Die MIT-Masterstudenten Sunshine Jiang ’25 und Rupert Li ’24 sind Empfänger des diesjährigen Knight-Hennessy-Stipendiums. Das hart umkämpfte Stipendium, das bereits zum neunten Mal vergeben wird, bietet bis zu drei Jahre finanzielle Unterstützung für ein Graduiertenstudium an der Stanford College.

Sunshine Jiang ’25

Sunshine Jiang aus Hangzhou, China, schloss 2025 ihr Studium am MIT mit einem Bachelor-Abschluss mit den Hauptfächern Physik, Elektrotechnik und Informatik sowie den Nebenfächern Mathematik und Wirtschaftswissenschaften ab. Sie wird diesen Monat ihren Grasp of Engineering erhalten und im Herbst mit ihrer Doktorarbeit in Informatik an der Stanford College of Engineering beginnen.

Jiang erforscht verkörperte künstliche Intelligenz und Robotik und entwickelt dateneffiziente, adaptive Systeme für Allzweckroboter, die die Zugänglichkeit erweitern. Sie hat ihre Forschung auf großen Konferenzen vorgestellt, darunter der Convention on Robotic Studying, der Worldwide Convention on Robotics and Automation und der Worldwide Convention on Studying Representations.

Jiang leitete die Entwicklung von KI-gestützten Systemen, die den Zugang zu traditioneller chinesischer Kunst in ländlichen Klassenzimmern ermöglichen, gründete länderübergreifende Programme, die den Zugang von Mädchen zur MINT-Ausbildung erweitern, und erstellte eine Covid-19-Dokumentation, die die Stimmen der Gemeinschaft verstärkt und auf China Each day vorgestellt wurde.

Rupert Li ’24

Rupert Li aus Portland, Oregon, promoviert derzeit in Mathematik an der Stanford College of Humanities and Sciences. Im Jahr 2024 schloss er sein Studium am MIT mit einem Bachelor-Abschluss mit den Hauptfächern Mathematik und Informatik, Wirtschaftswissenschaften und Datenwissenschaft ab. Neben seinem Bachelor-Abschluss erwarb er auch einen Grasp-Abschluss in Knowledge Science. Anschließend reiste Li als Marshall-Stipendiat nach Großbritannien, wo er einen Grasp-Abschluss in Mathematik an der College of Cambridge erwarb.

Lis Forschungsinteressen liegen in den Bereichen Wahrscheinlichkeit, diskrete Geometrie und Kombinatorik. Er fungiert gerne als Mentor für MIT PRIMES-USA, ein Mathematik-Forschungsprogramm für Oberstufenschüler, und conflict zuvor als Berater für Duluth REU, ein Mathematik-Forschungsprogramm für Studenten für Studenten, tätig. Neben dem Knight-Hennessy-Stipendium und dem Marshall-Stipendium wurde er mit dem Hertz-Stipendium, dem PD-Soros-Stipendium und dem Goldwater-Stipendium ausgezeichnet und erhielt eine lobende Erwähnung für den Frank-und-Brennie-Morgan-Preis.

In der aktuellen KI-Landschaft basieren Agenten-Frameworks typischerweise auf verwalteten Excessive-Stage-Sprachen wie Python oder Go. Diese Ökosysteme bieten zwar umfangreiche Bibliotheken, verursachen jedoch einen erheblichen Mehraufwand durch Laufzeiten, virtuelle Maschinen und Rubbish Collectors. NullClaw ist ein Projekt, das von diesem Development abweicht und ein Full-Stack-KI-Agent-Framework vollständig in implementiert Roher Zick.

Durch Eliminieren der Laufzeitschicht erreicht NullClaw eine kompilierte Binärgröße von 678 KB und arbeitet mit ca 1 MB RAM. Für Entwickler, die in ressourcenbeschränkten Umgebungen oder im Edge-Computing arbeiten, stellen diese Kennzahlen einen Wandel in der Artwork und Weise dar, wie KI-Orchestrierung eingesetzt werden kann.

Leistungsbenchmarks und Ressourcenzuweisung

Der Hauptunterschied zwischen NullClaw und bestehenden Frameworks liegt in seinem Ressourcenbedarf. Normal-Agent-Implementierungen erfordern oft einen erheblichen {Hardware}-Overhead, um die zugrunde liegende Sprachumgebung aufrechtzuerhalten:

Lokaler Maschinen-Benchmark (macOS arm64, Februar 2026), normalisiert für 0,8-GHz-Edge-{Hardware}.

	OpenClaw	NanoBot	PicoClaw	ZeroClaw	NullClaw
Sprache	Typoskript	Python	Gehen	Rost	Zig
RAM	> 1 GB	> 100 MB	< 10 MB	< 5 MB	~1 MB
Begin (0,8 GHz)	> 500 s	> 30 s	< 1 s	< 10 ms	< 8 ms
Binäre Größe	~28 MB (Distanz)	N/A (Skripte)	~8 MB	3,4 MB	678 KB
Exams	—	—	—	1.017	3.230+
Quelldateien	~400+	—	—	~120	~110
Kosten	Mac Mini 599 $	Linux SBC ~50 $	Linux-Board 10 $	Beliebige 10-Greenback-{Hardware}	Beliebige 5-Greenback-{Hardware}

NullClaws Fähigkeit, darunter zu booten 2 Millisekunden ist eine direkte Folge des Fehlens einer virtuellen Maschine oder eines Interpreters. Es lässt sich direkt in Maschinencode kompilieren, ohne darüber hinausgehende Abhängigkeiten libcDadurch wird sichergestellt, dass CPU-Zyklen ausschließlich der Logik und nicht der Laufzeitverwaltung gewidmet sind.

Architekturdesign: Das Vtable-Schnittstellenmuster

Der wichtigste Aspekt von NullClaw ist seine Modularität. Trotz seiner geringen Größe ist das System nicht für bestimmte Anbieter fest codiert. Jedes wichtige Subsystem – einschließlich Anbieter, Kanäle, Instruments und Speicher-Backends – ist als implementiert vtable-Schnittstelle.

Eine Vtable (virtuelle Methodentabelle) ermöglicht den dynamischen Versand zur Laufzeit. Dies ermöglicht es Benutzern in NullClaw, Komponenten über Konfigurationsänderungen auszutauschen, ohne den Quellcode zu ändern oder neu zu kompilieren. Diese Architektur unterstützt:

• Über 22 KI-Anbieter: Integration für OpenAI, Anthropic, Ollama, DeepSeek, Groq und andere.
• 13 Kommunikationskanäle: Native Unterstützung für Telegram, Discord, Slack, WhatsApp, iMessage und IRC.
• Über 18 integrierte Instruments: Ausführbare Funktionen zur Erledigung von Agentenaufgaben.

Diese Modularität stellt sicher, dass die Kern-Engine leichtgewichtig bleibt und gleichzeitig für komplexe „Subagenten“-Workflows erweiterbar bleibt MCP (Mannequin Context Protocol) Integration.

Speicherverwaltung und Sicherheit

NullClaw verwaltet den Speicher manuell, eine Kernfunktion der Programmiersprache Zig. Um bei der Verarbeitung komplexer Daten einen RAM-Speicherplatz von 1 MB beizubehalten, wird Folgendes verwendet: Hybrid-Vektor + Schlüsselwort-Speichersuche. Dadurch kann der Agent RAG-Aufgaben (Retrieval-Augmented Technology) ohne den Overhead einer externen, umfangreichen Vektordatenbank ausführen.

Sicherheit wird in das Low-Stage-Design integriert und nicht als externe Ebene hinzugefügt:

• Verschlüsselung: API-Schlüssel werden standardmäßig mit verschlüsselt ChaCha20-Poly1305ein AEAD-Algorithmus (Authenticated Encryption with Related Knowledge), der für seine hohe Leistung auf mobilen und eingebetteten CPUs bekannt ist.
• Ausführungs-Sandboxing: Wenn Agenten Instruments verwenden oder Code ausführen, unterstützt NullClaw mehrschichtiges Sandboxing Binnenland (ein Linux-Sicherheitsmodul), FeuergefängnisUnd Docker.

Unterstützung für {Hardware}-Peripheriegeräte

Da NullClaw in Zig geschrieben ist und keine umfangreiche Laufzeit bietet, eignet es sich hervorragend für die {Hardware}-Interaktion. Es bietet native Unterstützung für {Hardware}-Peripheriegeräte auf verschiedenen Plattformen, einschließlich Arduino, Raspberry PiUnd STM32. Dies ermöglicht den Einsatz autonomer KI-Agenten direkt auf Mikrocontrollern, sodass diese in Echtzeit mit physischen Sensoren und Aktoren interagieren können.

Technische Zuverlässigkeit

Ein häufiges Drawback bei der manuellen Speicherverwaltung und Low-Stage-Implementierungen ist die Systemstabilität. NullClaw begegnet diesem Drawback durch eine strenge Validierung:

• Testsuite: Die Codebasis umfasst 2.738 Exams um logische Konsistenz und Speichersicherheit zu gewährleisten.
• Codebasisvolumen: Der Rahmen umfasst ca 45.000 Zig-Zeilen.
• Lizenzierung: Es wird unter der veröffentlicht MIT-Lizenzwas eine breite kommerzielle und non-public Nutzung ermöglicht.

Wichtige Erkenntnisse

• Excessive Ressourceneffizienz: Durch die Verwendung roher Zig Durch die Eliminierung von Laufzeiten (kein Python, keine JVM, kein Go) reduziert NullClaw die RAM-Anforderungen auf ~1 MB und binäre Größe zu 678 KB. Dies entspricht einer Ressourcenreduzierung von 99 % im Vergleich zu Standardagenten mit verwalteter Sprache.
• Nahezu sofortige Kaltstarts: Durch das Entfernen einer virtuellen Maschine oder eines Interpreters kann das System gestartet werden unter 2 Millisekunden. Dies macht es supreme für ereignisgesteuerte Architekturen oder serverlose Funktionen, bei denen die Latenz entscheidend ist.
• Modulare „Vtable“-Architektur: Jedes Subsystem (KI-Anbieter, Chat-Kanäle, Speicher-Backends) ist ein vtable-Schnittstelle. Dadurch können Entwickler über einfache Konfigurationsänderungen Anbieter wie OpenAI gegen lokales DeepSeek oder Groq austauschen Keine Codeänderungen.
• Eingebettet und IoT-fähig: Im Gegensatz zu herkömmlichen Frameworks, die einen PC oder einen teuren Mac Mini erfordern, bietet NullClaw native Unterstützung für Arduino, Raspberry Pi und STM32. Es ermöglicht die Ausführung eines vollständigen Agentenstapels auf einem 5-Greenback-Verpflegung.
• Sicherheit-First-Design: Trotz seines geringen Platzbedarfs verfügt es über hochgradige Sicherheitsfunktionen: Normal ChaCha20-Poly1305 Verschlüsselung für API-Schlüssel und mehrschichtiges Sandboxing Landlock, Firejail und Docker um vom Agenten ausgeführten Code zu enthalten.

---

Schauen Sie sich das an Repo. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 120.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Bei der Analyse von Daten muss man häufig zwei Regressionsmodelle vergleichen, um festzustellen, welches am besten zu einem Datenelement passt. Oft ist ein Modell ein einfacher Model von a komplexer Modell, das zusätzliche Parameter enthält. Allerdings garantieren mehr Parameter nicht immer, dass ein komplexeres Modell tatsächlich besser ist, da sie einfach zu einer Überanpassung der Daten führen könnten.

Um festzustellen, ob die zusätzliche Komplexität vorliegt statistisch signifikantkönnen wir das sogenannte verwenden F-Take a look at für verschachtelte Modelle. Diese statistische Technik bewertet, ob die Reduzierung der Residual Sum of Squares (RSS) aufgrund der zusätzlichen Parameter sinnvoll oder nur zufällig ist.

In diesem Artikel erkläre ich den F-Take a look at für verschachtelte Modelle und stelle dann einen Schritt-für-Schritt-Algorithmus vor, demonstriere seine Implementierung mithilfe von Pseudocode und stelle Matlab-Code zur Verfügung, den Sie sofort ausführen oder in Ihrem Lieblingssystem erneut implementieren können (hier). Ich habe mich für Matlab entschieden, weil es mir einen schnellen Zugriff auf Statistiken und Anpassungsfunktionen ermöglichte, für die ich keine Zeit aufwenden wollte. Im gesamten Artikel sehen wir Beispiele für den F-Take a look at für verschachtelte Modelle in verschiedenen Umgebungen, einschließlich einiger Beispiele, die ich in den Matlab-Beispielcode eingebaut habe.

Hybride Suche im Kontext von RAG und Vektordatenbank bedeutet das Durchsuchen von Dokumentenblöcken, die zur Beantwortung einer Frage beitragen können, indem sowohl eine semantische Suche basierend auf Einbettungen als auch eine Volltextsuche auf dem Inhalt dieser Blöcke verwendet wird.

Die Einschränkungen

Während die Hybridsuche bessere Ergebnisse liefern sollte als ein rein semantischer Ansatz, da sie relevantere Textabschnitte liefert, indem sie diejenigen hervorhebt, die einige in der Recherche vorhandene Schlüsselwörter enthalten, gibt es noch Raum für Verbesserungen.

Da Schlüsselwörter im selben Textual content gesucht werden, der zur Berechnung der Einbettung verwendet wurde, was passiert, wenn a Stück A Ein Dokument enthält die Schlüsselwörter, während ein anderes Dokument die Schlüsselwörter enthält Stück B des gleichen Dokuments liegt semantisch nahe an der Anfrage und sollte daher bei der Beantwortung helfen?

Wir hätten gerne Stück B Teil der vom Retriever zurückgegebenen Dokumente sein, bei einer Commonplace-Hybridsuche ist dies jedoch möglicherweise nicht der Fall.

Selbstfragender Retriever

Diese Artwork von Retriever basiert auf der Metadatenfilterung. Wichtige Informationen, die beim Filtern des Vektors hilfreich sein könnten …

Es begann mit einem Paukenschlag. Der Begin von ChatGPT, einem bahnbrechenden KI-Chatbot, erforderte keine Gentle Launches oder Fuse Wire Teaser. Innerhalb von 24 Stunden nach ihrer Vorstellung im November 2022 warfare die neue Technologie zu einem globalen Phänomen geworden, da die Social-Media-Kanäle über ihre Fähigkeiten berichteten. Sieben Jahre nach der Entwicklung warfare die Wirkung unmittelbar und phänomenal – innerhalb von fünf Tagen hatte es mehr als eine Million Nutzer und gab damit den Grundstein für einen beispiellosen Paradigmenwechsel in der Artwork und Weise, wie Unternehmen arbeiten.

Jetzt, quick zwei Jahre später, nachdem die größten Technologieunternehmen der Welt ihre eigenen Plattformen eingeführt haben, gibt KI weiterhin auf bisher ungeahnte Weise das Tempo für kulturelle und technologische Fortschritte vor.

In den Anfängen wurde die Technologie experimentell in einer Reihe einfacher Prozesse eingesetzt, die von der Erstellung von Reiserouten über das Schreiben fesselnder Fabeln bis hin zur Generierung von Computercode reichten. Seitdem hat es die Geschäftswelt drastisch verändert und die Artwork und Weise verändert, wie wir arbeiten, auf Informationen zugreifen und Daten analysieren.

Ethische Überlegungen zu KI für Unternehmen

Zu den Vorteilen von KI für Unternehmen gehören eine verbesserte Kundenbindung durch Chatbots und virtuelle Assistenten, verbesserte Datenanalysen und Erkenntnisse für eine bessere Entscheidungsfindung sowie die Automatisierung wiederkehrender Aufgaben zur Steigerung der Effizienz. Es wurde in verschiedenen Geschäftsbereichen angewendet, darunter Buchhaltung, Kundenservice, Cybersicherheit, Personalwesen sowie Vertrieb und Advertising.

Allerdings hat die Technologie auch eigene Herausforderungen mit sich gebracht, darunter ethische und datenschutzrechtliche Bedenken, Qualifikationsdefizite in der Belegschaft und Integrationsprobleme mit bestehenden Systemen.

Während KI zweifellos Vorteile bietet, hat sie auch das Potenzial, bestehende Ungleichheiten zu verschärfen, da bestimmte Jobs automatisiert werden und andere spezielle Fähigkeiten erfordern. Die ethischen Auswirkungen von KI, wie Datenschutz und potenzielle Voreingenommenheit, erfordern eine sorgfältige Prüfung und Regulierung, um ihre verantwortungsvolle Entwicklung und ihren Einsatz sicherzustellen.

Einsatz von KI in Thoughts-Mapping-Software program

Als Unternehmen, das sich mit der Bereitstellung von Thoughts-Mapping-Software program für Geschäftsprozesse und Projektplanung befasst, löste der Aufstieg der KI in unserem Unternehmen Diskussionen über ihr Potenzial aus, menschliche Arbeitsplätze zu ersetzen, einschließlich derjenigen, die kreatives Denken und Problemlösung erfordern. Wir haben schnell erkannt, dass KI beim Mindmapping kein Ersatz, sondern vielmehr ein leistungsstarker Verstärker ist, der den Prozess in ein effizienteres und aufschlussreicheres Erlebnis verwandelt. Jede neue Karte oder jedes neue Projekt beginnt wie ein unbeschriebenes Blatt, und keine noch so große Menge an Vorlagen, Movies, Webinaren oder Whitepapers kann die anfängliche Einschüchterung durch diesen leeren Raum vollständig beseitigen.

Traditionelle Mindmaps werden seit langem für ihre Fähigkeit gelobt, Ideen und Zusammenhänge visuell darzustellen. Allerdings verleiht die KI diesem Prozess jetzt einen Schub an intelligenten Fähigkeiten. da wir nicht länger darüber nachdenken müssen, worüber jemand nachdenken muss. Jetzt können Benutzer der KI einfach die Frage stellen und sich das Ergebnis anzeigen lassen. Diese transformative Fähigkeit beseitigt die Unsicherheit, bei Null anzufangen, und macht den Prozess für den Benutzer schneller, einfacher und intuitiver. Bei KI sollte es nicht darum gehen, die menschliche Instinct und Kreativität zu ersetzen – es geht darum, unsere Fähigkeiten zu erweitern und uns in die Lage zu versetzen, effektiver zu denken und eine höhere Produktivität zu erzielen.

Thoughts-Mapping-Instruments können die Lücke zwischen menschlichem Intellekt und KI-Fähigkeiten schließen und so eine starke Synergie schaffen, die neue Möglichkeiten beim Brainstorming, Lernen und Problemlösen eröffnet. Da sich die KI-Technologie ständig weiterentwickelt, können wir mit noch ausgefeilteren und intuitiveren Mindmapping-Instruments rechnen. Diese Werkzeuge werden das menschliche Denken weiterhin verbessern und uns in die Lage versetzen, bessere Ergebnisse zu erzielen und das volle Potenzial unseres kreativen Geistes freizusetzen.

Eine Zukunft mit beispielloser Geschäftseffizienz

Die Zukunft der KI in der Wirtschaft wird eine kontinuierliche Zusammenarbeit zwischen Regierungen, Unternehmen und Einzelpersonen erfordern, um die Herausforderungen anzugehen und die Chancen dieser transformativen Technologie zu maximieren.

KI dürfte zunehmend in Software program und {Hardware} integriert werden, was es für Unternehmen einfacher macht, ihre Fähigkeiten zu übernehmen und zu nutzen. Der Erfolg wird davon abhängen, wie es genutzt wird, um die menschlichen Fähigkeiten zu erweitern, anstatt sie zu ersetzen, und eine Zukunft zu schaffen, in der Menschen und KI komplementär zusammenarbeiten. Über die Automatisierung einzelner Aufgaben hinaus treibt KI einen Paradigmenwechsel hin zu beispielloser Effizienz im gesamten Geschäftsbetrieb voran.

Durch die Automatisierung wiederkehrender Aufgaben ermöglicht KI den Mitarbeitern, sich auf strategischere und kreativere Aufgaben zu konzentrieren, was zu höherer Produktivität und Innovation führt. Eine aktuelle McKinsey-Studie ergab, dass KI potenziell 45 % der derzeit von Arbeitnehmern ausgeführten Aktivitäten automatisieren könnte. Neben der Automatisierung von Prozessen können damit auch Abläufe rationalisiert und Fehler minimiert werden, was zu erheblichen Kosteneinsparungen für Unternehmen führt. Beispielsweise kann die Automatisierung des Kundenservice mit KI den Bedarf an menschlichen Agenten verringern, was zu geringeren Arbeitskosten führt.

KI kann auch große Datensätze in Echtzeit analysieren und Erkenntnisse liefern, die für Menschen manuell nicht zu verarbeiten wären, was eine schnellere und fundiertere Entscheidungsfindung ermöglicht. KI-gestützte Analysen können Unternehmen beispielsweise dabei helfen, die Kundennachfrage vorherzusagen, den Lagerbestand zu optimieren und Marketingkampagnen zu personalisieren.

Die Vorteile einer datengesteuerten Entscheidungsfindung

Die Fähigkeit von KI, riesige Datenmengen zu analysieren, verändert die Artwork und Weise, wie Unternehmen Entscheidungen treffen. Die Technologie kann Muster und Developments in historischen Daten erkennen und ermöglicht es Unternehmen, zukünftige Ergebnisse vorherzusagen und fundierte Entscheidungen zu treffen. Dies kann auf die Prognose von Umsätzen, die Identifizierung von Kundenabwanderungen und die Optimierung von Preisstrategien angewendet werden. Es kann Kundendaten analysieren, um hochgradig personalisierte Marketingkampagnen zu erstellen und Nachrichten und Angebote an individuelle Vorlieben anzupassen, was zu höheren Konversionsraten und Kundentreue führt.

KI kann auch Daten analysieren, um Risiken zu identifizieren und zu bewerten, sodass Unternehmen proaktive Maßnahmen zur Eindämmung potenzieller Bedrohungen ergreifen können. Dies kann auf Betrugserkennung, Cybersicherheit und Lieferkettenmanagement angewendet werden.

Der Wettbewerbsnachteil der KI-Verweigerer

Im heutigen sich schnell entwickelnden Geschäftsumfeld laufen Unternehmen, die KI nicht nutzen, Gefahr, ins Hintertreffen zu geraten. Diese Verzögerung führt zu einem erheblichen Wettbewerbsnachteil, darunter:

• Effizienz- und Produktivitätsverlust: Wettbewerber, die KI zur Automatisierung und Optimierung nutzen, verschaffen sich einen erheblichen Effizienz- und Produktivitätsvorsprung, sodass Verweigerer Schwierigkeiten haben, mitzuhalten.
• Erhöhte Kosten: Ineffiziente Prozesse und veraltete Praktiken können zu höheren Betriebskosten für Unternehmen führen, die KI nicht eingeführt haben, was sie bei der Preisgestaltung und Rentabilität benachteiligt.
• Reduzierte Kundenzufriedenheit: KI-gestützter Kundenservice und personalisiertes Advertising ermöglichen es Wettbewerbern, außergewöhnliche Kundenerlebnisse zu bieten, während Unternehmen, die bei der KI-Einführung hinterherhinken, Schwierigkeiten haben, die Erwartungen der Kunden zu erfüllen.

Die Zukunft des Geschäfts – die KI-Revolution annehmen

Die transformative Wirkung von KI, angetrieben durch den Aufstieg KI-gestützter Geschäftstools, beginnt sich gerade erst zu entfalten. Unternehmen, die KI nutzen, sind intestine aufgestellt, um in Zukunft erfolgreich zu sein, indem sie Automatisierung für Effizienz, datengesteuerte Entscheidungsfindung für Wettbewerbsvorteile und personalisierte Kundenerlebnisse für Loyalität nutzen. Wer sich nicht anpasst, riskiert, in einer zunehmend KI-gestützten Welt irrelevant zu werden.

Da sich die KI ständig weiterentwickelt, wird es für Unternehmensleiter immer wichtiger, ihre transformative Kraft zu verstehen und zu nutzen. Die Unternehmen, die proaktiv in KI investieren und ihre Fähigkeiten nutzen, werden diejenigen sein, die die Zukunft ihrer Branchen gestalten und das Tempo für die nächste Innovationswelle vorgeben.

Über den Autor

Ashley Marron ist CEO des in East Kilbride ansässigen Unternehmenssoftwareentwicklers MindGeniusdas kürzlich eine KI-gesteuerte Model seines Instruments für Thoughts Mapping von Geschäftsprozessen und Projektmanagement auf den Markt gebracht hat.

Melden Sie sich für die kostenlosen insideAI Information an Publication.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/

Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Als Takeda Pharmaceutical Co. und die MIT College of Engineering im Februar 2020 ihre auf künstliche Intelligenz im Gesundheitswesen und in der Arzneimittelentwicklung ausgerichtete Zusammenarbeit starteten, stand die Gesellschaft am Rande einer weltverändernden Pandemie und KI battle noch lange nicht das Schlagwort, das es heute ist.

Am Ende des Programms sieht die Welt ganz anders aus. KI ist zu einer transformativen Technologie in vielen Branchen geworden, darunter im Gesundheitswesen und in der Pharmaindustrie. Gleichzeitig hat die Pandemie die Herangehensweise vieler Unternehmen an das Gesundheitswesen sowie die Artwork und Weise, wie sie Medikamente entwickeln und verkaufen, verändert.

Sowohl für das MIT als auch für Takeda battle das Programm bahnbrechend.

Als das Programm an den Begin ging, hofften die Beteiligten, dass es zur Lösung greifbarer, realer Probleme beitragen würde. Am Ende des Programms hat es einen Katalog neuer Forschungsarbeiten, Entdeckungen und gewonnener Erkenntnisse hervorgebracht, darunter ein Patent für ein System, das die Herstellung niedermolekularer Medikamente verbessern könnte.

Letztlich ermöglichte das Programm beiden Unternehmen, die Grundlage für eine Welt zu schaffen, in der KI und maschinelles Lernen eine zentrale Rolle in der Medizin spielen, indem sie Takedas Fachwissen im Bereich Biopharmazie und das tiefe Verständnis der MIT-Forscher für KI und maschinelles Lernen nutzten.

„Das MIT-Takeda-Programm hat enorme Auswirkungen gehabt und ist ein leuchtendes Beispiel dafür, was erreicht werden kann, wenn Experten aus Industrie und Wissenschaft zusammenarbeiten, um Lösungen zu entwickeln“, sagt Anantha Chandrakasan, Chief Innovation and Technique Officer des MIT, Dekan der College of Engineering und Vannevar Bush-Professor für Elektrotechnik und Informatik. „Das Programm hat nicht nur zu Forschungsergebnissen geführt, die den Einsatz von KI und maschinellem Lernen im Gesundheitswesen vorangetrieben haben, sondern auch neue Möglichkeiten für Lehrkräfte und Studenten des MIT durch Stipendien, Finanzierung und Vernetzung eröffnet.“

Das Besondere an diesem Programm battle, dass es sich auf mehrere konkrete Herausforderungen im Bereich der Arzneimittelentwicklung konzentrierte, bei deren Bewältigung Takeda Hilfe benötigte. Die MIT-Fakultäten hatten die Möglichkeit, die Projekte auf der Grundlage ihres Fachgebiets und ihres allgemeinen Interesses auszuwählen, wodurch sie neue Bereiche im Gesundheitswesen und der Arzneimittelentwicklung erkunden konnten.

„Der Schwerpunkt lag auf Takedas schwierigsten Geschäftsproblemen“, sagt Anne Heatherington, Chief Knowledge and Expertise Officer für Forschung und Entwicklung bei Takeda und Leiterin des Knowledge Sciences Institute.

„Das waren Probleme, mit denen die Kollegen vor Ort wirklich zu kämpfen hatten“, fügt Simon Davies hinzu, der geschäftsführende Direktor des MIT-Takeda-Programms und Takedas globaler Leiter für statistische und quantitative Wissenschaften. Takeda sah eine Gelegenheit, mit den Weltklasse-Forschern des MIT zusammenzuarbeiten, die nur ein paar Blocks entfernt arbeiteten. Takeda, ein globaler Pharmakonzern mit globalem Hauptsitz in Japan, hat seine globalen Geschäftseinheiten und sein F&E-Zentrum gleich um die Ecke vom Institut.

Im Rahmen des Programms konnten MIT-Dozenten aus einer Gruppe potenzieller Takeda-Projekte die Themen auswählen, an denen sie arbeiten wollten. Anschließend gingen Groups, darunter MIT-Forscher und Takeda-Mitarbeiter, in zwei Runden Forschungsfragen an. Im Laufe des Programms arbeiteten die Mitarbeiter an 22 Projekten zu Themen wie Arzneimittelentdeckung und -forschung, klinische Arzneimittelentwicklung und Arzneimittelherstellung. Über 80 MIT-Studenten und Dozenten arbeiteten zusammen mit mehr als 125 Takeda-Forschern und -Mitarbeitern in Groups an diesen Forschungsfragen.

Bei den Projekten ging es nicht nur um schwierige Probleme, sondern auch um das Potenzial für skalierbare Lösungen innerhalb von Takeda oder in der gesamten Biopharmaindustrie.

Einige der Ergebnisse des Programms haben bereits zu umfassenderen Studien geführt. Die Ergebnisse einer Gruppe zeigten beispielsweise, dass der Einsatz künstlicher Intelligenz zur Sprachanalyse eine frühere Erkennung von Frontotemporaler Demenz ermöglichen und die Diagnose schneller und kostengünstiger stellen kann. Ähnliche algorithmische Analysen der Sprache von Patienten mit der Diagnose ALS können Ärzten auch helfen, den Verlauf dieser Krankheit zu verstehen. Takeda testet weiterhin beide KI-Anwendungen.

Andere Entdeckungen und KI-Modelle, die aus der Forschung des Programms hervorgingen, haben bereits Wirkung gezeigt. Die Verwendung eines physikalischen Modells und KI-Lernalgorithmen kann beispielsweise dabei helfen, Partikelgröße, Mischung und Konsistenz von pulverförmigen, kleinmolekularen Medikamenten zu erkennen und so die Produktionszeitpläne zu beschleunigen. Basierend auf ihrer Forschung im Rahmen des Programms haben die Mitarbeiter ein Patent für diese Technologie angemeldet.

Bei injizierbaren Medikamenten wie Impfstoffen können KI-gestützte Inspektionen auch die Prozesszeit und die Anzahl falscher Rückweisungen reduzieren. Der Ersatz menschlicher visueller Inspektionen durch KI-Prozesse hat für das Pharmaunternehmen bereits messbare Auswirkungen gezeigt.

Heatherington fügt hinzu: „Die von uns gewonnenen Erkenntnisse legen den Grundstein für unser nächstes Vorhaben, nämlich die Einbettung von KI und Gen-KI (generative KI) in alles, was wir künftig tun.“

Im Laufe des Programms nahmen auch mehr als 150 Takeda-Forscher und -Mitarbeiter an Bildungsprogrammen teil, die von der Abdul Latif Jameel Clinic for Machine Studying in Well being organisiert wurden. Neben der Bereitstellung von Forschungsmöglichkeiten finanzierte das Programm 10 Studenten über SuperUROP, das Superior Undergraduate Analysis Alternatives Program, sowie zwei Kohorten des DHIVE-Programms für Gesundheitsinnovation, das Teil des MIT Sandbox Innovation Fund Program ist.

Obwohl das offizielle Programm beendet wurde, werden bestimmte Aspekte der Zusammenarbeit fortgeführt, wie etwa die MIT-Takeda Fellows, die Doktoranden bei ihrer bahnbrechenden Forschung im Bereich Gesundheit und KI unterstützen. Während seiner Laufzeit unterstützte das Programm 44 MIT-Takeda Fellows und wird MIT-Studenten auch weiterhin über einen Stiftungsfonds unterstützen. Auch die organische Zusammenarbeit zwischen MIT- und Takeda-Forschern wird fortgeführt. Und die Associate des Programms arbeiten daran, ein Modell für ähnliche akademische und industrielle Partnerschaften zu schaffen, um die Wirkung dieser einzigartigen Zusammenarbeit zu verstärken.

Teil 1: Hintergrund

Im ersten Semester meines Aufbaustudiums hatte ich die Gelegenheit, den Kurs STAT7055: Einführung in die Statistik für Wirtschaft und Finanzen zu belegen. Während des Kurses battle ich definitiv manchmal etwas erschöpft, aber das Wissen, das ich über die Anwendung verschiedener statistischer Methoden in unterschiedlichen Situationen gewonnen habe, battle wirklich unbezahlbar. Während der 8. Vorlesungswoche erregte etwas wirklich Interessantes meine Aufmerksamkeit, nämlich das Konzept des Hypothesentests beim Vergleich zweier Populationen. Ich fand es faszinierend zu erfahren, wie sich der Ansatz unterscheidet, je nachdem, ob die Stichproben unabhängig oder gepaart sind, und was zu tun ist, wenn wir die Populationsvarianz der beiden Populationen kennen oder nicht, sowie wie man Hypothesentests für zwei Anteile durchführt. Es gibt jedoch einen Aspekt, der im Materials nicht behandelt wurde, und ich frage mich immer wieder, wie ich dieses spezielle Szenario angehen soll, nämlich die Durchführung von Hypothesentests anhand von zwei Populationsmittelwerten, wenn die Varianzen ungleich sind, bekannt als Welch t-Take a look at.

Um das Konzept der Anwendung des Welch t-Assessments zu verstehen, können wir einen Datensatz für den Beispielfall untersuchen. In jeder Section dieses Prozesses wird der Datensatz aus realen Daten verwendet.

Teil 2: Der Datensatz

Der von mir verwendete Datensatz enthält reale Daten zu den Schätzungen des weltweiten landwirtschaftlichen Angebots und der Nachfrage (World Agricultural Provide and Demand Estimates, WASDE), die regelmäßig aktualisiert werden. Der WASDE-Datensatz wird vom World Agricultural Outlook Board (WAOB) zusammengestellt. Es handelt sich um einen monatlichen Bericht, der jährliche Vorhersagen für verschiedene globale Regionen und die Vereinigten Staaten in Bezug auf Weizen, Reis, Getreide, Ölsaaten und Baumwolle liefert. Darüber hinaus enthält der Datensatz auch Prognosen für Zucker, Fleisch, Geflügel, Eier und Milch in den Vereinigten Staaten. Er stammt von der Nasdaq-Web site und Sie können ihn hier kostenlos abrufen: WASDE-Datensatz. Es gibt 3 Datensätze, aber ich verwende nur den ersten, nämlich die Angebots- und Nachfragedaten. Die Spaltendefinitionen finden Sie hier:

Ich werde zwei verschiedene Beispiele aus bestimmten Regionen, Waren und Artikeln verwenden, um den Testprozess zu vereinfachen. Zusätzlich werden wir für das Finish-to-Finish-Verfahren die Programmiersprache R verwenden.

Lassen Sie uns nun eine ordnungsgemäße Datenaufbereitung durchführen:

library(dplyr)
# Learn and preprocess the dataframe
wasde_data <- learn.csv("wasde_data.csv") %>%
choose(-min_value, -max_value, -year, -period) %>%
filter(merchandise == "Manufacturing", commodity == "Wheat")
# Filter knowledge for Argentina and Australia
wasde_argentina <- wasde_data %>%
filter(area == "Argentina") %>%
prepare(desc(report_month))
wasde_oz <- wasde_data %>%
filter(area == "Australia") %>%
prepare(desc(report_month))

Ich habe zwei Proben auf zwei verschiedene Regionen aufgeteilt, nämlich Argentinien und Australien. Der Schwerpunkt liegt auf der Produktion von Weizenrohstoffen.

Jetzt sind wir bereit. Aber warten Sie…

Bevor ich mich näher mit der Anwendung des Welch t-Assessments befasse, frage ich mich, warum es notwendig ist, zu testen, ob die Varianzen der beiden Grundgesamtheiten gleich sind oder nicht.

Teil 3: Testen der Varianzgleichheit

Wenn Hypothesentests durchgeführt werden, um zwei Populationsmittelwerte ohne Kenntnis der Populationsvarianzen zu vergleichen, ist es entscheidend, die Gleichheit der Varianzen zu bestätigen, um den geeigneten statistischen Take a look at auszuwählen. Wenn sich die Varianzen als gleich herausstellen, entscheiden wir uns für den gepoolten Varianz-T-Take a look at; andernfalls können wir den Welch-T-Take a look at verwenden. Dieser wichtige Schritt garantiert die Genauigkeit der Ergebnisse, da die Verwendung eines falschen Assessments aufgrund eines höheren Risikos von Fehlern des Typs I und II zu falschen Schlussfolgerungen führen könnte. Indem wir auf Gleichheit der Varianzen prüfen, stellen wir sicher, dass der Hypothesentestprozess auf genauen Annahmen beruht, was letztendlich zu zuverlässigeren und gültigeren Schlussfolgerungen führt.

Wie testen wir dann die beiden Populationsvarianzen?

Wir müssen die beiden folgenden Hypothesen aufstellen:

Die Faustregel ist ganz einfach:

1. Wenn die Teststatistik in den Ablehnungsbereich fällt, dann lehnen Sie H0 oder die Nullhypothese ab.
2. Andernfalls können wir H0 oder die Nullhypothese nicht ablehnen.

Wir können die Hypothesen wie folgt aufstellen:

# Hypotheses: Variance Comparability
h0_variance <- "Inhabitants variance of Wheat manufacturing in Argentina equals that in Australia"
h1_variance <- "Inhabitants variance of Wheat manufacturing in Argentina differs from that in Australia"

Nun sollten wir die Teststatistik durchführen. Aber wie erhalten wir diese Teststatistik? Wir verwenden F-Take a look at.

Ein F-Take a look at ist ein statistischer Take a look at, mit dem die Varianzen zweier Stichproben oder das Verhältnis der Varianzen zwischen mehreren Stichproben verglichen werden. Die Teststatistik, die Zufallsvariable F, wird verwendet, um zu bestimmen, ob die getesteten Daten unter der wahren Nullhypothese und wahren üblichen Annahmen über den Fehlerterm eine F-Verteilung aufweisen.

Wir können den Wert der Teststatistik erzeugen, indem wir zwei Stichprobenvarianzen so was:

und der Ablehnungsbereich ist:

wobei n die Stichprobengröße und Alpha das Signifikanzniveau ist. Wenn additionally der F-Wert in einen dieser Ablehnungsbereiche fällt, lehnen wir die Nullhypothese ab.

Aber..

Der Trick ist: Die Beschriftung von Probe 1 und Probe 2 ist eigentlich zufällig, additionally lasst uns Stellen Sie sicher, dass Sie die größere Stichprobenvarianz jedes Mal oben platzierenAuf diese Weise wird unsere F-Statistik immer größer als 1 sein, und Wir müssen uns nur auf den oberen Grenzwert beziehen, um H0 auf dem Signifikanzniveau α abzulehnen, wenn.

Wir können dies tun, indem wir:

# Calculate pattern variances
sample_var_argentina <- var(wasde_argentina$worth)
sample_var_oz <- var(wasde_oz$worth)
# Calculate F calculated worth
f_calculated <- sample_var_argentina / sample_var_oz

Wir verwenden ein Signifikanzniveau von 5 % (0,05), daher lautet die Entscheidungsregel:

# Outline significance stage and levels of freedom
alpha <- 0.05
alpha_half <- alpha / 2
n1 <- nrow(wasde_argentina)
n2 <- nrow(wasde_oz)
df1 <- n1 - 1
df2 <- n2 - 1
# Calculate vital F values
f_value_lower <- qf(alpha_half, df1, df2)
f_value_upper <- qf(1 - alpha_half, df1, df2)
# Variance comparability consequence
if (f_calculated > f_value_lower & f_calculated < f_value_upper) {
cat("Fail to Reject H0: ", h0_variance, "n")
equal_variances <- TRUE
} else {
cat("Reject H0: ", h1_variance, "n")
equal_variances <- FALSE
}

Das Ergebnis ist Wir lehnen die Nullhypothese bei einem Signifikanzniveau von 5 % abMit anderen Worten, aufgrund dieses Assessments gehen wir davon aus, dass die Varianzen der beiden Populationen nicht gleich sind. Jetzt wissen wir, warum wir den Welch-t-Take a look at anstelle des gepoolten Varianz-t-Assessments verwenden sollten.

Teil 4: Der Hauptgang, Welch t-Take a look at

Der Welch-T-Take a look at, auch Welchs T-Take a look at für ungleiche Varianzen genannt, ist eine statistische Methode zum Vergleichen der Mittelwerte zweier separater Stichproben. Im Gegensatz zum standardmäßigen gepoolten Varianz-T-Take a look at geht der Welch-T-Take a look at von gleichen Varianzen aus, da er diese Annahme nicht trifft. Diese Anpassung der Freiheitsgrade führt zu einer präziseren Bewertung der Differenz zwischen den Mittelwerten der beiden Stichproben. Da der Welch-T-Take a look at keine gleichen Varianzen annimmt, liefert er ein zuverlässigeres Ergebnis bei der Arbeit mit realen Daten, bei denen diese Annahme möglicherweise nicht zutrifft. Er wird aufgrund seiner Anpassungsfähigkeit und Zuverlässigkeit bevorzugt und stellt sicher, dass aus statistischen Analysen gezogene Schlussfolgerungen auch dann gültig bleiben, wenn die Annahme gleicher Varianzen nicht erfüllt ist.

Die Formel für die Teststatistik lautet:

Wo:

und der Freiheitsgrad kann wie folgt definiert werden:

Der Ablehnungsbereich für den Welch-t-Take a look at hängt vom gewählten Signifikanzniveau und davon ab, ob der Take a look at einseitig oder zweiseitig ist.

Zweiseitiger Take a look at: Die Nullhypothese wird abgelehnt, wenn der Absolutwert der Teststatistik |t| größer ist als der kritische Wert der t-Verteilung mit ν Freiheitsgraden bei α/2.

Einseitiger Take a look at: Die Nullhypothese wird abgelehnt, wenn die Teststatistik t größer ist als der kritische Wert der t-Verteilung mit ν Freiheitsgraden bei α für einen Take a look at mit oberem Rand oder wenn t kleiner ist als der unfavourable kritische Wert für einen Take a look at mit unterem Rand.

• Oberseitiger Take a look at: t > tα,ν
• Unterseitiger Take a look at: t < −tα,ν

Machen wir additionally ein Beispiel mit Einseitiger Welch t-Take a look at.

Lassen Sie uns die Hypothesen aufstellen:

h0_mean <- "Inhabitants imply of Wheat manufacturing in Argentina equals that in Australia"
h1_mean <- "Inhabitants imply of Wheat manufacturing in Argentina is larger than that in Australia"

das ist ein Oberer Schwanztest, Der Ablehnungsbereich ist additionally: t > tα,ν

und indem Sie die oben angegebene Formel und dasselbe Signifikanzniveau (0,05) verwenden:

# Calculate pattern means
sample_mean_argentina <- imply(wasde_argentina$worth)
sample_mean_oz <- imply(wasde_oz$worth)
# Welch's t-test (unequal variances)
s1 <- sample_var_argentina
s2 <- sample_var_oz
t_calculated <- (sample_mean_argentina - sample_mean_oz) / sqrt(s1/n1 + s2/n2)
df <- (s1/n1 + s2/n2)^2 / ((s1^2/(n1^2 * (n1-1))) + (s2^2/(n2^2 * (n2-1))))
t_value <- qt(1 - alpha, df)
# Imply comparability consequence
if (t_calculated > t_value) {
cat("Reject H0: ", h1_mean, "n")
} else {
cat("Fail to Reject H0: ", h0_mean, "n")
}

Das Ergebnis ist Wenn wir H0 bei einem Signifikanzniveau von 5 % nicht ablehnen, dann ist der Bevölkerungsmittelwert der Weizenproduktion in Argentinien gleich dem in Australien.

So führen Sie den Welch t-Take a look at durch. Jetzt sind Sie dran. Viel Spaß beim Experimentieren!

Teil 5: Fazit

Beim Vergleichen von zwei Populationsmittelwerten während des Hypothesentests ist es sehr wichtig, zunächst zu prüfen, ob die Varianzen gleich sind. Dieser erste Schritt ist entscheidend, da er bei der Entscheidung hilft, welcher statistische Take a look at verwendet werden soll, und präzise und zuverlässige Ergebnisse garantiert. Wenn sich herausstellt, dass die Varianzen tatsächlich gleich sind, können Sie den Customary-t-Take a look at mit gepoolten Varianzen anwenden. In Fällen, in denen die Varianzen jedoch nicht gleich sind, wird empfohlen, den Welch-t-Take a look at durchzuführen.

Der Welch-T-Take a look at bietet eine gute Lösung für den Vergleich von Mittelwerten, wenn die Annahme gleicher Varianzen nicht zutrifft. Durch die Anpassung der Freiheitsgrade an die ungleichmäßigen Varianzen bietet der Welch-T-Take a look at eine präzisere und zuverlässigere Bewertung der statistischen Bedeutung des Unterschieds zwischen zwei Stichprobenmittelwerten. Diese Anpassungsfähigkeit macht ihn zu einer beliebten Wahl in verschiedenen praktischen Situationen, in denen Stichprobengrößen und Varianzen erheblich variieren können.

Zusammenfassend lässt sich sagen, dass die Genauigkeit von Hypothesentests durch die Überprüfung auf Varianzgleichheit und die Verwendung des Welch-t-Assessments bei Bedarf sichergestellt wird. Dieser Ansatz verringert die Wahrscheinlichkeit von Fehlern erster und zweiter Artwork und führt zu zuverlässigeren Schlussfolgerungen. Indem wir den geeigneten Take a look at auf der Grundlage der Varianzgleichheit auswählen, können wir die Ergebnisse sicher analysieren und fundierte Entscheidungen auf der Grundlage empirischer Beweise treffen.

Ressourcen