محققان روش جدیدی به نام «TTCov» (Test-Time Coverage) را معرفی کردهاند که انقلابی در نحوه انتخاب دادههای آموزشی برای سیستمهای هوش مصنوعی، بهویژه در خودروهای خودران ایجاد میکند.
🔹 مشکل چیست؟
معمولاً مدلها روی حجم عظیمی از دادههای غیربهینه آموزش میبینند.
🔹 راهکار TTCov چیست؟
این متد قبل از آموزش، دادههای آزمایشی را تحلیل کرده و با استفاده از مدلهای زبانی (LLM) یک «نقشه دانش» (Knowledge Atlas) میسازد. به جای تغییر وزنهای مدل در زمان اجرا، این متد دادههای آموزشی را به گونهای انتخاب میکند که بیشترین انطباق و پوشش را با شرایط واقعی دنیای واقعی (مانند شرایط رانندگی در شهرهای مختلف) داشته باشند.
نتیجه این کار؟ عملکرد بسیار دقیقتر و سازگاری سریعتر خودروهای خودران در محیطهای جدید! 🚗💨
منبع: arXiv Computer Vision