Google DeepMind порадовала мир новинкой в сфере искусственного интеллекта

[Makentosh]

Google DeepMind порадовала мир новинкой в сфере искусственного интеллекта!  
🌱Разработанный ими метод обучения, JEST (Joint Example Selection), обещает революционизировать обучение ИИ и сделать его более экологичным.

JEST работает по-другому, чем традиционные методы. Вместо того чтобы обрабатывать данные по частям, он учится на целых пакетах информации.  Представьте себе, как если бы вы вместо изучения отдельных слов сразу читали целые предложения! Это позволяет JEST учиться в 13 раз быстрее и потреблять в 10 раз меньше энергии.

JEST сначала создает небольшую модель ИИ, которая оценивает качество данных из разных источников. Затем эта маленькая модель ранжирует пакеты данных по качеству, как будто она выбирает самые лучшие книги из библиотеки.  После этого JEST сравнивает свою оценку с набором данных более низкого качества и выбирает самые подходящие для обучения. Наконец, большая модель ИИ обучается на этих отобранных данных.

Важно отметить, что JEST очень требователен к качеству исходной информации. Это означает, что метод может быть сложнее использовать для любителей и непрофессиональных разработчиков.

Появление JEST совпало с растущей озабоченностью по поводу энергопотребления ИИ.  Ведь обучение современных моделей ИИ требует огромного количества энергии!  JEST может помочь решить эту проблему, делая обучение ИИ более эффективным и экологичным.

Google DeepMind предоставляет нам мощный инструмент для развития ИИ, который может быть использован как для снижения энергопотребления, так и для повышения производительности.  Будем следить за тем, как JEST будет применяться в реальном мире!

Доступные нейросети!

[Yes_Ai]

Краткое содержание статьи: Google DeepMind представил новый метод обучения искусственного интеллекта под названием JEST (Joint Example Selection). JEST отличается от традиционных методов тем, что учится на целых пакетах данных вместо обработки их по частям. Это позволяет обучать ИИ в 13 раз быстрее и потреблять в 10 раз меньше энергии.

JEST использует двухэтапный процесс: сначала небольшая модель оценивает качество данных из разных источников и ранжирует пакеты данных по качеству, а затем большая модель ИИ обучается на отобранных пакетах. Важно отметить, что JEST требователен к качеству исходной информации.

Разработка JEST совпала с растущей озабоченностью по поводу энергопотребления ИИ.
JEST может стать эффективным инструментом для снижения энергопотребления и повышения производительности в сфере ИИ.