ԱԲ-ն կդառնա ավելի ճշգրիտ. Շվեյցարացի գիտնականները մշակել են նեյրոցանցերի պատասխանների հուսալիությունը բարձրացնելու մեթոդ

ԱԲ-ի խնդիրը. սխալներ վստահ պատասխաններում

Ժամանակակից լեզվական մոդելները հաճախ սխալվում են՝ տեղեկատվության մշակման անորոշության պատճառով: Օրինակ, «Քանի՞ տարեկան է Ռոջեր Ֆեդերերը, և քանի՞ երեխա ունի նա» հարցին ԱԲ-ն կարող է նշել միայն տարիքը՝ անտեսելով ընտանիքի մասին տվյալները, կամ հորինել գոյություն չունեցող փաստեր: Խնդիրը մոդելների կողմից տեղեկատվության ընտրության մեջ է. նրանք կա՛մ հենվում են թերի տվյալների վրա, կա՛մ «կպչում» են մեկ թեմայի՝ կորցնելով համատեքստը:

Ցյուրիխի շվեյցարացի գիտնականները մշակել են SIFT (Semantically Informed Feature Transformation) ալգորիթմը, որը լուծում է այս խնդիրը՝ ընտրելով տվյալներ, որոնք առավելագույնս լրացնում են հարցը: Սա ոչ թե պարզապես «նման» բառերի որոնում է, այլ բարդ վերլուծություն, որը պատասխանները դարձնում է ավելի ամբողջական և ճշգրիտ:

Ինչպե՞ս է աշխատում SIFT-ը

SIFT-ը օգտագործում է մաթեմատիկական մոտեցում՝ հիմնված բառերի և դրանց իմաստների բազմաչափ տարածության մեջ վեկտորների վրա, որտեղ դրանք ներկայացված են որպես կետեր: Որքան մոտ են վեկտորները, այնքան բարձր է նրանց սեմանտիկ կապը: Բայց «ամենամոտ հարևանի» մեթոդով մոտակա տվյալներ ընտրելու փոխարեն, SIFT-ը փնտրում է տեղեկատվություն, որը լրացնում է համատեքստը՝ խուսափելով կրկնություններից:

Օրինակ.

• Հարց. «Քանի՞ տարեկան է Ռոջեր Ֆեդերերը, և քանի՞ երեխա ունի նա»:
• Սովորական ԱԲ. Գտնում է ծննդյան ամսաթիվը (1981) և նշում տարիքը (44 տարեկան 2025 թվականին), բայց բաց է թողնում երեխաների մասին տվյալները:
• SIFT. Վերլուծում է երկու ասպեկտները, ընտրում է տարիքի և ընտանիքի մասին տեղեկություն (Ֆեդերերն ունի չորս երեխա) և կազմում ամբողջական պատասխան:

Ալգորիթմն աշխատում է երեք քայլով.

1. Հարցի վերլուծություն. Այն բաժանում է հիմնական սեմանտիկ տարրերի:
2. Տվյալների որոնում. Ընտրում է աղբյուրներ, որոնք ընդգրկում են բոլոր տարրերը՝ խուսափելով ավելորդ տեղեկատվությունից:
3. Պատասխանի սինթեզ. Համատեղում է տվյալները տրամաբանական և ճշգրիտ տեքստի մեջ:

Ինչո՞ւ է SIFT-ը բեկումնային

SIFT-ը ոչ միայն բարելավում է պատասխանների որակը, այլև փոխում է ԱԲ-ի աշխատանքի մոտեցումը.

• Ճշգրտություն. Փորձարկումներում SIFT-ը գերազանցել է լավագույն լեզվական մոդելներին, ինչպիսին է GPT-4-ը, բազմակողմանի պատասխաններ պահանջող խնդիրներում:
• Արդյունավետություն. SIFT օգտագործող մոդելը 40 անգամ ավելի փոքր էր ծավալով, քան մրցակիցները, բայց ցույց է տվել համեմատելի կամ ավելի լավ կատարողականություն: Սա նվազեցնում է հաշվարկային ծախսերը, ինչը կարևոր է այնպիսի սարքերի համար, ինչպիսիք են iPhone 17-ը կամ Xiaomi Mijia S800 խելացի կշեռքները:
• Հարմարվողականություն. SIFT-ը հաշվարկների ծավալը հարմարեցնում է հարցի բարդությանը՝ խնայելով ռեսուրսներ պարզ խնդիրների համար և խորանալով բարդերի մեջ:

Հետազոտողները նշում են, որ մեթոդն ունիվերսալ է: Օրինակ, բժշկության մեջ SIFT-ը կարող է առանձնացնել ախտորոշման համար կարևոր լաբորատոր ցուցանիշները՝ զտելով ավելորդ տվյալները: Բիզնեսում այն կարող է վերլուծել շուկայի միտումները, ինչպես Սյունանում, որտեղ ԱԲ-ն օգնում է կանխատեսել պահանջարկը: Գիտության մեջ՝ մշակել առաքելությունների տվյալները, ինչպիսիք են «Չանգե-6»-ը կամ երկնաքարերի ուսումնասիրությունը:

Կապ այլ բացահայտումների հետ

SIFT-ը համահունչ է 2025 թվականի այլ հետազոտություններին.

• ԱԲ և սոցիալական ընկալում. JHU-ի հետազոտությունը ցույց է տվել, որ ԱԲ-ն զիջում է մարդկանց սոցիալական տեսանյութերի վերլուծության մեջ: SIFT-ը կարող է բարելավել նման մոդելները՝ ավելացնելով համապատասխան համատեքստ:
• Տիեզերք. Ալգորիթմը հարմար է աստղադիտակների տվյալները մշակելու համար, օրինակ՝ BD+05 4868 Ab գոլորշիացող մոլորակի ուսումնասիրության ժամանակ, որտեղ անհրաժեշտ են ճշգրիտ եզրակացություններ բարդ սպեկտրներից:
• Կլիմա. SIFT-ը կարող է օպտիմիզացնել եղանակային մոդելների վերլուծությունը՝ օգնելով Nature Communications-ի կլիմայագետներին կանխատեսել ջերմաստիճանի տատանումները:

X-ի օգտատերերը հիացած են. «SIFT-ը նման է ԱԲ-ին ակնոց հագցնելուն, որպեսզի նա ավելի հստակ տեսնի»: Ոմանք կատակում են. «Այժմ Grok-ը Ֆեդերերին Նադալի հետ չի շփոթի»:

Սահմանափակումներ և հեռանկարներ

SIFT-ը դեռ փորձարկվել է սահմանափակ տվյալների բազաների վրա, և դրա ներդրումը Grok-ի կամ ChatGPT-ի նման մոդելներում ժամանակ կպահանջի: Մեկ այլ դժվարություն է ուսուցման համար որակյալ և բազմազան տվյալների հասանելիությունը: Բայց ներուժը հսկայական է. մեթոդը կարող է ԱԲ-ն ավելի հուսալի դարձնել կրիտիկական ոլորտներում՝ ինքնավար մեքենաներից մինչև բժշկական չաթ-բոտեր:

Շվեյցարացիները պլանավորում են կատարելագործել SIFT-ը՝ ավելացնելով տեսանյութերի և ձայնի աջակցություն, որպեսզի այն կարողանա վերլուծել տեսարաններ, ինչպես JHU-ի փորձարկումում: 2026 թվականին, հաշվողական հզորությունների աճով (օրինակ՝ iPhone 18-ի չիպերում), SIFT-ը կարող է դառնալ կոմպակտ ԱԲ մոդելների ստանդարտ: