Forscher des MIT beschreiten neue Wege auf dem Gebiet der k\u00fcnstlichen Intelligenz. In einer bedeutenden Entwicklung haben sie eine Technik vorgestellt, die die Leistungsf\u00e4higkeit generativer KI-Modelle im Umgang mit Situationen von hoher Tragweite erheblich verbessert. Solche Szenarien erfordern L\u00f6sungen, die strenge sicherheitsrelevante, physikalische oder aufgabenspezifische Anforderungen \u2013 auch als \u201charte Einschr\u00e4nkungen\u201d bezeichnet \u2013 erf\u00fcllen. Herk\u00f6mmliche L\u00f6sungen reichen nicht aus \u2013 erforderlich sind Ergebnisse, die alle Kriterien dieser wichtigen Vorgaben erf\u00fcllen.<\/p>\n
Anstatt sich durch diese strengen Vorgaben in die Enge getrieben zu f\u00fchlen, hat das MIT-Team tats\u00e4chlich einen Weg gefunden, sie zu seinem Vorteil zu nutzen. Die Forscher entwickelten eine Methode, die es generativen Modellen erm\u00f6glicht, diese strengen Anforderungen zu erf\u00fcllen, ohne die Helligkeit ihrer urspr\u00fcnglichen Ergebnisse zu verringern. Dies gelang ihnen, indem sie dem Modell w\u00e4hrend des Generierungsprozesses mehr Spielraum einr\u00e4umten. Erst als das Endergebnis in Sicht war, setzten sie die strengen Vorgaben durch. Auf diese Weise vermieden sie es, die Kreativit\u00e4t des Modells in jedem Zwischenschritt einzuschr\u00e4nken.<\/p>\n
Diese geniale Methode \u00fcberwand in verschiedenen Experimenten gro\u00dfe Einschr\u00e4nkungen und stellte damit ihre Vielseitigkeit in Bereichen wie Robotik, Steuerung physikalischer Prozesse und Computer Vision unter Beweis. Sie lieferte sogar L\u00f6sungen, die den bereits vorhandenen Techniken \u00fcberlegen waren. Dar\u00fcber hinaus l\u00e4sst sich diese Methode problemlos auf vortrainierte generative Modelle anwenden, wodurch ein zeitaufw\u00e4ndiges Nachtrainieren entf\u00e4llt.<\/p>\n
Einer der Forscher, Navid Azizan, argumentiert, dass generative KI zwar das Potenzial habe, einen vielf\u00e4ltigen Raum an M\u00f6glichkeiten abzubilden, die Realit\u00e4ten der realen Welt jedoch Einschr\u00e4nkungen hinsichtlich der Bandbreite akzeptabler Ergebnisse auferlegten. Das Besondere an ihrem Ansatz liegt laut Azizan darin, dass er es erm\u00f6glicht, das enorme Potenzial generativer KI auszuloten und gleichzeitig die unverzichtbaren Anforderungen von Situationen mit hohem Risiko zu erf\u00fcllen. Azizan ist bei seiner Arbeit nicht auf sich allein gestellt. An dieser Forschung arbeiten neben ihm auch Zeyang Li und Kaveh Alim mit, beides Doktoranden am MIT. Ein Artikel \u00fcber ihre Forschung ist verf\u00fcgbar unter MIT-Nachrichtenseite<\/a> und ihre Ergebnisse wurden in der IEEE Transactions on Pattern Analysis and Machine Intelligence<\/em>.<\/p>\n Vortrainierte generative KI-Modelle wie \u201cStable Diffusion\u201d und Flow-Matching-Modelle wie \u201eFLUX\u201c sind an schwierige Herausforderungen gew\u00f6hnt. In kritischen Szenarien, wie beispielsweise bei der Wegplanung von Robotern in einer belebten Fabrikumgebung, kann ein Beinaheunfall jedoch zu einem katastrophalen Zusammensto\u00df f\u00fchren. Stellen Sie sich vor, die \u201efast korrekte\u201c Bahn eines Roboters w\u00fcrde zu einer Kollision mit einem menschlichen Kollegen f\u00fchren. Die Vermeidung solcher Probleme ist von entscheidender Bedeutung, und genau hier setzt diese Forschung an.<\/p>\n Lernen Sie HardFlow kennen \u2013 den neuen, von den Forschern entwickelten Algorithmus. HardFlow formuliert die Stichprobenentnahme unter strengen Nebenbedingungen als Problem der Trajektorienoptimierung neu. Dabei kommen Werkzeuge aus dem Bereich der optimalen Steuerung zum Einsatz, die es erm\u00f6glichen, die Stichprobentrajektorie des Modells subtil auf ein Ziel hin zu lenken, w\u00e4hrend gleichzeitig notwendige Korrekturen vorgenommen und strenge Nebenbedingungen f\u00fcr das Endergebnis durchgesetzt werden. Mit anderen Worten: Es ist wie eine f\u00fchrende Hand, die den Weg zu einer besser handhabbaren L\u00f6sung weist und dabei die wichtigen Regeln des urspr\u00fcnglichen Problems einh\u00e4lt.<\/p>\n Beeindruckenderweise f\u00fchrte die vom MIT-Team entwickelte Technik dazu, dass HardFlow eine perfekte Erf\u00fcllung der Nebenbedingungen erreichte. Sogar hinsichtlich der L\u00f6sungsqualit\u00e4t \u00fcbertraf es die Basismethoden. Ein Beispiel f\u00fcr diesen Erfolg ist ein Robotermanipulator, der Kollisionen vermeiden kann, w\u00e4hrend er den schnellsten Weg zu einem Zielobjekt ermittelt \u2013 und das alles ohne Einbu\u00dfen bei den Rechenzeiten.<\/p>\n Das Team gibt sich damit jedoch nicht zufrieden und plant, dieses Rahmenwerk auf Situationen auszuweiten, in denen sich das KI-Modell selbst weiterentwickeln kann, was zu anpassungsf\u00e4higeren Verbesserungen bei der Erf\u00fcllung von Einschr\u00e4nkungen und der Stichprobenqualit\u00e4t f\u00fchren k\u00f6nnte. Wenn Sie mehr dar\u00fcber erfahren m\u00f6chten, wie wir KI zur Optimierung und Verbesserung von Abl\u00e4ufen einsetzen k\u00f6nnen, schauen Sie sich gerne an, wie implementi.ai modernste KI-Technologien nutzt.<\/p>","protected":false},"excerpt":{"rendered":" MIT researchers are breaking new ground in the field of artificial intelligence. In a significant development, they have unveiled a technique that greatly improves the capability of generative AI models in addressing high-stakes situations. Such scenarios demand solutions that rigorously meet safety, physical, or task-specific requirements, otherwise known as “hard constraints”. Typical solutions won’t do – what’s needed are outputs that meet every checkbox of these important strictures. A New Method for Generative Models Rather than feeling cornered by these hard constraints, the MIT team has actually found a way to use them to their advantage. The researchers developed a […]<\/p>\n","protected":false},"author":4,"featured_media":9581,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46],"tags":[],"class_list":["post-9580","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/9580","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=9580"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/9580\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/9581"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=9580"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=9580"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=9580"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Eine Welt voller Anwendungsm\u00f6glichkeiten erschlie\u00dfen<\/h5>\n<\/p>\n