در دنیای پیچیده امروز، وقتی شرکتها میخواهند مدلهای زبانی بزرگ (LLM) خود را برای وظایف جدید تنظیم کنند، با خطر از دست دادن اطلاعات قبلی مواجه میشوند. اما پژوهشگران MIT و دو مؤسسه دیگر، روشی به نام اصلاح خود-تقطیع (SDFT) ایجاد کردهاند که به این مدلها اجازه میدهد مهارتها و دانش جدیدی یاد بگیرند بدون اینکه تواناییهای قبلی خود را فراموش کنند.
این روش به مدلها کمک میکند با استفاده از یادگیری در موقعیت (ICL)، به شکل مستقیم از نمایشها و آزمایشهای خود یاد بگیرند. نتایج آزمایشها نشان داده که SDFT به طور مداوم از روشهای سنتی بهتر عمل میکند و میتواند برای کسبوکارها مدلهای هوش مصنوعی تطبیقپذیرتری بسازد که در محیطهای پویای تجاری بدون نیاز به چرخههای دوبارهآموزشی گرانقیمت، به جمعآوری دانش و مهارتهای جدید میپردازند.
در آزمایشهای انجام شده، مدل SDFT توانست در وظایفی مثل پرسش و پاسخ علمی به دقت 70.2 درصد برسد، در حالی که روشهای سنتی عملکرد کمتری داشتند. این در حالی است که مدل SDFT توانست دانش قبلی خود را حفظ کند و تواناییهای جدیدی را بهبود بخشد؛ این ویژگی میتواند مشکلات اساسی شرکتها در مدیریت مدلهای مختلف برای وظایف متفاوت را حل کند.
تحلیل و بررسی: در دنیای پررقابت فعلی، بهینهسازی یادگیری هوش مصنوعی با روشهایی مثل SDFT میتواند یک تحول عظیم باشد. در آینده شاهد خواهیم بود که چنین روشهای نوآورانهای به شرکتها کمک میکند تا مدلهای هوش مصنوعی خود را به شکلی کارآمدتر و کمهزینهتر مدیریت کنند. همچنان که این فناوری پیشرفت میکند، میتواند به یک استاندارد جدید در آموزش مدلهای هوش مصنوعی تبدیل شود.
منبع: VentureBeat (مشاهده متن اصلی)
n8n.ir/iit102l
کپی شد!