为企业 AI 采用设计多步骤行动模型
N-SAM * 算法通过观察学习出所有行动至少在某些状态下可行,而不妨碍返回的行动模型的安全性,相较于 N-SAM 算法返回的行动模型,N-SAM * 算法在解决问题方面取得显著的进展。
Dec, 2023
在任务导向对话中,我们提出了多步骤工作流动作预测的新问题,系统需要根据一套指导方针遵循一个流程来完成任务。我们提出了三种简单易实现且可以实现更多自动化操作的建模方法,并证明多步骤动作预测能够提高下游对话任务的准确性,可以在不需要人为监督的情况下将步骤的自动化程度提高 20%。
Nov, 2023
该研究提出了一个概念性框架来实现自动化软件演化,强调多模态学习的重要性。基于该框架,开发了一种选择性顺序范围模型(3S)模型,用于对不同软件工程阶段和多模态学习任务进行分类。该研究为更高级的自动化软件演化奠定了基础,并可作为实践者进入该领域的实用指南。此研究虽然针对智能应用,但框架和分析方法也可适用于其他类型的软件,随着人工智能为其生命周期带来更多智能。
Apr, 2024
本文提出了一个五层级的 AI 能力评估模型和相关的 AI 能力矩阵,以帮助实践者理解和采用 AI。这些实用工具旨在为商业高层管理人员、技术人员和其他组织利益相关者提供 AI 能力要求的信息,以实现在机构中最佳使用 AI 的核心能力维度,包括商业、数据、技术、组织、AI 技能、风险和伦理考虑等方面的考虑。
May, 2023
smapy 是一种基于集成学习和自适应多智能体系统的移动性预测实现方案,并提出了一种详细的方法,通过系统的合作学习方法的使用,证明可以在非线性分类环境下使用线性模型,并在交通模式检测数据集上实现了良好的表现。
Sep, 2022
本文比较了多种模型在预测每个对话回合多个 Dialog Management 决策动作方面的性能,并提出了一种基于 gCAS 模型的新策略模型,实验结果表明 gCAS 模型优于其他模型。
Aug, 2019
提出了一种交互式代理基础模型,采用新颖的多任务代理训练范式,实现了跨领域、数据集和任务训练 AI 代理的能力,展示了其在机器人技术、游戏 AI 和医疗保健领域的性能,支持多模态和多任务学习。
Feb, 2024
描述和评估了一种多阶段的 AI 部署方法,通过各个阶段采用更准确的推理方法,但是每个阶段的参与都会增加成本。在阐述该架构时,我们提出了一种量化模型不确定性的方法,以便于自信地推迟决策。该架构目前正在印度数千名棉农中进行积极部署,而更广泛的思想适用于挑战性低资源环境中的 AI 部署的不断增长的领域。
Dec, 2023