गूगल की रिसर्च टीम ने हाल ही में टाइम्सएफएम (टाइम सीरीज़ फाउंडेशन मॉडल) 2.0 लॉन्च किया है, जो टाइम सीरीज़ प्रेडिक्शन के लिए डिज़ाइन किया गया एक पूर्व-प्रशिक्षित मॉडल है। यह मॉडल समय श्रृंखला की भविष्यवाणी की सटीकता को बढ़ाने के लिए बनाया गया है और ओपन-सोर्स और वैज्ञानिक साझाकरण के माध्यम से कृत्रिम बुद्धिमत्ता के विकास को प्रोत्साहित करता है। टाइम्सएफएम 2.0 मॉडल में शक्तिशाली क्षमताएँ हैं, जो एकल चर टाइम सीरीज़ प्रीडिक्शन के लिए 2048 समय बिंदुओं तक संभाल सकता है, और किसी भी भविष्यवाणी के समय अंतराल का समर्थन करता है। यह ध्यान देने योग्य है कि यद्यपि मॉडल के प्रशिक्षण की अधिकतम संदर्भ लंबाई 2048 है, लेकिन

मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी (MIT) ने इस सप्ताह एक पूरी तरह से नए रोबोट प्रशिक्षण मॉडल का प्रदर्शन किया, जिसने पूर्व के विशिष्ट डेटा सेट पर केंद्रित प्रशिक्षण विधियों को छोड़ दिया है और बड़े भाषा मॉडल (LLMs) के प्रशिक्षण में उपयोग की जाने वाली विशाल जानकारी को अपनाया है। शोधकर्ताओं ने指出 किया कि अनुकरणीय शिक्षण - यानी एजेंटों द्वारा कार्यों को पूरा करने वाली व्यक्तियों की नकल करके सीखना - छोटे चुनौतियों का सामना करते समय विफल हो सकता है। ये चुनौतियाँ विभिन्न प्रकाशन स्थितियों, विभिन्न पर्यावरण सेटिंग्स या नए बाधाओं जैसे कारकों को शामिल कर सकती हैं। इन परिस्थितियों में, रोबोट के पास इन परिवर्तनों के अनुकूलन के लिए पर्याप्त डेटा नहीं होता है।

AI प्रौद्योगिकी के विकास के साथ, अध्ययन परिदृश्यों में कई कठिन प्रश्न प्रभावी ढंग से हल किए जा सकते हैं। 1 नवंबर को, क्वार्क ने 'AI प्रश्न खोज' उत्पाद का व्यापक रूप से अद्यतन किया, जिससे प्रश्न खोजने और हल करने की प्रक्रिया और भी तेज और प्रभावी हो गई। उपयोगकर्ता मोबाइल, टैबलेट, कंप्यूटर जैसे उपकरणों के माध्यम से विभिन्न नए और कठिन प्रश्न खोज सकते हैं, AI चरण-दर-चरण प्रश्नों की व्याख्या भी करेगा और उपयोगकर्ताओं को किसी भी समय प्रश्न पूछने की अनुमति देगा। 'इक्विंप्ली AI सेवा' और 'सिस्टम स्तर की पूर्ण दृश्य AI क्षमताओं' को प्रति पेश करने के बाद, क्वार्क AI क्षमताएँ अध्ययन परिदृश्यों में जमीन पर उतरती हैं, जिससे उपयोगकर्ताओं की अध्ययन क्षमताओं और दक्षता में सुधार होता है। क्वार्क 'AI प्रश्न खोज' निर्माण।

आधुनिक संबंध डेटाबेस में, कार्डिनालिटी अनुमान (CE) तकनीक क्वेरी निष्पादन योजना को अनुकूलित करने के लिए अत्यंत महत्वपूर्ण है, जो सीधे क्वेरी की दक्षता और डेटाबेस के प्रदर्शन को प्रभावित करती है। पारंपरिक कार्डिनालिटी अनुमान विधियाँ सरलीकृत धारणाओं पर आधारित होती हैं, और आमतौर पर जटिल क्वेरी पूर्वानुमान पर अच्छी प्रदर्शन नहीं करती हैं, जबकि शिक्षण आधारित CE मॉडल अधिक सटीक पूर्वानुमान प्रदान कर सकते हैं, लेकिन लंबे प्रशिक्षण समय, बड़ी मात्रा में डेटा की आवश्यकता और प्रणालीगत मूल्यांकन की कमी जैसी समस्याओं का सामना करते हैं। इस चुनौती को हल करने के लिए, गूगल अनुसंधान टीम ने CardBench बेंचमार्क परीक्षण ढांचा लॉन्च किया, जो 20 से अधिक वास्तविक विश्व डेटाबेस और हजारों क्वेरियों को एकीकृत करता है।

अवधारणा के जोखिम कारकों को 4000 से अधिक डेटा बिंदुओं के संग्रह के साथ यंत्र शिक्षण मॉडल के माध्यम से विश्लेषण किया गया। मॉडल ने अवसाद, चिंता और अन्य मानसिक समस्याओं को सबसे महत्वपूर्ण पाया। केवल ऐतिहासिक व्यवहार पर विचार करने की बजाय, यह भविष्य के जोखिम की अधिक सटीक भविष्यवाणी कर सकता है।