Yapay zeka kadar hızlı hareket eden bir sektöre ayak uydurmak zorlu bir iştir. Yani bir yapay zeka bunu sizin için yapana kadar, kendi başımıza ele almadığımız dikkate değer araştırma ve deneylerin yanı sıra, makine öğrenimi dünyasındaki son hikayelerin kullanışlı bir özetini burada bulabilirsiniz.
OpenAI bu hafta AI’da ilk yüksek öğrenim müşterisini kaydetti: Arizona Eyalet Üniversitesi.
ASU, OpenAI’nin yapay zeka destekli sohbet robotu ChatGPT’yi üniversitenin araştırmacılarına, personeline ve öğretim üyelerine sunmak için OpenAI ile işbirliği yapacak ve Şubat ayında öğretim üyelerini ve personeli ChatGPT’yi kullanma yolları hakkında fikir sunmaya davet etmek için açık bir yarışma düzenleyecek.
OpenAI-ASU anlaşması, teknoloji müfredatların ayak uydurabileceğinden daha hızlı ilerledikçe eğitimde yapay zekayla ilgili değişen fikirleri gösteriyor. Geçen yaz okullar ve kolejler, intihal ve yanlış bilgi korkusu nedeniyle ChatGPT’yi yasaklamak için harekete geçti. O zamandan beri bazıları tersine çevrilmiş bazıları ise GenAI araçları ve öğrenme potansiyelleri üzerine atölye çalışmalarına ev sahipliği yapmaya başladı.
GenAI’nin eğitimdeki rolüne ilişkin tartışmanın yakın zamanda çözülmesi pek mümkün görünmüyor. Ancak -ne olursa olsun- kendimi giderek daha fazla taraftar kampında buluyorum.
Evet, GenAI bir zayıf özetleyici. Önyargılı ve zehirlidir. Bir şeyler uyduruyor. Ama aynı zamanda iyilik için de kullanılabilir.
ChatGPT gibi bir aracın ev ödevlerinde zorlanan öğrencilere nasıl yardımcı olabileceğini düşünün. Bir matematik problemini adım adım açıklayabilir veya bir makale taslağı oluşturabilir. Veya Google’a çok daha uzun sürecek bir sorunun cevabını ortaya çıkarabilir.
Kopya çekmeye veya en azından günümüz müfredatının sınırları içinde kopya çekme olarak kabul edilebilecek durumlara ilişkin makul endişeler var. Anekdot olarak öğrencilerin, özellikle de üniversitedeki öğrencilerin, eve götürülecek sınavlarla ilgili büyük miktarda makale ve deneme soruları yazmak için ChatGPT’yi kullandıklarını duydum.
Bu yeni bir sorun değil; ücretli makale yazma hizmetleri uzun yıllardır var. Ancak bazı eğitimciler ChatGPT’nin giriş engelini önemli ölçüde azalttığını öne sürüyor.
var kanıt bu korkuların abartılı olduğunu öne sürmek. Ancak bunu bir anlığına bir kenara bırakarak, bir adım geri çekilip öğrencileri kopya çekmeye neyin sürüklediğini düşünelim derim. Öğrenciler genellikle çabaları veya anlayışları için değil, notları için ödüllendirilir. Teşvik yapısı çarpık. O halde çocukların okul ödevlerini öğrenme fırsatları olarak görmekten ziyade kontrol edilecek kutular olarak görmeleri şaşırtıcı mı?
Öyleyse öğrencilerin GenAI’ye sahip olmasına izin verin ve bırakın eğitimciler, öğrencilere bulundukları yerde ulaşmak için bu yeni teknolojiden yararlanmanın yollarını pilot olarak kullansın. Köklü bir eğitim reformu konusunda pek umudum yok. Ancak belki de GenAI, çocukları daha önce hiç keşfetmeyecekleri konular hakkında heyecanlandıracak ders planları için bir başlangıç noktası görevi görecek.
İşte son birkaç güne ait diğer AI hikayeleri:
Microsoft’un okuma öğretmeni: Microsoft bu hafta öğrencilere kişiselleştirilmiş okuma pratiği sağlayan yapay zeka aracı Okuma Koçu’nu geliştirdi. mevcut Microsoft hesabı olan hiç kimse için hiçbir ücret alınmaz.
Müzikte algoritmik şeffaflık: AB düzenleyicileri, müzik akışı platformlarında daha fazla algoritmik şeffaflığın zorunlu kılınması için yasa çağrısında bulunuyor. Ayrıca yapay zeka tarafından üretilen müzik ve deepfake’lerle de mücadele etmek istiyorlar.
NASA’nın robotları: Devin, NASA’nın kısa süre önce kendi kendini bir araya getiren robotik yapısını sergilediğini ve bunun gezegen dışına çıkmanın çok önemli bir parçası olabileceğini yazıyor.
Samsung Galaxy artık yapay zeka destekli: Samsung Galaxy S24 lansman etkinliğinde şirket, aramalar için canlı çeviri, önerilen yanıtlar ve eylemler ve hareketleri kullanarak Google aramanın yeni bir yolu da dahil olmak üzere yapay zekanın akıllı telefon deneyimini iyileştirebileceği çeşitli yolları tanıttı.
DeepMind’ın geometri çözücüsü: Google Yapay Zeka Ar-Ge laboratuvarı DeepMind, bu hafta, laboratuvarın ortalama Uluslararası Matematik Olimpiyatı altın madalyalısı kadar geometri problemini çözebileceğini iddia ettiği bir yapay zeka sistemi olan AlphaGeometry’yi tanıttı.
OpenAI ve kitle kaynak kullanımı: Diğer OpenAI haberlerinde ise girişim, gelecekteki yapay zeka modellerinin “insanlığın değerleriyle uyumlu olmasını” nasıl sağlayacağına dair halkın fikirlerini hayata geçirmek için Kolektif Hizalama adında yeni bir ekip oluşturuyor. Aynı zamanda teknolojisinin askeri uygulamalarına izin verecek şekilde politikasını da değiştiriyor. (Karışık mesajlaşma hakkında konuşun.)
Copilot için Profesyonel bir plan: Microsoft, yapay zeka destekli içerik üreten teknolojiler portföyünün şemsiye markası Copilot için tüketici odaklı ücretli bir plan başlattı ve kurumsal düzeydeki Copilot teklifleri için uygunluk koşullarını gevşetti. Ayrıca ücretsiz kullanıcılar için Copilot akıllı telefon uygulaması da dahil olmak üzere yeni özellikler de piyasaya sürüldü.
Aldatıcı modeller: Çoğu insan diğer insanları kandırma becerisini öğrenir. Peki yapay zeka modelleri de aynı şeyi öğrenebilir mi? Evet, cevap öyle görünüyor ki, korkutucu bir şekilde bu konuda olağanüstü derecede iyiler. Yapay zeka girişimi Anthropic’in yeni bir araştırmasına göre.
Tesla’nın aşamalı robotik demosu: Elon Musk’un Tesla’nın insansı robotu Optimus daha fazla iş yapıyor; bu sefer bir geliştirme tesisindeki masanın üzerinde bir tişörtü katlıyor. Ancak görünen o ki robot şu aşamada otonom olmaktan çok uzak.
Daha fazla makine öğrenimi
Yapay zeka destekli uydu analizi gibi şeylerin daha geniş uygulamalarını engelleyen şeylerden biri, oldukça ezoterik bir şekil veya konseptin ne olabileceğini anlamak için eğitim modellerinin gerekliliğidir. Bir binanın ana hatlarını belirlemek: kolay. Sel sonrası enkaz alanlarının belirlenmesi: o kadar kolay değil! EPFL’deki İsviçreli araştırmacılar bunu yapmayı kolaylaştırmayı umuyorlar METEOR adını verdikleri bir program.
Resim Kredisi: EPFL
Projenin liderlerinden biri olan Marc Rußwurm, “Çevre bilimindeki sorun, araştırma ihtiyaçlarımız için yapay zeka programlarını eğitmeye yetecek kadar büyük bir veri seti elde etmenin genellikle imkansız olmasıdır” dedi. Eğitime yönelik yeni yapıları, bir tanıma algoritmasının yalnızca dört veya beş temsili görüntüyle yeni bir görev için eğitilmesine olanak tanıyor. Sonuçlar çok daha fazla veriyle eğitilmiş modellerle karşılaştırılabilir. Planları, sıradan insanların (yani yapay zeka uzmanı olmayan araştırmacıların) kullanması için sistemi laboratuvardan ürüne bir kullanıcı arayüzü ile dönüştürmektir. Okuyabilirsin burada yayınladıkları makale.
Diğer yöne gitmek (görüntü oluşturmak) yoğun bir araştırma alanıdır çünkü bunu verimli bir şekilde yapmak, üretken yapay zeka platformlarının hesaplama yükünü azaltabilir. En yaygın yöntem, saf gürültü kaynağını kademeli olarak hedef görüntüye dönüştüren difüzyon olarak adlandırılır. Los Alamos Ulusal Laboratuvarı Karartma Yayılımı adını verdikleri yeni bir yaklaşımbunun yerine saf siyah bir görüntüden başlar.
Bu, başlangıçta gürültü ihtiyacını ortadan kaldırır, ancak asıl ilerleme, çerçevenin sürekli olmaktan ziyade “ayrık alanlarda” gerçekleşmesidir ve hesaplama yükünü büyük ölçüde azaltır. İyi performans gösterdiğini ve daha düşük maliyetle yapıldığını söylüyorlar, ancak kesinlikle geniş çapta piyasaya sürülmekten uzak. Bu yaklaşımın etkililiğini değerlendirecek yeterliliğe sahip değilim (matematik beni çok aşıyor), ancak ulusal laboratuvarlar böyle bir şeyi sebepsiz yere abartma eğiliminde değiller. Daha fazla bilgi için araştırmacılara soracağım.
Yapay zeka modelleri, sinyalleri gürültüden ayırma yeteneklerinin hem yeni bilgiler ürettiği hem de yüksek lisans öğrencilerinin veri giriş saatlerinde para tasarrufu sağladığı doğa bilimlerinin her yerinde filizleniyor.
Avustralya başvuruyor Pano AI’nin orman yangını algılama teknolojisini büyük bir ormancılık bölgesi olan “Yeşil Üçgen”e taşıyor. Startup’ların bu şekilde kullanıma sunulmasını görmek hoşuma gidiyor; bu sadece yangınların önlenmesine yardımcı olmakla kalmıyor, aynı zamanda ormancılık ve doğal kaynak otoriteleri için değerli veriler üretiyor. Kontrol edilemeyen yangınlarda (veya oradaki tabirle orman yangınlarında) her dakika önemlidir, dolayısıyla erken bildirimler onlarca ve binlerce dönümlük hasar arasındaki fark olabilir.
Soldaki eski model ve sağdaki yeni model ile ölçülen kalıcı don azalması.
Los Alamos’tan ikinci kez bahsediliyor (notlarımı gözden geçirirken fark ettim) çünkü onlar da yeni bir yapay zeka modeli üzerinde çalışıyorlar. permafrostun azalmasının tahmin edilmesi. Bunun için mevcut modeller düşük çözünürlüğe sahip ve yaklaşık 1/3 mil karelik parçalar halinde permafrost seviyelerini tahmin ediyor. Bu kesinlikle faydalıdır, ancak daha fazla ayrıntıyla, daha büyük ölçekte %100 permafrost gibi görünebilecek, ancak daha yakından baktığınızda açıkça bundan daha az olan alanlar için daha az yanıltıcı sonuçlar elde edersiniz. İklim değişikliği ilerledikçe bu ölçümlerin kesin olması gerekiyor!
Biyologlar, bu alanın birçok alt alanında yapay zeka veya yapay zekaya bitişik modelleri test etmek ve kullanmak için ilginç yollar buluyor. Yakın zamanda yapılan bir konferansta GeekWire’daki arkadaşlarım tarafından yazılmıştırZebraları, böcekleri ve hatta tek tek hücreleri takip etmeye yönelik araçlar poster oturumlarında sergileniyordu.
Fizik ve kimya tarafında ise Argonne NL araştırmacıları hidrojeni yakıt olarak kullanmak üzere en iyi şekilde nasıl paketleyebileceklerini araştırıyorlar. Serbest hidrojenin muhafaza edilmesi ve kontrol edilmesi oldukça zordur, bu nedenle onu özel bir yardımcı moleküle bağlamak onu uysal tutar. Sorun, hidrojenin hemen hemen her şeye bağlanmasıdır, dolayısıyla yardımcı moleküller için milyarlarca ve milyarlarca olasılık vardır. Ancak çok büyük veri kümelerini sıralamak bir makine öğrenimi uzmanlığıdır.
Projeden Hassan Harb, “Hidrojeni uzun süre tutan, ancak talep üzerine kolaylıkla uzaklaştırılamayacak kadar güçlü olmayan organik sıvı moleküller arıyorduk” dedi. Sistemleri 160 milyar molekülü sıraladıYapay zeka tarama yöntemini kullanarak saniyede 3 milyonu incelemeyi başardılar; yani tüm son süreç yaklaşık yarım gün sürdü. (Elbette oldukça büyük bir süper bilgisayar kullanıyorlardı.) En iyi adaylardan 41’ini belirlediler; bu, deney ekibinin laboratuvarda test etmesi için önemsiz bir sayı. Umarım işe yarar bir şeyler bulurlar; bir sonraki arabamda hidrojen sızıntısıyla uğraşmak istemiyorum.
Ancak bir uyarıyla bitirmek gerekirse: Bilim alanında bir çalışma hastaların belirli tedavilere nasıl yanıt vereceğini tahmin etmek için kullanılan makine öğrenimi modellerinin, eğitildikleri örnek grup içinde oldukça doğru olduğunu buldu. Diğer durumlarda, temelde hiç yardımcı olmadılar. Bu, kullanılmaması gerektiği anlamına gelmiyor ancak sektördeki birçok insanın söylediğini destekliyor: Yapay zeka sihirli bir değnek değildir ve uygulandığı her yeni popülasyonda ve uygulamada kapsamlı bir şekilde test edilmelidir. ile.