhin der Grund, warum sie sie heute verwenden, wobei die Produktivität der Entwickler (37%) auf der Liste verbessert wird. Andere Gründe für die Nutzung der Instruments haben sich jedoch seit der Erstimplementierung an Bedeutung gewonnen, einschließlich der Ermöglichung von Entwicklern, sich auf strategischere Arbeiten zu konzentrieren (25% jetzt gegenüber 22% anfänglich), wodurch die Zufriedenheit der Endbenutzer erhöht wird (jetzt anfangs 17% gegenüber 17%) und anfangs abnehmende manuelle Fehler (19% jetzt gegenüber 15%).
Die kundenspezifische Anwendungsentwicklung hat jetzt eine Priorität für Unternehmen. Generische Anwendungen schneiden es nicht mehr. Unternehmen müssen ihre Apps weiterentwickeln, um den besonderen Bedürfnissen ihres Unternehmens und ihrer Kunden gerecht zu werden. Quick ein Drittel der Tech-Führungskräfte (29%) gibt an, dass ihr Hauptgrund für die Verwendung von Instruments mit niedrigem Code und No-Code-Instruments darin besteht, die Flexibilität zu erhöhen, um benutzerdefinierte Apps zu erstellen, die den bestimmten Unternehmensanforderungen entsprechen.

„Es sind eindeutige Instruments mit niedrigem Code und No-Code-Instruments hier, um zu bleiben. Da Unternehmen KI und andere neue Technologien in die Entwicklung mit niedriger Code und No-Code-Entwicklung einbeziehen, müssen Technikführer nicht nur die Vorteile der Automatisierung von mehr App-Entwicklungsprozessen, die Zusammenarbeit und die Verbesserung der Zusammenarbeit und die Steigerung der Produktivität, sondern sicherstellen, dass sich ihre Organisationen und Entwicklungsteams weiterentwickeln und ihre Technologien mit ihren Technologien upskill adreskill hinzufügten“.

App BuilderDie 2025 App Growth Developments Report basiert auf Antworten von 300 US-amerikanischen Tech-Führungskräften, die Vollzeit beschäftigt sind. Teil 1 des Berichts kann angezeigt werden Hier.

[ad_2]

Author Survey: 42% der C-Suite sagen, Gen Ai reißt ihre Unternehmen auseinander

admin — Thu, 20 Mar 2025 06:17:57 +0000

[ad_1]

Am 18. März 2025 kündigte San Francisco -Author, eine generative KI -Plattform für das Enterprise, die Veröffentlichung seiner AI -Umfrage von 2025 an: „Generative AI -Adoption im Unternehmen“. Die Studie, die in Zusammenarbeit mit dem unabhängigen Forschungsunternehmen Office Intelligence durchgeführt wurde, soll ein Objektiv für die Erfahrungen von Wissensarbeitern und C-Suite-Führungskräften vermitteln, die KI am Arbeitsplatz aktiv nutzen.

Der Bericht untersucht die Hindernisse, mit denen die Führungskräfte konfrontiert sind, da sie eine generative KI in ihren Organisationen umsetzen, einschließlich interner Machtkämpfe, schlechter ROI, unterdurchschnittlichen Instrumenten und Zusammenstößen Perspektiven zwischen Führungskräften und Mitarbeitern. Tatsächlich geben 72 Prozent der C-Suite an, dass ihr Unternehmen auf ihrer Reise zur generativen KI-Adoption mindestens einer Herausforderung gestellt wurde.

Trotz dieser Herausforderungen gibt die überwiegende Mehrheit der Arbeitnehmer und Führungskräfte, die KI aktiv nutzen, von generativen KI -Instruments profitiert, und mindestens 9 von 10 sind optimistisch in Bezug auf den Ansatz ihres Unternehmens zur generativen KI. Darüber hinaus sind bei Mitarbeitern, die KI verwenden, 77 Prozent AI -Meister oder haben das Potenzial, KI -Champions zu werden. Vor diesem Hintergrund untersuchte die Umfrage auch Strategien zur Stärkung des KI-Adoptionsprozesses, den 95 Prozent der C-Suite zugeben, dass sich ihr Unternehmen verbessern muss.

Wichtige Erkenntnisse zu KI -Adoptionshindernissen:

Energy -Kämpfe und schlechte interne Ausrichtung: Rund 2 von 3 Führungskräften sagen, dass eine generative KI -Adoption zu Spannungen und Abteilungen innerhalb ihres Unternehmens geführt hat, und 42 Prozent sagen, dass dies ihr Unternehmen auseinander reißt. Mehr als 1 von 3 Führungskräften sagen, dass generative KI -Adoption eine large Enttäuschung struggle.
Reibung zwischen IT und Geschäftsführern: Zwei Drittel der C-Suite geben an, dass es Spannungen zwischen IT-Groups und anderen Geschäftsbereichen gegeben hat, und 71 Prozent der C-Suite geben AI-Anwendungen in einem Silo innerhalb ihrer Organisation zu.
Mangel an ROI und Instruments mit schlechter Qualität: 73 Prozent der Unternehmen investieren jedes Jahr mindestens 1 Million US-Greenback in die generative KI-Technologie, aber nur rund ein Drittel hat einen erheblichen ROI verzeichnet. Inzwischen zahlen mehr als ein Drittel der Mitarbeiter (35 Prozent) für die generativen KI-Instruments, die sie verwenden, aus eigener Tasche, da ihr Arbeitgeber nicht die gewünschten Instruments bereitstellt.

Vergeltungsmaßnahmen für Mitarbeiter: Aus Gründen, die von Befürchtungen über KI bis hin zur Qualität der KI -Instruments reichen, geben 31 Prozent der Mitarbeiter – darunter 41 Prozent der Gen Z – zu, dass sie die KI -Strategie ihres Unternehmens sabotieren, beispielsweise indem sie sich weigerten, KI -Instruments oder -Ontsunternehmen zu verwenden.

Wichtige Erkenntnisse zur Verbesserung der KI -Einführung:

Eine höhere Investition führt zu einem besseren ROI: Wenn es darum geht, eine generative KI erfolgreich einzusetzen, gibt es eine 40-prozent-Punkte zwischen Unternehmen, die am meisten investieren, und diejenigen, die am wenigsten investieren.
Der Aktivieren von KI -Champions ist der Schlüssel: Unter den Mitarbeitern, die KI verwenden, sind 77 Prozent entweder KI -Champions oder haben das Potenzial, KI -Champions zu werden. Diese Arbeiter haben KI angenommen und können einen immensen Wert erzielen, indem sie AI -Lösungen entwickeln. Tatsächlich haben quick alle (98 Prozent) KI -Champions entweder bereits dazu beigetragen, KI -Instruments für ihr Unternehmen aufzubauen oder dies gerne tun, und 94 Prozent haben einen Karrierevorteil erlebt.
Eine organisationsweite Strategie gewinnt: Ein klarer organisationsweiter Ansatz ist der Treiber Nummer eins für die erfolgreiche Übernahme und Implementierung von KI. Bei Unternehmen, die keine formelle KI -Strategie haben, geben nur 37 Prozent der Führungskräfte an, KI sehr erfolgreich zu übernehmen und umzusetzen, gegenüber 80 Prozent bei Unternehmen, die eine Strategie haben.
Die Auswahl des richtigen KI-Anbieters ist entscheidend: 98 Prozent der C-Suite-Feeling-Anbieter sollten dazu beitragen, die Imaginative and prescient für KI bei der Arbeit zu formen. 94 Prozent geben jedoch an, dass sie mit den von ihnen verwendeten Anbietern nicht vollständig zufrieden sind, und stellt eine Vielzahl von Möglichkeiten fest, wie Anbieter mehr Unterstützung bieten könnten.

„Generative KI verfügt über das transformative Potenzial für das Unternehmen, kann jedoch auch tiefe Risse in Organisationen schaffen, die sich auf ein Patchwork von Level-Lösungen oder IT-gebauten Anwendungen verlassen, die in einem Silo entwickelt wurden“, sagte Habib, CEO und Mitbegründer von Could, CEO und Mitbegründer, Schriftsteller. „Bei dem Schriftsteller stellt wir sicher, dass AI ein Katalysator für Wachstum ist, nicht eine Konfliktquelle, indem sie IT -Groups, Wirtschaftsführer und Champions in einer einzigen kollaborativen KI -Plattform vereinen und eine strategische Roadmap für den Erfolg bieten. Die Zukunft gehört zu den Unternehmen, die die KI -Begeisterung in die Neuerfindung für die Wirtschaft verwandeln können.“

„Die Unternehmen, die in der nächsten Ära der KI -Akzeptanz führen werden, sind diejenigen, die heute die richtigen Prozesse und Systeme einrichten“, sagte Dan Schawbel, Managing Associate, Office Intelligence. „Sie priorisieren ihre Veränderungsmanagementbemühungen, pflegen die Unterstützung der KI unter ihren Mitarbeitern und stellen sicher, dass sie die richtigen Investitionen in KI -Instruments tätigen. Vor allem beurteilen sie sorgfältig die KI -Anbieter und erkennen, dass der richtige Anbieter der Schlüssel zur Erschöpfung des vollständigen Potenzials der KI in ihrem Geschäft ist.“

„Die KI -Transformation geht letztendlich um Menschen“, sagte Alexis McBride, Vizepräsident für Kundenerfolg, Schriftsteller. „Über vier Jahre haben wir Hunderte der weltweit führenden Unternehmen, die die KI der KI der Welt haben, einen Entwurf für die Adoption entwickelt, die mit der Vereinigung von Organisationen mit einer gemeinsamen Imaginative and prescient beginnt. Dieser Fokus auf menschlichzentrierte Lösungen liefert einen dramatisch stärkeren ROI, wobei Mitarbeiter, die Autors bei der Arbeit einsetzen, die doppelt so wahrscheinlich sind, dass sie sich für AI-Initiativen einsetzen.“

Um die vollständigen Erkenntnisse anzuzeigen, Laden Sie die generative KI -Adoption des Autors im Unternehmensbericht herunter.

Methodik: Die Forschungsergebnisse basieren auf einer Umfrage zwischen dem 29. November bis 24. Dezember 2024. Die Umfrage umfasste 1.600 Wissensarbeiter in den USA, darunter 800 C-Suite-Führungskräfte und 800 Mitarbeiter. Die Mitarbeiter mussten bei der Arbeit generative KI -Instruments verwenden, und die Führungskräfte mussten in einem Unternehmen arbeiten, das die Verwendung dieser Instruments ermöglicht. Die an der Umfrage beteiligten Unternehmen waren Enterprise -Organisationen von 100 bis über 10.000 Mitarbeitern. Diese Unternehmen umfassten Branchen, darunter: Technologie-, Finanzdienstleistungs-, Einzelhandels- und Konsumgüter sowie Gesundheitswesen, Pharmazeutika und Biowissenschaften.

[ad_2]

Intelligenz als persönliches Attribut oder als eine Artwork zu sein (eine Reflexion, wenn intelligente Menschen dumme Dinge sagen)

admin — Fri, 14 Mar 2025 13:28:29 +0000

[ad_1]

Nachdem Sie diesen amüsanten/schrecklichen Social -Media -Beitrag geteilt haben,

Paul Campos bietet an Diese „vorläufige Typologie“ der Dummheit:

Natürliche Dummheit. Dies bedeutet nur geringe kognitive Fähigkeiten auf die einfachste mysteriöse Weise. Was Menschen normalerweise mit anderen Worten mit Dummheit meinen.

Soziale Dummheit. Dies ist die Artwork von Dummheit, die in nicht natürlich dummen oder nicht besonders dummen Personen durch soziale Auswirkungen verschiedener Artwork der verschiedenen Arten der Gruppe erzeugt wird. In einem Kult zu sein ist ein extremes Beispiel.

Intellektuelle Dummheit/intelligente Dummheit. Naomi Wolf ist oder battle zumindest eine viel intelligentere als durchschnittliche Particular person, und sie ist sehr investiert, um eine öffentliche Intellektuelle zu sein, dh jemand, dessen Beruf es ist, klug in Bezug auf Dinge zu sein. Sie ist jetzt unglaublich dumm, aber in einer Weise, die sich sehr deutlich von der natürlichen Dummheit unterscheidet und eng mit der Customary -soziale Dummheit unterscheidet, aber vielleicht immer noch kritisch unterscheidet?

Ich habe keine Ahnung, ob Naomi Wolf jemals „intelligenter als die durchschnittliche Particular person“ battle, aber das ist nicht der Punkt dieses Beitrags. Ich verwende nur die obige Diskussion als Ausgangspunkt.

Meine Einstellung dieser Geschichte unterscheidet sich etwas von der von Campos. Ich werde es in zwei Teilen geben.

1. Die Verschwörungstheorie Semi-Bluff

Erstens kenne ich Naomi Wolf nicht und ich weiß so intestine wie nichts über sie. . . Ich denke nur hier, dass sie nicht wirklich glauben könnte, dass es eine Verschwörung mit sozialen Medien und dem Cursor auf ihrem Computerbildschirm gibt. Andererseits schließt sie es auch nicht aus.

Ich vermute, dass Wolf bei der Förderung dieser lächerlichen Behauptungen das macht, was im Poker genannt wird Semi-Bluff: Meistens glaubt sie es nicht, sie sagt es nur als eine Artwork Scherz, sie sieht sich als charmante Imp und demonstriert noch einmal, dass die Menschen auf der anderen Seite keinen Sinn für Humor usw. usw. haben. . . Andererseits gibt es vielleicht wirklich eine Verschwörung, die ihren Cursor kontrolliert! Es ist das Scherz, das nicht kiddiert.

Wolfs Submit erinnert mich daran, wann der „libertäre Paternalist“ Harvard Legislation Professor Adrian Vermeule fördert Diskreditierte Wahlbeschwörungs-Theorien. Ich bezweifle, dass er diesen Theorien wirklich geglaubt hat, aber er hat wahrscheinlich ein bisschen Anstrengungen unternommen, um Beweise gegen sie zu vermeiden. Es dient seinem Komfort, in einem verschwommenen Zustand der Unwissenheit über das Thema zu bleiben, damit er weiterhin ein charmanter Contrarian.

Okay, hier ist eine weniger politisch aufgeladene Analogie. Vor ein paar Jahren Wir diskutierten Der folgende Beitrag des politischen Analysten Nate Silver:

Die Particular person, die mich geschickt hat, die ein bisschen fassungslos battle, dass jemand so klug und erreicht battle wie Nate das Bedürfnis, „quick“ in seine Vorhersage aufzunehmen.

Ich habe dies auf Nate zugeschrieben, in einer Elite-Medienblase zu sein, die von UFO-House-Aliens wahren Gläubigen infiltriert worden battle. Ich habe den Eindruck, dass Nachrichtenmedieninsider gegenseitig mehr vertrauen, als sie jemandem außen vertrauen. (Und ja, ich bin selbst ein bisschen wie ein Nachrichtenmedieninsider, aber nicht so tief wie Nate, der zu Recht ein Insider ist, wenn er seine hervorragende Erfolgsgeschichte als Analyst und Experte ist. Nate gibt Meinungen zu vielen aktuellen Themen ab und macht einige Fehler, insbesondere wenn er sagte, dass er sagte, dass er sagte, dass er sagte, dass er einige aktuelle Themen macht, und er macht einige Fehler, insbesondere, wenn er sagte, er sagte, er sagte, und sagte, er sagte, er sagte, und sagte, er sagte, dass er sagte, dass er sagte, und er sagte, und sagte, er sagte, dass er sagte, und er sagte, sagte, und er sagte, sagte, und sagte, er sagte, dass er sagte, dass er sagte, dass er sagte, und er sagte, sagte, und er sagte, sagte, und sagte, er sagte, dass er sagte, dass er sagte, dass er sagte, und er sagte, und sagte, dass er sagte. Zurück im Jahr 2015 dass Trump nur eine 2% ige Probability hatte, die Nominierung der Republikaner zu gewinnen, obwohl Trump zu dieser Zeit die Umfragen leitete, und wann Er sagte im Jahr 2002 Dass Eric Adams ein Prime-5-demokratischer Kandidat für den Präsidenten battle, aber wenn Experten gehen, hat er eine beeindruckende Kombination aus Nachdenklichkeit, Kühnheit und Genauigkeit.

Eine andere Artwork zu sagen, dass Nate äußerst aufgeschlossen über die Möglichkeit von UFOs als Weltraum-Außerirdische ist. Ich glaube nicht Hypothese dass er ein Spuk Radio hatte.

Was ist los? Nates hängt in einer Blase ab, in der Raum Aliens als legitime Hypothese gelten. Wolf hängt in einer Blase ab, in der verrückte politische Verschwörungstheorien actual sind. In dieser Angelegenheit battle Arthur Conan Doyle ein kluger Kerl, aber er wurde durchaus aufwändig machte Fotos von Feen ausgetauscht.

2. Was ist Intelligenz?

In seinem Posten charakterisiert Campos Wolf als jemanden, der einst „ein viel intelligenterer als durchschnittlicher Mensch“ battle, aber „jetzt unglaublich dumm“ ist. Es fällt mir schwer zu sagen. Menschen können sich ändern, auch eine Particular person kann in einigen Umgebungen clever sein, aber in anderen dumm.

Was ich jedoch denke, ist, dass Intelligenz besser als als Seinsweisesowie ein Attribut einer Particular person.

In der Intelligenz geht es darum, Dinge durchzudenken, zu sammeln und zu abwägen, und es beinhaltet Konzentration und eine Artwork fokussierter Gedanken. Dies bezieht sich auf Eine Reaktion, die ich exprimierte Letztes Jahr über Chatbots, das ist, dass ein Großteil meines eigenen Schreibens und Redens chatbotartig ist, aber manchmal setze ich mich hin und konzentriere mich, und das fühlt sich anders an. Auf der anderen Seite kann ich, wenn ich nach einem Bereich gefragt werde, in dem ich bereits bin, ein Experte, und kann Chatbot-ähnlich entlang gleiten und trotzdem intelligente Antworten geben. In solchen Umgebungen würde ich nicht sagen, dass ich intelligentes Verhalten zeige, aber ich habe ein klares Verständnis des Bereichs, den ein Außenseiter möglicherweise nicht bemerkt – es sei denn, sie kennen mich intestine!

Aber was ist mit Intelligenz als persönliches Attribut, in dem Sinne, dass einige Menschen eindeutig clever sind und andere Blockheads sind? Was ich sagen würde, ist, dass die Intelligenz, die Sie haben, desto leichter ist es für Sie, sich clever zu verhalten. Auf die gleiche Weise, wenn Sie in guter körperlicher Kind sind, fällt es Ihnen leichter, sich auf das Sportfeld zu konzentrieren. Wenn Sie jedoch in einem schlechten Zustand sind, erfordert es mehr Anstrengungen und geben eher einfach auf.

Es gibt dieses interessante Sprichwort – „die moralische Verpflichtung, clever zu sein“ – es scheint aus einem stammen zu haben Buch von 1915 von John Erskine, einem Professor für Englisch. Der fragliche Aufsatz ist nicht so interessant, aber ich magazine die Idee, dass clever eine Wahl oder sogar eine Verpflichtung ist, anstatt ein Attribut zu sein.

Es ist wie in einem wettbewerbsfähigen Mannschaftssport, in dem es eine moralische Verpflichtung gibt, effektiv zu spielen. Je besser Sie im Sport sind, desto einfacher ist es, effektiv zu sein. Es gibt eine Interaktion.

Additionally zurück zu Naomi Wolf, Adrian Vermeule und anderen klugen/dummen Leuten. Wenn Wolf eine ungewöhnlich intelligente Particular person ist/battle, impliziert dies in meiner Formulierung eine hohe Fähigkeit, clever zu handeln. Das heißt, eine sehr intelligente Particular person kann ohne viel Aufwand clever handeln. Das heißt aber nicht, dass sie clever handeln muss. Sie kann faul sein und dumm handeln – im Grunde kann sie sich nicht darum kümmern, „ihr Gehirn einzuschalten“, oder, wie unsere Lehrer es in die Grundschule ausdrücken, „ihre Denkmütze anziehen“ – oder sie kann sich aktiv dafür entscheiden, unverständlich zu sein, indem sie vermeidet, dass sie sich einer der grundlegenden Logik befasst, die ihren Anspruch auf den Cursor angeben würde. Ähnlich mit Vermeule und den Wahlverschwörungstheorien.

Das ist mein Beitrag zur Theorie der Intelligenz-oder, wie Campos sie in seine halb leere Artwork und Weise, die Theorie der Dummheit ausdrückt. Ich irgendwie diese Perspektive der Intelligenz als eine Artwork zu sein und ein Attribut zu sein, das diese Artwork des Seins erleichtert – es räumt einige Verwirrungen aus, die ich hatte.

Vielleicht kann die Hivemind hier helfen und auf die relevante Passage von verweisen William James oder Invoice James Oder WVO Quine (das ist eine Einladung, dass Sie kommentieren, Bob!) Oder CS Peirce, der die oben genannten deutlicher ausgibt. So traurig, dass Keith O’Rourke ist nicht mehr hier Seine Gedanken hinzuzufügen oder diesen Beitrag einfach zu koautorisieren.

Ps Apropos erfolgreiche und vermutlich intelligente Menschen, die wirklich dumme Dinge sagen, Mein Lieblingsbeispiel Ist diese Grafik, die auf so vielen Ebenen lächerlich ist:

Ich denke, das ist wichtig, diese Idee von Intelligenz oder Dummheit als Seinsweisen und nicht als persönliche Attribute.

[ad_2]

Teilnehmer und KI -Konkurrent sagen diesen Monat Cherry Blossoms voraus!

admin — Tue, 11 Mar 2025 05:15:23 +0000

[ad_1]

Dieser Beitrag stammt von Lizzie.

Der diesjährige internationale Cherry Blossom Prediction -Wettbewerb hat geschlossen und wir können nun warten, um zu sehen, wie die Vorhersagen des Teilnehmers und der Vorhersagen des Bots. Die Ergebnisse sind auf die Web sitemit durchschnittlichen Vorhersagen gegen Ende dieses Monats (DC, Vancouver, Liestel) bis Anfang April (Kyoto und New York Metropolis). Der Bot sagt voraus, dass DC und Vancouver früher als der Durchschnitt der Teilnehmereinträge und später für New York sind. Für Kyoto und Liestel (die übrigens die historischsten Daten haben) sind der Bot und der Durchschnitt der Einträge der Teilnehmer ziemlich nahe.

Dank der Yu-Lin Hsu, die unser „Ai-Handler“ ist (mit Chatgpt O3-Mini-Excessive), hat die Mitorganisatoren Jonathan Auerbach und David Kepplinger-die den größten Teil der Arbeit im Vergleich zu mir leisten-und alle unsere großartigen Sponsoren, Anhänger und Teilnehmer.

Wir werden die Gewinner herausfinden, sobald die Bäume blühen!

(Übrigens habe ich das gesehen Pflaumenbäume Ich fange letzte Woche auf der Straße an, auf der Straße zu fahren, um zur Arbeit zu gehen. Es fühlte sich früh an! Ich habe die letzten paar Jahre damit verbracht, dass sie früh sein würden. Vielleicht ist das Jahr, in dem ich abgelenkt bin, das ein Jahr, in dem sie mich anschleichen könnten.)

[ad_2]

KI, die schneller codiert, als Sie „Syntaxfehler“ sagen können

admin — Tue, 14 Jan 2025 01:23:19 +0000

[ad_1]

Codestral 25.01 ist da und es ist ein sinnvolles Improve für Entwickler. Aufbauend auf dem Erfolg von Codestral 2405 22B führt diese neueste Model eine effizientere Architektur und einen verbesserten Tokenizer ein, wodurch sie etwa doppelt so schnell ist. Unabhängig davon, ob Sie in Python, SQL oder anderen Sprachen arbeiten, liefert Codestral 25.01 schnellere und genauere Ergebnisse und hilft dabei, Aufgaben wie Codevervollständigung, Debugging und Testgenerierung zu rationalisieren. Dies ist ein praktischer Fortschritt für Entwickler, die intelligenter arbeiten und Zeit sparen möchten.

Was ist neu in Codestral 25.01?

Codestral 25.01 verfügt über eine überarbeitete Architektur und einen intelligenteren Tokenizer. Dieses Modell generiert und vervollständigt Code etwa zweimal schneller als sein Vorgänger. Egal, ob Sie mit Python, SQL oder sogar Bash arbeiten (ja, das beherrscht es auch), Codestral 25.01 bietet unübertroffene Geschwindigkeit und Genauigkeit. Es ist außerdem für Fill-in-the-Center-Aufgaben (FIM) optimiert und somit der ultimative Programmierbegleiter für Entwickler, die intelligenter und nicht härter arbeiten möchten.

Benchmarks: Codestral 25.01 vs. Die Konkurrenz

Kommen wir zum Element. Codestral 25.01 wurde mit den besten Sub-100B-Parametercodierungsmodellen verglichen und die Ergebnisse sprechen für sich:

Python: 86,6 % bei HumanEval (denn wer liebt nicht eine gute Schlangenreferenz?)
SQL: 66,5 % auf Spider (keine Webs hier, nur saubere Abfragen)
Durchschnitt über mehrere Sprachen: 71,4 % (Polyglotte vom Feinsten)

Sprache	HumanEval-Rating
Python	86,6 %
C++	78,9 %
Java	72,8 %
JavaScript	82,6 %
Bash	43,0 % (Okay, vielleicht nicht alles)

Wenn es um FIM-Aufgaben geht, spielt Codestral 25.01 mit einer durchschnittlichen Punktzahl von 85,89 % für Python, Java und JavaScript in einer eigenen Liga. Sogar der GPT-3.5 Turbo von OpenAI bleibt zurück.

Aufführung professional Sprache: Ein mehrsprachiger Maestro

Codestral 25.01 ist nicht nur ein One-Trick-Pony. Es ist ein mehrsprachiges Kraftpaket, das in einer Vielzahl von Programmiersprachen brilliert. Hier ist ein kurzer Überblick über die HumanEval-Ergebnisse:

Modell	HumanEval Python	HumanEval C++	HumanEval Java	HumanEval Javascript	HumanEval Bash	HumanEval-Typoskript	HumanEval C#	HumanEval (Durchschnitt)
Codestral-2501	86,6 %	78,9 %	72,8 %	82,6 %	43,0 %	82,4 %	53,2 %	71,4 %
Codestral-2405 22B	81,1 %	68,9 %	78,5 %	71,4 %	40,5 %	74,8 %	43,7 %	65,6 %
Codellama 70B anweisen	67,1 %	56,5 %	60,8 %	62,7 %	32,3 %	61,0 %	46,8 %	55,3 %
DeepSeek Coder 33B anweisen	77,4 %	65,8 %	73,4 %	73,3 %	39,2 %	77,4 %	49,4 %	65,1 %
DeepSeek Coder V2 lite	83,5 %	68,3 %	65,2 %	80,8 %	34,2 %	82,4 %	46,8 %	65,9 %

FIM: Die geheime Soße

Beim Fill-in-the-Center (FIM) glänzt Codestral 25.01 wirklich. Mit einer Cross@1-Charge von 95,3 % ist es so, als hätte man einen Programmierpartner, der immer weiß, was man denkt. Egal, ob Sie Fehler beheben, Assessments schreiben oder einfach nur versuchen, diese lästige Funktion fertigzustellen, Codestral 25.01 liefert blitzschnell präzise Vorschläge.

Quelle: Mistral Codestral 25.01

Lesen Sie auch: Satya Nadella hat gerade GitHub Copilot Workspace eingestellt – keine Wartelisten mehr

Wie bekomme ich Codestral 25.01?

Ab sofort wird Codestral 25.01 über IDE- und Plugin-Associate für Entwickler weltweit bereitgestellt. Egal, ob Sie allein programmieren oder Teil eines Unternehmensteams sind, dieses Modell ist bereit, Ihren Workflow zu beschleunigen. Für Unternehmen mit spezifischen Anforderungen an die Daten- und Modellresidenz kann Codestral 25.01 lokal oder innerhalb Ihrer VPC bereitgestellt werden.

Klicken Sie hier, um Codestral 25.01 zu erkunden.

Die Zukunft des Codierens ist da

Codestral 25.01 ist nicht nur ein Werkzeug; Es ist ein Sport-Changer. Es ist bereits auf Platz 1 der LMsys-Copilot-Area-Bestenliste eingestiegen, und Entwickler auf der ganzen Welt loben es. Egal, ob Sie ein erfahrener Profi oder ein Neuling sind, der noch nicht weiß, was „Rekursion“ bedeutet, Codestral 25.01 ist hier, um Ihr Programmierleben einfacher, schneller und vielleicht sogar ein bisschen unterhaltsamer zu machen.

Additionally, worauf warten Sie noch? Probieren Sie Codestral 25.01 aus und erleben Sie noch heute die Zukunft des Codierens. Und wer weiß? Vielleicht behebt es Ihren nächsten Syntaxfehler!

Bleiben Sie dran Analytics Vidhya Information für mehr so tolle Inhalte!

Hallo, ich bin Abhishek, ein engagierter und leidenschaftlicher zertifizierter Karriereberater mit der Mission, Menschen dabei zu helfen, ihr volles Potenzial auszuschöpfen und ihre beruflichen Träume zu verwirklichen. Mit meiner dreijährigen Erfahrung in der Berufsberatung bin ich darauf spezialisiert, Kunden in verschiedenen Phasen ihrer Karriere zu unterstützen – egal, ob es sich um Studenten handelt, die ihren ersten Job planen, Berufstätige, die sich beruflich verändern möchten, oder Einzelpersonen, die in ihrem aktuellen Bereich vorankommen möchten.
Twitter – @Abhishekbais01

[ad_2]

KI im Gesundheitswesen sollte reguliert werden, aber vergessen Sie nicht die Algorithmen, sagen Forscher | MIT-Nachrichten

admin — Mon, 16 Dec 2024 02:03:12 +0000

[ad_1]

Man könnte argumentieren, dass eine der Hauptaufgaben eines Arztes darin besteht, die Chancen ständig zu bewerten und neu zu bewerten: Wie hoch sind die Erfolgsaussichten eines medizinischen Eingriffs? Besteht für den Patienten das Risiko, schwere Symptome zu entwickeln? Wann sollte der Affected person zu weiteren Assessments zurückkehren? Inmitten dieser kritischen Überlegungen verspricht der Aufstieg der künstlichen Intelligenz, das Risiko im klinischen Umfeld zu verringern und Ärzten dabei zu helfen, der Versorgung von Hochrisikopatienten Priorität einzuräumen.

Trotz ihres Potenzials fordern Forscher der MIT-Abteilung für Elektrotechnik und Informatik (EECS), Equality AI und der Boston College eine stärkere Überwachung der KI durch die Regulierungsbehörden ein neuer Kommentar veröffentlicht in der New England Journal of Drugs AI’s (NEJM AI) Oktoberausgabe, nachdem das US-Büro für Bürgerrechte (OCR) im Ministerium für Gesundheit und menschliche Dienste (HHS) eine neue Regelung im Rahmen des Inexpensive Care Act (ACA) erlassen hat.

Im Mai veröffentlichte die OCR eine letzte Regel im ACA, der Diskriminierung aufgrund von Rasse, Hautfarbe, nationaler Herkunft, Alter, Behinderung oder Geschlecht in „Instruments zur Entscheidungsunterstützung für die Patientenversorgung“ verbietet, einem neu eingeführten Begriff, der sowohl KI als auch nicht automatisierte Instruments umfasst, die in der Medizin verwendet werden.

Entwickelt als Reaktion auf den Vorschlag von Präsident Joe Biden Government Order zur sicheren und vertrauenswürdigen Entwicklung und Nutzung künstlicher Intelligenz Ab 2023 baut die endgültige Regelung auf dem Engagement der Biden-Harris-Regierung auf, die gesundheitliche Chancengleichheit zu fördern, indem sie sich auf die Prävention von Diskriminierung konzentriert.

Laut Marzyeh Ghassemi, leitender Autor und außerordentlicher Professor des EECS, „ist die Regel ein wichtiger Schritt nach vorne.“ Ghassemi, der mit der MIT Abdul Latif Jameel Clinic for Machine Studying in Well being (Jameel Clinic), dem Pc Science and Synthetic Intelligence Laboratory (CSAIL) und dem Institute for Medical Engineering and Science (IMES) verbunden ist, fügt hinzu, dass die Regel „ sollte gerechtigkeitsorientierte Verbesserungen der Nicht-KI-Algorithmen und klinischen Entscheidungsunterstützungstools vorschreiben, die bereits in allen klinischen Subspezialitäten verwendet werden.“

Die Zahl der von der US-amerikanischen Meals and Drug Administration zugelassenen, KI-fähigen Geräte ist im letzten Jahrzehnt seit der Zulassung des ersten KI-fähigen Geräts im Jahr 1995 (PAPNET Testing System, ein Device für das Gebärmutterhals-Screening) dramatisch gestiegen. Stand OktoberDie FDA hat quick 1.000 KI-fähige Geräte zugelassen, von denen viele darauf ausgelegt sind, die klinische Entscheidungsfindung zu unterstützen.

Forscher weisen jedoch darauf hin, dass es keine Regulierungsbehörde gibt, die die klinischen Risikobewertungen überwacht, die von Instruments zur Unterstützung klinischer Entscheidungen erstellt werden, obwohl die Mehrheit der US-Ärzte (65 Prozent) diese Instruments monatlich verwendet, um die nächsten Schritte festzulegen Patientenversorgung.

Um dieses Manko zu beheben, wird die Jameel Clinic ein weiteres durchführen Regulierungskonferenz im März 2025. Die Konferenz vom letzten Jahr löste eine Reihe von Diskussionen und Debatten zwischen Lehrkräften, Regulierungsbehörden aus der ganzen Welt und Branchenexperten aus, die sich auf die Regulierung von KI im Gesundheitswesen konzentrierten.

„Klinische Risikobewertungen sind weniger undurchsichtig als ‚KI‘-Algorithmen, da sie typischerweise nur eine Handvoll Variablen umfassen, die in einem einfachen Modell verknüpft sind“, kommentiert Isaac Kohane, Vorsitzender der Abteilung für Biomedizinische Informatik an der Harvard Medical Faculty und Chefredakteur von NEJM KI. „Dennoch sind selbst diese Ergebnisse nur so intestine wie die Datensätze, die zu ihrem „Coaching“ verwendet wurden, und wie die Variablen, die Experten ausgewählt oder in einer bestimmten Kohorte untersucht haben. Wenn sie die klinische Entscheidungsfindung beeinflussen, sollten für sie die gleichen Requirements gelten wie für ihre neueren und weitaus komplexeren KI-Verwandten.“

Darüber hinaus nutzen viele Entscheidungsunterstützungstools zwar keine KI, Forscher weisen jedoch darauf hin, dass diese Instruments ebenso für die Aufrechterhaltung von Vorurteilen im Gesundheitswesen verantwortlich sind und einer Aufsicht bedürfen.

„Die Regulierung klinischer Risikobewertungen stellt erhebliche Herausforderungen dar, da in elektronischen Krankenakten immer mehr Instruments zur Unterstützung klinischer Entscheidungen eingebettet sind und diese in der klinischen Praxis weit verbreitet sind“, sagt Co-Autorin Maia Hightower, CEO von Equality AI. „Eine solche Regulierung bleibt notwendig, um Transparenz und Nichtdiskriminierung zu gewährleisten.“

Allerdings fügt Hightower hinzu, dass sich die Regulierung der klinischen Risikobewertungen unter der neuen Regierung als „besonders herausfordernd erweisen könnte, da der Schwerpunkt auf der Deregulierung und dem Widerstand gegen den Inexpensive Care Act und bestimmte Antidiskriminierungsrichtlinien liegt.“

[ad_2]