محققان در مقاله جدیدی به سراغ حل یکی از چالشهای بزرگ مدلهای هوش مصنوعی رفتهاند: «کالیبراسیون دقیق در پیشبینیهای احتمالی». این تیم با استفاده از یک روش نوآورانه (بدون نیاز به دادههای برچسبدار انسانی)، موفق شدند مدلی ۷ میلیاردی بسازند که در پیشبینی نتایج مسابقات ورزشی (NFL)، حتی از مدلهای پیشرفتهتر پیشی گرفته و به دقت بازارهای شرطبندی نزدیک شود.
نکته کلیدی این تحقیق، جلوگیری از «فساد زنجیره تفکر» در مدل با استفاده از حذف گرادیان در بخش استدلال است. این یعنی هوش مصنوعی حالا میتواند با تکیه بر نرخهای تجربی گذشته، پیشبینیهای بسیار دقیقتر و منطقیتری ارائه دهد.
این پیشرفت نه تنها برای تحلیلهای آماری، بلکه برای آینده مدلهای زبانی که نیاز به استدلال دقیق دارند، بسیار حائز اهمیت است. 🧠⚡
منبع: arXiv Machine Learning