ხელოვნური ინტელექტის აგენტების წარუმატებლობის დიაგნოსტიკა IT ავტომატიზაციაში: MAST და ITBench-ის კვლევა
IBM Research-ისა და UC Berkeley-ის თანამშრომლობით ჩატარებულმა კვლევამ აჩვენა, თუ როგორ იშლება აგენტური LLM სისტემები რეალურ IT ავტომატიზაციის ამოცანებში. ტრადიციული ბენჩმარკები მხოლოდ წარუმატებლობის ფაქტს აფიქსირებენ, მაგრამ არა მიზეზს. ამ პრობლემის გადასაჭრელად, მკვლევრებმა გამოიყენეს MAST (მრავალაგენტური სისტემების წარუმატებლობის ტაქსონომია) ITBench-თან ერთად, რათა დაედგინათ წარუმატებლობის სტრუქტურირებული ნიშნები. კვლევამ გამოავლინა, რომ ზოგიერთი მოდელი, როგორიცაა Gemini-3-Flash, ავლენს იზოლირ
MIT-ის ინჟინრები ხილის ბუზის უჯრედების განვითარებას წუთობრივად წინასწარმეტყველებენ
MIT-ის ინჟინრებმა შეიმუშავეს ღრმა სწავლის ახალი მოდელი, რომელსაც შეუძლია 90%-იანი სიზუსტით, წუთობრივად იწინასწარმეტყველოს, თუ როგორ მოხდება ცალკეული უჯრედების დაკეცვა, გაყოფა და გადაწყობა ხილის ბუზის ადრეულ განვითარების ეტაპზე (გასტრულაცია). მეთოდი აკონტროლებს უჯრედის პოზიციას და მეზობელ უჯრედთან კონტაქტს. მას შეუძლია ხელი შეუწყოს უფრო რთული ქსოვილებისა და ორგანოების შესწავლას, ასევე ისეთი დაავადებების ადრეულ გამოვლენას, როგორიცაა ასთმა და კიბო, და გააუმჯობესოს დიაგნოსტიკა.
MIT-ის 2025 წლის მიღწევები: ინოვაციები, გავლენა და აღიარება
2025 წელს, MIT-ის მკვლევრებმა და ფაკულტეტმა სათაურები დაიკავეს მეცნიერების, ტექნოლოგიისა და განათლების მრავალ სფეროში. მათ შორისაა გარღვევები კვანტურ გამოთვლებში, ხელოვნურ ინტელექტში, ჯანდაცვასა და კიბოს დიაგნოსტიკაში. ინსტიტუტი აღიარებულია თავისი უზარმაზარი ეკონომიკური გავლენით, პრაქტიკული სწავლების მიდგომით და აკადემიური თავისუფლების დაცვის ვალდებულებით. სტუდენტებისთვის ხელმისაწვდომი განათლებისა და მომზადებული სამუშაო ძალის შექმნის მიზნით, MIT აგრძელებს მსოფლიოში ინოვაციური აზროვნებისა და კვლე
MIT-ის მკვლევრები: მანქანური სწავლების მოდელები ახალ გარემოში მარცხდება, რაც ფართო ტესტირების აუცილებლობას უსვამს ხაზს
MIT-ის მკვლევრებმა დაადგინეს, რომ მანქანური სწავლების მოდელები, თუნდაც დიდი მოცულობის მონაცემებზე გაწვრთნილი და თავდაპირველ გარემოში კარგად მოქმედი, შესაძლოა მნიშვნელოვნად ჩავარდნენ, როდესაც ისინი ახალ, განსხვავებულ მონაცემებზე გამოიყენება. ეს ხშირად ხდება „მცდარი კორელაციების“ გამო, რომლებსაც მოდელი სასწავლო მონაცემებიდან ითვისებს, რაც იწვევს არასანდო პროგნოზებსა და მიკერძოებულ გადაწყვეტილების მიღებას, განსაკუთრებით ისეთ კრიტიკულ სფეროებში, როგორიცაა სამედიცინო დიაგნოსტიკა. მიგნებები ხაზს უსვამ
MIT-ის პრეზიდენტი სალი კორნბლუტი და ასისტენტ-პროფესორი ჯონ ურშელი GBH-ის ეთერში
MIT-ის პრეზიდენტმა სალი კორნბლუტმა და ასისტენტ-პროფესორმა ჯონ ურშელმა მონაწილეობა მიიღეს GBH-ის გადაცემებში „Boston Public Radio“ და „The Curiosity Desk“. კორნბლუტმა ისაუბრა MIT-ზე, კვლევების გამოწვევებზე, მეცნიერების მნიშვნელობასა და უნივერსიტეტის ფინანსებზე, ურშელმა კი ფეხბურთზე მათემატიკის სიყვარული განიხილა. „The Curiosity Desk“ ასევე უმასპინძლებს MIT-ის სხვა სტუმრებს, რომლებიც საკვერცხის კიბოს დიაგნოსტიკასა და ფიგურულ სრიალში ხელოვნური ინტელექტის გამოყენებას განიხილავენ.