Naukowcy z MIT otwieraj\u0105 nowe horyzonty w dziedzinie sztucznej inteligencji. W ramach znacz\u0105cego prze\u0142omu zaprezentowali technik\u0119, kt\u00f3ra znacznie poprawia zdolno\u015b\u0107 generatywnych modeli sztucznej inteligencji do radzenia sobie w sytuacjach o wysokiej stawce. Takie scenariusze wymagaj\u0105 rozwi\u0105za\u0144, kt\u00f3re rygorystycznie spe\u0142niaj\u0105 wymogi dotycz\u0105ce bezpiecze\u0144stwa, warunk\u00f3w fizycznych lub konkretnych zada\u0144, znane r\u00f3wnie\u017c jako \u201csztywne ograniczenia\u201d. Typowe rozwi\u0105zania nie wystarcz\u0105 \u2013 potrzebne s\u0105 wyniki, kt\u00f3re spe\u0142niaj\u0105 wszystkie kryteria tych istotnych ogranicze\u0144.<\/p>\n
Zamiast czu\u0107 si\u0119 przypartym do muru przez te surowe ograniczenia, zesp\u00f3\u0142 z MIT znalaz\u0142 spos\u00f3b, by wykorzysta\u0107 je na swoj\u0105 korzy\u015b\u0107. Naukowcy opracowali metod\u0119, kt\u00f3ra pozwala modelom generatywnym spe\u0142nia\u0107 te rygorystyczne wymagania bez zmniejszania jasno\u015bci pierwotnych wynik\u00f3w. Osi\u0105gn\u0119li to poprzez zapewnienie modelowi wi\u0119kszej swobody dzia\u0142ania podczas procesu generowania. Dopiero gdy ostateczny wynik by\u0142 ju\u017c na wyci\u0105gni\u0119cie r\u0119ki, zastosowali sztywne ograniczenia. W ten spos\u00f3b unikn\u0119li hamowania kreatywno\u015bci modelu na ka\u017cdym po\u015brednim etapie.<\/p>\n
Ta pomys\u0142owa metoda pozwoli\u0142a pokona\u0107 powa\u017cne ograniczenia wyst\u0119puj\u0105ce w r\u00f3\u017cnych eksperymentach, wykazuj\u0105c swoj\u0105 wszechstronno\u015b\u0107 w takich dziedzinach, jak robotyka, sterowanie procesami fizycznymi oraz wizja komputerowa. Uda\u0142o si\u0119 jej nawet znale\u017a\u0107 rozwi\u0105zania lepsze ni\u017c te oferowane przez dotychczasowe techniki. Co wi\u0119cej, metod\u0119 t\u0119 mo\u017cna z \u0142atwo\u015bci\u0105 zastosowa\u0107 do wst\u0119pnie wytrenowanych modeli generatywnych, co eliminuje konieczno\u015b\u0107 czasoch\u0142onnego ponownego trenowania.<\/p>\n
Jeden z badaczy, Navid Azizan, twierdzi, \u017ce pomimo potencja\u0142u generatywnej sztucznej inteligencji w zakresie odwzorowywania bogatej przestrzeni mo\u017cliwo\u015bci, realia \u015bwiata rzeczywistego nak\u0142adaj\u0105 ograniczenia na zakres dopuszczalnych wynik\u00f3w. Wed\u0142ug Azizana pi\u0119kno tego podej\u015bcia polega na zdolno\u015bci do eksplorowania ogromnego potencja\u0142u generatywnej sztucznej inteligencji przy jednoczesnym przestrzeganiu niepodwa\u017calnych wymaga\u0144 sytuacji o wysokiej stawce. Azizan nie jest osamotniony w swoich pracach. W badaniach tych towarzysz\u0105 mu Zeyang Li i Kaveh Alim, obaj doktoranci MIT. Artyku\u0142 na temat ich bada\u0144 jest dost\u0119pny na stronie Serwis informacyjny MIT<\/a> a wyniki ich bada\u0144 zosta\u0142y opublikowane w Czasopismo IEEE \u201eTransactions on Pattern Analysis and Machine Intelligence\u201d<\/em>.<\/p>\n Wst\u0119pnie wytrenowane generatywne modele sztucznej inteligencji, takie jak Stable Diffusion, oraz modele dopasowuj\u0105ce przep\u0142yw, np. FLUX, nie s\u0105 obce trudnym wyzwaniom. Jednak w krytycznych sytuacjach, takich jak planowanie trasy robota w ruchliwym \u015brodowisku fabrycznym, sytuacja \u201co w\u0142os od kolizji\u201d mo\u017ce ostatecznie zako\u0144czy\u0107 si\u0119 katastrofalnym zderzeniem. Wyobra\u017amy sobie, \u017ce \u201eprawie poprawna\u201d \u015bcie\u017cka robota prowadzi do zderzenia z pracownikiem. Unikanie takich problem\u00f3w ma kluczowe znaczenie i w\u0142a\u015bnie w tym miejscu pojawiaj\u0105 si\u0119 wyniki tych bada\u0144.<\/p>\n Poznajcie HardFlow \u2013 nowy algorytm opracowany przez naukowc\u00f3w. HardFlow przekszta\u0142ca pr\u00f3bkowanie z twardymi ograniczeniami w problem optymalizacji trajektorii. Wykorzystuje narz\u0119dzia z dziedziny sterowania optymalnego, co pozwala na subtelne kierowanie trajektori\u0105 pr\u00f3bkowania modelu w stron\u0119 celu, jednocze\u015bnie wprowadzaj\u0105c niezb\u0119dne korekty i egzekwuj\u0105c twarde ograniczenia dotycz\u0105ce ko\u0144cowego wyniku. Innymi s\u0142owy, dzia\u0142a to jak prowadz\u0105ca r\u0119ka, wskazuj\u0105ca drog\u0119 do \u0142atwiejszego do opanowania rozwi\u0105zania, przy jednoczesnym przestrzeganiu istotnych zasad pierwotnego problemu.<\/p>\n Co imponuj\u0105ce, dzi\u0119ki technice opracowanej przez zesp\u00f3\u0142 z MIT system HardFlow osi\u0105gn\u0105\u0142 idealn\u0105 zgodno\u015b\u0107 z ograniczeniami. Pod wzgl\u0119dem jako\u015bci rozwi\u0105za\u0144 przewy\u017cszy\u0142 on nawet metody referencyjne. Przyk\u0142adem tego sukcesu jest manipulator robotyczny, kt\u00f3ry potrafi unika\u0107 kolizji, wyznaczaj\u0105c jednocze\u015bnie najszybsz\u0105 \u015bcie\u017ck\u0119 do obiektu docelowego \u2013 a wszystko to bez wyd\u0142u\u017cania czasu oblicze\u0144.<\/p>\n Zesp\u00f3\u0142 nie zamierza na tym poprzesta\u0107 \u2013 planuje rozszerzy\u0107 t\u0119 platform\u0119 na sytuacje, w kt\u00f3rych sam model sztucznej inteligencji b\u0119dzie m\u00f3g\u0142 ewoluowa\u0107, co mog\u0142oby doprowadzi\u0107 do bardziej adaptacyjnych usprawnie\u0144 w zakresie spe\u0142niania ogranicze\u0144 i jako\u015bci pr\u00f3bek. Je\u015bli chcesz dowiedzie\u0107 si\u0119 wi\u0119cej o tym, jak mo\u017cemy wykorzysta\u0107 sztuczn\u0105 inteligencj\u0119 do usprawnienia i poprawy dzia\u0142alno\u015bci operacyjnej, zapraszamy do zapoznania si\u0119 z tym, jak firma implementi.ai wykorzystuje najnowocze\u015bniejsze technologie sztucznej inteligencji.<\/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\/pl\/wp-json\/wp\/v2\/posts\/9580","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=9580"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/9580\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/9581"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=9580"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=9580"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=9580"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Odkrywanie \u015bwiata aplikacji<\/h5>\n<\/p>\n