-
Mesterséges intelligencia és politika a tengeri kibervédelem élvonalában
Strahinja Janjusevic, a montenegrói származású fiatal kutató váratlan úton jutott el a globális kibervédelem egyik kulcsfontosságú területére: a tengeri infrastruktúra védelméhez. Az amerikai haditengerészeti akadémián szerzett tapasztalatai és a MIT mesterséges intelligencia és politika programjában végzett kutatásai révén olyan innovatív megoldásokkal foglalkozik, amelyek a hajók és tengeri rendszerek kibertámadások elleni védelmét szolgálják. A tengeri kibervédelem kihívásai A hajók és a hozzájuk kapcsolódó rendszerek egyre inkább ki vannak téve a kibertámadások veszélyének, amelyek nem csupán anyagi károkat okozhatnak, hanem komoly nemzetbiztonsági kockázatot is jelentenek. Különösen a GPS-jel hamisítások (spoofing) jelentenek súlyos fenyegetést, amelyek révén ellenséges felek eltéríthetik a hajókat a kijelölt útvonaltól, akár konfliktusos tengeri területeken is. Janjusevic kutatása éppen ezen…
-
Mesterséges intelligencia az állatvilág nyomában: SpeciesNet
A mozgásérzékelős kamerák forradalmasítják az állatvilág megfigyelését: nemcsak a természetjárók vagy parkkezelők kapnak betekintést a helyi vadvilág mindennapjaiba, hanem a kutatók is hatalmas mennyiségű képet gyűjthetnek össze. Ezeknek a képeknek az manuális feldolgozása azonban rengeteg időt venne igénybe. Ebben nyújt segítséget a Google által fejlesztett SpeciesNet, egy mesterséges intelligencia alapú rendszer, amely több mint 2400 állatfajt képes felismerni és kategorizálni automatikusan, felgyorsítva ezzel a természetvédelmi kutatásokat. Forradalom a vadmegfigyelésben Napjainkban szinte minden hatékony vadmegfigyelési program a mozgásérzékelős kamerákra épül. Ezeket a kamerákat általában fákra szerelik, és az állatok hője vagy mozgása indítja el az automatikus fotózást. A technológia egyre megfizethetőbbé válik, így egy-egy projekt már akár száz vagy ezer kamerát…
-
Sequential Attention: Az AI modellek gyorsabb és hatékonyabb működése
A mesterséges intelligencia fejlődésével párhuzamosan egyre nagyobb kihívást jelent, hogy a gépi tanulás és a mélytanulás során megtaláljuk a legfontosabb bemeneti jellemzőket, azaz a feature-ket. Ezek a jellemzők a modell teljesítményének sarokkövei, ám a nagy mennyiségű adat és a bonyolult, nemlineáris összefüggések miatt a kiválasztásuk nem egyszerű feladat. A Google kutatói által kifejlesztett Sequential Attention (Szekvenciális Figyelem) egy innovatív megoldás, amely képes hatékonyan és gyorsan megtalálni a legértékesebb részeket anélkül, hogy a modell pontosságából engedne. A feature kiválasztás nehézségei a modern AI-ban A feature selection, vagyis a jellemzők kiválasztása alapvető lépés a gépi tanulásban, amikor a lényegtelen vagy ismétlődő információkat igyekszünk kiszűrni a bemeneti adatok közül. Ez azonban matematikailag egy…
-
Pruna 0.3.2: Új algoritmusok és hatékonyabb modellezés
A mesterséges intelligencia modellek optimalizálása folyamatosan fejlődik, és ebben a folyamatban kiemelkedő szerepet játszik a nyílt forráskódú Pruna keretrendszer. A legfrissebb, 0.3.2-es verzióval a Pruna újabb mérföldkőhöz érkezett, hiszen jelentősen bővült az algoritmusok és optimalizációs eszközök tárháza, miközben az összeférhetőség és a használhatóság is javult. Ez az update nem csak új funkciókat hoz, hanem a már meglévő családokat is tovább fejleszti, így még több lehetőséget kínál a modellek hatékonyabb futtatására. Bővülő algoritmuscsaládok és új megoldások A Pruna 0.3.2 legnagyobb újdonsága a jelentős algoritmuskészlet-bővítés. Az optimalizációs eszköztár mostantól számos új algoritmust és egész új algoritmuscsaládokat tartalmaz, mint például a Decoders, Distillers, Enhancers és Recoverers. Ezek az új családok különböző megközelítésekkel segítik…
-
Így hódította meg az NVIDIA AI-Q a DeepResearch ranglistákat
Az NVIDIA AI-Q mélytanuló kutatóügynöke nemrégiben az első helyet szerezte meg mindkét DeepResearch Bench I és II ranglistán, amelyek a legfontosabb mércéknek számítanak a kutatóügynökök teljesítményének értékelésében. Ez a siker nem csupán egyéni győzelem: jól mutatja, hogy egy nyílt, konfigurálható és fejlesztőbarát rendszer képes a mesterséges intelligencia kutatás élvonalába kerülni. Az AI-Q egy olyan újítás, amely megmutatja, hogy a vállalati és webes adatokat feldolgozó, jól idézhető, átlátható válaszokat adó AI-ügynökök jövője ma már elérhető közelségben van. Miért fontos a két benchmark együttes megnyerése? A DeepResearch Bench I és II két különböző, de egymást kiegészítő szempont alapján értékeli a kutatóügynököket. Az első benchmark a jelentések minőségét vizsgálja, kiemelve a részletességet, az…
