Articoli più recenti per Etica nell'AI

Esaminare come e perché le organizzazioni abbandonano algoritmi dannosi.

Un'immersione profonda nelle capacità e nei limiti di ChatGPT nell'elaborazione del linguaggio naturale.

T-Explainer offre informazioni affidabili sulle previsioni dei modelli di machine learning.

L'ottimizzazione delle preferenze soft migliora il modo in cui i modelli di linguaggio si allineano con le preferenze umane.

Questo articolo presenta un nuovo metodo per migliorare il ragionamento nei modelli linguistici.

Questo studio analizza l'efficacia dei LLM nel valutare le spiegazioni generate dall'IA.

Questo studio analizza il bias nei modelli di Apprendimento Continuo per l'imaging medico.

Esaminando i rischi e le opportunità della tecnologia AI generativa open-source.

Un nuovo metodo migliora le risposte dell'AI imparando da più fonti di feedback.

MuDreamer migliora l'apprendimento degli agenti concentrandosi sulla previsione piuttosto che sulla ricostruzione delle immagini.

Introducendo Allineamento da Dimostrazioni per modelli linguistici sicuri ed efficaci.

Una panoramica sul crescente campo della generazione di testo e le sue implicazioni.

Un nuovo metodo mescola modelli di IA deboli e forti per allinearsi ai valori umani.

Uno studio su come i modelli di linguaggio esprimono e misurano la loro fiducia.

Esplora come i modelli di linguaggio di grandi dimensioni migliorano la creatività attraverso la generazione multimediale.

Uno sguardo a come i modelli linguistici possono rappresentare credenze e le loro implicazioni.

Questo articolo esplora il ruolo dell'IA nella creazione di commedie e le sfide affrontate dai comici.

Esplorando i vantaggi dei set di regole per la modellazione predittiva etica.

Setokim migliora la fusione tra comprensione visiva e testuale grazie a un'innovativa tokenizzazione.

Un metodo per valutare l'affidabilità dei risultati dell'IA nella sanità e oltre.

Uno sguardo ai progressi nei modelli linguistici per le lingue indiche e le loro sfide.

I ricercatori hanno sviluppato il dataset GECO e GECOBench per affrontare il bias di genere nell'IA.

Esplora le sfide di supervisionare modelli di intelligenza artificiale avanzati con controparti più deboli.

Nuove tecniche puntano a sistemare gli errori nei modelli linguistici senza doverli riaddestrare completamente.

Un metodo per affinare i modelli di linguaggio riducendo gli output indesiderati durante l'allenamento.

Esaminando i cambiamenti nei bias sociali nei modelli linguistici nel tempo.

Il metodo di estensione del contesto di Mamba migliora la gestione delle lunghe sequenze senza bisogno di ulteriore addestramento.

Assicurarsi che le spiegazioni dell'IA siano chiare e affidabili per la fiducia degli utenti.

La ricerca mette in evidenza il ruolo dei neuroni della sicurezza nel migliorare la sicurezza e la responsabilità dei LLM.

Migliorare il coinvolgimento degli utenti nei grandi modelli di linguaggio-visione attraverso una comunicazione proattiva.

Esaminando gli ostacoli che gli LLM devono affrontare nella traduzione di lingue a bassa risorsa.

Dysca introduce un nuovo modo per valutare le prestazioni LVLM utilizzando dati sintetici.

Esaminare le sfide e le implicazioni del disapprendimento nei modelli di IA.

Questo articolo discute di come le personas possano migliorare la creazione di dati sintetici per l'addestramento dei modelli.

Esaminando il rapporto tra tecniche di privacy e pregiudizi nei modelli linguistici.

Esplorando come i dati sintetici influenzano i modelli di machine learning e il loro comportamento.

Ricerche recenti si immergono nelle abilità cognitive dei modelli linguistici rispetto agli umani.

Concentrati su un'AI accessibile e spiegabile per le persone con disabilità.

Questo studio esamina come i LLM valutano la propria conoscenza e il rischio di errori.

Migliorare l'esperienza utente unendo l'ergonomia cognitiva con i modelli linguistici.