Komprimierung ist ein Eckpfeiler der Computational Intelligence, die tief in der Theorie der Kolmogorov -Komplexität verwurzelt ist, die das minimale Programm definiert, das zur Wiedergabe einer bestimmten Sequenz erforderlich ist. Im Gegensatz zu herkömmlichen Komprimierungsmethoden, die nach Wiederholung und Redundanz suchen, interpretiert Kolmogorovs Rahmen die Komprimierung als Drawback, strukturierte Muster durch programmatische Darstellung zu entdecken. Während die Theorie eine optimale Komprimierung verspricht, hat ihre Unkomputierbarkeit eine signifikante Hürde. Dennoch eröffnet die Entstehung von großsprachigen Modellen, die zur Erzeugung von Code in der Lage sind, eine faszinierende Gelegenheit, zu testen, wie eng moderne Systeme dieses theoretische Preferrred annähern, indem sie eher durch Code als Musteranpassung argumentieren.

Ein Kernproblem ergibt sich aus den Einschränkungen der aktuellen Instruments bei der Komprimierung von Datensequenzen mit präzisen, ausführbaren Code. Modelle replizieren häufig Eingaben, anstatt Programme zu erzeugen, die sie reproduzieren, was auf eine Lücke im wahren Musterverständnis hinweist. Dies wird besonders deutlich, wenn es sich um reale Audio-, Textual content- oder DNA-Sequenzen handelt, in denen komplexe logische Strukturen aufgedeckt werden müssen, um eine effiziente Komprimierung zu erreichen. Die Hauptherausforderung besteht darin, sicherzustellen, dass das Modell die Sequenz repliziert und einen minimalen und rationalen Satz von Anweisungen verwendet. Obwohl synthetische Trainingsdaten für die kontrollierte Bewertung nützlich sind, unterstützt sie häufig keine robuste Verallgemeinerung auf natürliche Daten, was für praktische Anwendungen wesentlich ist.

Es gibt mehrere Komprimierungswerkzeuge, die von herkömmlichen Algorithmen wie GZIP bis hin zu neueren neuronalen Komprimierungssystemen reichen. GZIP bleibt aufgrund seiner wirksamen Codierung statistischer Regelmäßigkeiten eine starke Grundlinie, insbesondere für lange oder sich wiederholende Sequenzen. In jüngerer Zeit haben Sprachmodellierungsansätze in die arithmetische Codierung integriert, wobei Vorhersagewahrscheinlichkeiten zur Komprimierung Eingabedaten verwendet werden. Diese Methoden erfordern jedoch in der Regel Zugriff auf die vollständigen Modellgewichte zur Dekodierungszeit und begrenzen ihre Effizienz und Anwendbarkeit. Aufgebreitete Code-erzeugende Modelle wie GPT-4 und LLAMA wurden auch in Null-Shot-Einstellungen bewertet, um Python-Programme zu generieren, die Eingangssequenzen reproduzieren. Sie erzeugen jedoch häufig einen langen, ungenauen Code mit begrenztem Erfolg, insbesondere wenn sie mit unsichtbaren oder komplexen Sequenzen konfrontiert sind.

Forscher der Meta AI und der Tel Aviv College stellten den Kolmogorov-Take a look at (KT) vor, einen Benchmark für die Beurteilung der Argumentationsfähigkeit von Code-erzeugenden Sprachmodellen. Der Take a look at bewertet die Fähigkeit eines Modells, das kürzeste Programm zu generieren, das eine bestimmte Eingangssequenz ausgibt. Im Gegensatz zu typischen Benchmarks betont KT die logische Zusammensetzung und die Programmgenerierung gegenüber der Vorhersage -Textmodellierung. Zu den Sequenzen gehören natürliche Daten aus Audio (Librispeech), Textual content (Wikipedia Enwik9) und DNA (GRCH38) sowie synthetische Sequenzen, die durch eine benutzerdefinierte domänenspezifische Sprache (DSL) generiert werden. Dieser DSL unterstützt das Erstellen strukturierter Sequenzen, indem er Operationen wie Bereicherstellung, Sequenzmodifikation, Zusammenführung und Filterung komponierter erstellt.

Die Forscher entwickelten ein automatisiertes Rahmen, um Millionen von synthetischen Programmsequenzpaaren unter Verwendung dieser DSL zu generieren. Diese Programme schulen und bewerten dann Modelle, einschließlich großer vorgebreiteter und spezifisch ausgebildeter SEQCODER. Um die Leistung zu messen, verwendete das Crew Metriken wie Genauigkeit – ob das generierte Programm die Sequenz – und Präzision – reproduziert, wie das richtige Programm mit der GZIP -Komprimierung verglichen wird. Der Take a look at umfasste Komprimierungssequenzen unterschiedlicher Längen, wobei synthetische Sequenzen durchschnittlich 76 Bytes und reale Sequenzen auf 128 begrenzt waren.

Die Ergebnisse zeigten, dass selbst die mächtigsten Modelle zu kämpfen hatten. GPT-4 erreichte eine Genauigkeit von 69,5% bei hochwertigem Audio, fiel jedoch für 8-Bit-Audio auf 36,4% und für DNA-Daten um 50,3%. Lama-3,1-405b zeigte sich schlechter, mit Genauigkeiten von nur 3,9% für Audio und nur 24,8% für DNA. In synthetischen Daten erreichte SEQCODER-8B eine Genauigkeit von 92,5% mit einem Präzisionswert von 0,56 und übertriffte herkömmliche Instruments wie Gzip. Die Genauigkeit auf reale Daten blieb jedoch nahe Null. Diese Diskrepanz veranschaulicht die Schwierigkeit, den Erfolg von synthetischen Benchmarks auf abwechslungsreichere und lautliche reale Sequenzen zu übertragen, die Grenzen der aktuellen Trainingsregime hervorzuheben und die Notwendigkeit neuer Strategien zu fordern.

Insgesamt beschreibt diese Forschung die Komplexität der Komprimierung durch die Codegenerierung deutlich. Der KT-Benchmark bietet einen strengen und vielfältigen Modell-Argumentations- und Strukturerkennungstest und legt die Starke-Kluft zwischen synthetischen Lernumgebungen und realen Anwendungen auf. Die eingeführte Methodik und der Take a look at setzen eine hohe Balken für zukünftige Modelle fest, die die Argumentation mit Komprimierung vereinen sollen. Es ist jedoch noch erhebliche Innovationen erforderlich, um diese Herausforderung zu befriedigen.

---

Kasse Die Papier. Alle Krediten für diese Forschung gilt an die Forscher dieses Projekts. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 85k+ ml Subreddit.

NVIDIA CES hat der Welt einen Einblick in die Zukunft gegeben! Es gab einige erstaunliche Markteinführungen, die von transparenten, wirklich drahtlosen Fernsehern bis hin zu Prototypen fliegender Autos reichten – NVIDIA CES hatte alles, um die Aufmerksamkeit jedes Technikbegeisterten zu fesseln. Während es im Technologiebereich mutige Aufrufe und Designeinführungen gab, battle es die KI, die die Present stahl.

Von Brillen über Supercomputer bis hin zu Häusern – KI stand im Mittelpunkt der NVIDIA-Feierlichkeiten.

Hier die Highlights:

LGs KI-betriebene Häuser

Die AI- oder „Affectionate Intelligence“-Initiative von LG wurde während der CES 2025 offiziell vorgestellt. Mit dieser Initiative möchte LG ein Good-Dwelling-Erlebnis schaffen, das weniger künstlich und stärker auf den Menschen ausgerichtet ist.

Zu den Highlights der Affectionate Intelligence von LG gehören:

1. LG ThinQ ON AI Dwelling Hub: Als zentraler Hub verbindet und steuert ThinQ ON verschiedene Good Home equipment und IoT-Geräte. Es versteht natürliche Sprache, ermöglicht Konversations-Sprachbefehle und lernt Benutzerpräferenzen, um personalisierte Erlebnisse bereitzustellen.
2. KI-gestützte Geräte: Die neuesten Geräte von LG sind mit fortschrittlicher KI ausgestattet und passen sich den Routinen und Verhaltensweisen der Benutzer an. Beispielsweise können Waschmaschinen Stoffarten und Verschmutzungsgrad erkennen, um Waschzyklen zu optimieren und so den Komfort und die Effizienz zu steigern.
3. Kooperationen für verbesserte Konnektivität: LG hat sich mit Unternehmen wie Microsoft zusammengetan, um KI-Assistenten wie Copilot in seine Good-TVs zu integrieren, mit dem Ziel, KI-gestützte Wohnräume zu revolutionieren. Diese Zusammenarbeit zielt darauf ab, KI-Agenten zu entwickeln, die Kundenbedürfnisse vorhersagen und darauf eingehen und so das Verbrauchererlebnis verbessern.
4. Fokus auf Sicherheit mit LG Protect: LG hat die Bedeutung der Datensicherheit erkannt und LG Protect eingeführt, ein robustes System zum Schutz personenbezogener Daten im Good-Dwelling-Ökosystem. Dadurch wird sichergestellt, dass die Benutzerinformationen auch bei zunehmender Vernetzung der Geräte sicher bleiben.

Während es bereits Ankündigungen zu Dwelling Hub und seinen Good-TVs gab, ging die gesamte Produkt- und Dienstleistungspalette am zweiten Tag der CES reside.

2. Intelligente Brillen

Es ist ein paar Monate her, seit Meta seine Datenbrillen angekündigt hat, und seitdem ist eine Reihe von Datenbrillen auf den Markt gekommen. Am NVIDIA CES Day -2 stellten zwei Unternehmen ihre einzigartigen Datenbrillen vor.

Halliday-Brille: 3,5-Zoll-KI-Good-Brille:

Halliday stellte eine KI-gestützte Datenbrille mit einem diskreten 3,5-Zoll-DigiWindow-Show für Echtzeitinformationen vor. Zu den Hauptmerkmalen gehören:

• Reside-Übersetzung
• Navigation
• Sprach-zu-Textual content-Transkription
• Ein KI-Assistent für Besprechungszusammenfassungen.

Benutzer können die Brille per Sprache, Berührung oder einem optionalen Good Ring steuern. Mit einem Gewicht von 35 Gramm bieten sie eine Akkulaufzeit von bis zu 8 Stunden und unterstützen Brillengläser mit Sehstärke. Der Preis liegt zwischen 399 und 499 US-Greenback, der Versand beginnt im ersten Quartal 2025.

XREAL neue X1 Professional AI Good-Brille:

XREAL stellte die X1 Professional AR Good Glasses vor, die mit dem X1 Spatial Computing Chip für unabhängige AR-Verarbeitung ohne externe Geräte ausgestattet sind. Sie verfügen über:

• Ein 0,55-Zoll-Micro-OLED-Show von Sony mit einem Sichtfeld (FoV) von 57° und einer Auflösung von 1080p professional Auge für scharfe Bilder.
• Die einstellbare Linsentransparenz ermöglicht den nahtlosen Einsatz bei verschiedenen Lichtverhältnissen, während die Bose-Audio-Integration für einen beeindruckenden Klang sorgt.
• USB-C-Konnektivität für Kompatibilität mit Smartphones, Tablets und Laptops.

Mit einem Gewicht von nur 87 Gramm ist die Brille auf Komfort ausgelegt und verfügt über eine Einstellung des Pupillenabstands (IPD). Der Preis beträgt 599 US-Greenback, Vorbestellungen sind möglich und der Versand ist für Anfang 2025 geplant.

3. Blaupause für die Videosuche und -zusammenfassung

NVIDIAs AI Blueprint for Video Search and Summarization ermöglicht es Entwicklern, KI-Agenten für die Analyse von Videodaten zu erstellen. Zu den Hauptmerkmalen gehören:

• Videozusammenfassung: Erstellt prägnante Videozusammenfassungen.
• Interaktive Fragen und Antworten: Ermöglicht präzise Abfragen von Videoinhalten.
• Echtzeitwarnungen: Erkennt Anomalien in Reside-Streams.

Zu den Kernkomponenten gehören eine Ingestion Pipeline für die Videoverarbeitung, eine Retrieval Pipeline für die Datenindizierung und Context-Conscious Retrieval-Augmented Technology (CA-RAG) für genaue Antworten. Seine Anwendungen umfassen Branchen wie Fertigung, Einzelhandel und öffentliche Sicherheit. Frühzeitiger Zugriff und Dokumentation sind über das Entwicklerportal von NVIDIA verfügbar.

4. Agentische KI

NVIDIAs Blueprints für Agentic AI ermöglichen es Entwicklern, benutzerdefinierte KI-Agenten zu entwerfen und bereitzustellen, die auf Argumentation, Planung und Maßnahmen spezialisiert sind.

Zu den Hauptmerkmalen gehören:

• NVIDIA NIM Microservices: Leistungsstarke, modulare KI-Dienste für nahtlose Integration.
• NVIDIA NeMo: Erweiterte Instruments zum Erstellen von Konversations-KI und großen Sprachmodellen.
• Agentic AI Frameworks: Integriert modernste Frameworks führender Anbieter, um die Agentenfunktionen zu verbessern.

Diese Blaupausen bieten eine solide Grundlage für die Entwicklung von KI-Agenten, die auf verschiedene Branchen und Anwendungen zugeschnitten sind.

5. KI-Supercomputer

NVIDIA hat sein Projekt DIGITS auf der CES 2025 vorgestellt. Es handelt sich um einen kompakten persönlichen KI-Supercomputer, der sich ideally suited für die lokale Ausführung großer KI-Modelle ohne Abhängigkeit von Cloud-Diensten eignet und sich somit perfekt für KI-Entwicklung, Forschung und Echtzeitanwendungen eignet

Zu seinen Funktionen gehören:

• Unübertroffene Leistung: Bis zu 1.000-fache Leistung eines typischen Laptops.
• GB10 Grace Blackwell Superchip: Kombiniert eine 20-Core-Arm-CPU und eine Blackwell-GPU für fortgeschrittene KI-Aufgaben.
• Hoher Arbeitsspeicher und Speicher: 128 GB einheitlicher Speicher und bis zu 4 TB NVMe SSD.
• Skalierbarkeit: Unterstützt KI-Modelle mit bis zu 405 Milliarden Parametern bei Vernetzung mit einer anderen DIGITS-Einheit.
• Kompaktes Design: Desktop-freundlich, Stromversorgung über eine Standardsteckdose.
• Zum Preis von 3.000 US-Greenback soll es im Mai 2025 auf den Markt kommen.

Das Projekt DIGITS demokratisiert KI, indem es Hochleistungsrechnen zugänglich und portabel macht.

Weitere Updates von der CES 2025:

Schlussbemerkung

NVIDIA CES 2025 zeigte, wie sich KI nahtlos in unser Leben integriert und die Artwork und Weise, wie wir leben, arbeiten und interagieren, verändert. Von intelligenteren Häusern bis hin zu Echtzeit-Entscheidungstools – KI ist kein futuristisches Konzept mehr – sie ist da und steigert Effizienz, Kreativität und Komfort. Während sich diese Innovationen weiterentwickeln, versprechen sie, Branchen neu zu definieren und Einzelpersonen zu stärken, sodass KI-gestütztes Leben zur neuen Normalität wird.

Bleiben Sie dran Analytics Vidhya Information für weitere solcher Updates.

Anu Madan verfügt über mehr als 5 Jahre Erfahrung in der Erstellung und Verwaltung von Inhalten. Als Content material-Erstellerin, Rezensentin und Managerin hat sie mehrere Kurse und Blogs erstellt. Derzeit arbeitet sie an der Erstellung und Strategieentwicklung der Inhaltskuration und des Designs rund um generative KI und andere kommende Technologien.

Adobe hat seine jährliche Ausgabe gestartet Adobe MAX Konferenz durch die Vorstellung einer Reihe neuer KI-gestützter Funktionen in der gesamten Artistic Cloud-Anwendungssuite mit dem Ziel, kreative Arbeitsabläufe für Benutzer effizienter und intuitiver zu gestalten. Zu den Ankündigungen gehören bedeutende Updates für Photoshop, Illustrator, InDesign und Premiere Professional, die nun fortschrittliche KI-Technologie zur Verbesserung traditioneller Designaufgaben integrieren.

Verbesserungen der Photoshop-KI

Der Höhepunkt der Ankündigungen von Adobe ist die Hinzufügung neuer KI-Funktionen in Photoshop, insbesondere eines Instruments zur „Ablenkungsentfernung“, mit dem unerwünschte Elemente wie Personen, Drähte und Kabel automatisch identifiziert und aus einem Bild entfernt werden können. Diese neue Funktion baut auf dem vorhandenen Take away Instrument von Adobe auf, das bereits ähnlich wie Googles Magic Eraser auf Pixel-Telefonen funktioniert, indem es Benutzern ermöglicht, Ablenkungen zu entfernen. Das Instrument „Ablenkungsentfernung“ vereinfacht diesen Prozess weiter, indem es häufig vorkommende Elemente, die Benutzer möglicherweise entfernen möchten, automatisch erkennt und so eine Bereinigung mit einem Klick ermöglicht.

Generatives KI-Modell von Firefly

Photoshop-Benutzer haben jetzt die Möglichkeit zu wählen, wie sie das Take away Instrument verwenden möchten: Sie können sich auf das generative KI-Modell von Adobe verlassen. Glühwürmchennicht generative KI-Technologie, oder lassen Sie Photoshop entscheiden, welche Methode für die Szene am besten geeignet ist. Adobe hat auch andere Photoshop-KI-Instruments aktualisiert, darunter Generative Fill, Generative Increase, Generate Comparable und Generate Background, die jetzt alle das neueste Firefly Picture 3-Modell nutzen. Dieses Replace soll sowohl die Vielfalt als auch die fotorealistische Qualität der generierten Inhalte verbessern und gleichzeitig komplexe Benutzereingaben besser verstehen.

---

Wie schützt die Adobe Content material Authenticity-Webanwendung die Arbeit von Künstlern vor KI?

---

Webbasierte Photoshop-Verbesserungen

Adobe hat außerdem die Möglichkeiten von Photoshop im Net erweitert und eine KI-Funktion eingeführt, die automatisch alle Objekte in einem Bild auswählen kann und so den Bearbeitungsprozess für Webbenutzer vereinfacht.

Illustrator- und InDesign-Updates

Zusätzlich zu Photoshop kündigte Adobe wichtige Updates für Illustrator an, darunter die neue Funktion „Objekte auf Pfad“. Dieses Instrument ermöglicht Designern das einfache Anbringen, Anordnen und Verschieben von Objekten entlang einer beliebigen Pfadform und bietet so eine größere Flexibilität beim Ausrichten verschiedener Elemente in ihrer Arbeit. Das Mockup-Instrument von Adobe, mit dem Entwürfe auf 3D-Modellen inszeniert werden können, ist jetzt allgemein verfügbar, und die Picture Hint-Funktion, die zum Konvertieren von Rasterbildern in skalierbare Vektoren verwendet wird, wurde verbessert, um präzisere, sauberere vektorisierte Ausgaben zu erstellen.

Adobe hat außerdem sein Generative Increase-Instrument in InDesign integriert und bietet Benutzern die Möglichkeit, Bilder problemlos zu erweitern, um sie an das gewünschte Format anzupassen. Unterdessen erhält Premiere Professional eine neue KI-Funktion namens Generative Prolong, die Teil des neuen Firefly AI Video Mannequin von Adobe ist. Obwohl es sich noch in der Betaphase befindet, wird dieses Modell wahrscheinlich im Laufe des nächsten Jahres die Grundlage für andere Funktionen in den Artistic Cloud-Apps von Adobe bilden und die Arbeitsabläufe bei der Videoproduktion weiter optimieren.

KI-Integration in der gesamten Artistic Cloud

Die Ankündigungen von Adobe unterstreichen den anhaltenden Vorstoß, KI-Technologie in alle Produkte zu integrieren, sodass Benutzer bei komplexen kreativen Aufgaben Zeit und Mühe sparen können. Diese Updates spiegeln das Engagement von Adobe wider, fortschrittliche Instruments sowohl für Anfänger als auch für erfahrene Entwickler zugänglich zu machen und gleichzeitig die Gesamteffizienz kreativer Projekte zu steigern.

---

Hervorgehobener Bildnachweis: Kerem Gülen/Ideogramm