390 বস্তু
ভারতের ডিজিটাল উন্নয়ন সংস্থা ডিজিটাল ইন্ডিয়া প্রোগ্রামের জন্য বিদ্যমান অংশীদার প্যানেলে অতিরিক্ত AI এবং ML বিক্রেতাদের একটি সেট চালু করেছে। নতুন অংশগ্রহণকারীরা পূর্ববর্তী নির্বাচনের নির্ধারিত শর্তাবলীতে কাজ করবে এবং ৭ সেপ্টেম্বর পর্যন্ত আবেদন গ্রহণ করা হবে।
মঙ্গলবার S&P 500 প্রায় ০.২%, Nasdaq ০.৫% এবং Dow ০.১% বেড়েছে: বৃদ্ধির নেতৃত্বে ছিল আগের দিন সস্তা হওয়া চিপমেকারদের শেয়ার। ত্রৈমাসিক প্রতিবেদনের আগে Nvidia ২.৩% বেড়েছে, আর ভোক্তা আস্থা ও বাড়ি বিক্রির দুর্বল তথ্য বাজারের ইতিবাচক মনোভাবে বাধা হয়ে দাঁড়ায়নি।
আক্রমণকারীরা জেনারের প্রোফাইলে মেমকয়েনের লিংক প্রকাশ করে, যার ফলে এর বাজার মূল্যায়ন প্রায় $১.১৯ মিলিয়নে পৌঁছে যায়, তারপর তা দ্রুত কিছু মূল্য হারায়। সোলানায় সঙ্গে সঙ্গে নকল টোকেন দেখা দেয়, যা একই রকম নাম এবং নকশা ব্যবহার করে।
প্রস্তাবিত RARRL পদ্ধতি রিইনফোর্সমেন্ট লার্নিংয়ের মাধ্যমে রোবটকে শেখায় কীভাবে অভিযোজিতভাবে যুক্তির সময়, তার বিন্যাস এবং গণনার বাজেট নির্বাচন করতে হয়। ALFRED-এর পরীক্ষাগুলি স্থির কৌশলগুলির তুলনায় কম বিলম্বে সাফল্য এবং স্থিতিস্থাপকতা বৃদ্ধি দেখিয়েছে।
নতুন পদ্ধতিটি LLM-এজেন্টদের শুধু কাজের জন্য যোগাযোগের কাঠামো পরিবর্তন করতেই দেয় না, বরং অভিজ্ঞতা সঞ্চয় করে কথোপকথনের সময় তা পুনর্গঠন করতেও দেয়। নয়টি বেঞ্চমার্কে, ST-EVO পূর্ববর্তী পদ্ধতির তুলনায় ৫% থেকে ২৫% পর্যন্ত নির্ভুলতা বৃদ্ধি দেখিয়েছে।
কনস্ট্যান্টিন মারুনচেঙ্কো, যিনি Echelon-এ কর্পোরেট AI-পাইপলাইন তৈরি করেছেন, তিনি নিশ্চিত: AI-কে স্ক্রিনের বাইরে নিয়ে যেতে হলে সংকীর্ণ মডেল নয়, বরং নমনীয় এজেন্ট দরকার, যারা বাস্তব প্রক্রিয়াগুলো পরিকল্পনা ও নিয়ন্ত্রণ করতে সক্ষম। তিনি পদার্থকে কোড হিসেবে দেখার আহ্বান জানান, যাকে "সম্পাদনা" করা যায়, কিন্তু সতর্ক করেন: এখানে ভুলের মূল্য অনেক বেশি।
গবেষকরা একটি পদ্ধতি প্রস্তাব করেছেন যা পদার্থবিজ্ঞান-ভিত্তিক সীমাবদ্ধতা এবং বাস্তব ড্রাইভিং ডেটাকে একত্রিত করে: একটি ট্রান্সফরমার মডেল প্রথমে ভবিষ্যদ্বাণী করে যে গাড়িগুলি কীভাবে একে অপরকে প্রভাবিত করে, তারপর একটি পরিকল্পনাকারী মানবসদৃশ কৌশল তৈরি করে। পরীক্ষায়, এই পদ্ধতিটি রিইনফোর্সমেন্ট লার্নিংয়ের তুলনায় ট্র্যাজেক্টোরি পূর্বাভাসের ত্রুটি এবং সংঘর্ষের সংখ্যা উল্লেখযোগ্যভাবে হ্রাস করেছে।
নতুন কাজে ADN-Agent আর্কিটেকচার প্রস্তাব করা হয়েছে, যেখানে একটি বড় ভাষা মডেল বিতরণ নেটওয়ার্ক পরিচালনায় ব্যবহৃত প্রোফাইল মডেলগুলির সেটের জন্য ডিসপ্যাচারের ভূমিকা নেয়। সিস্টেম নিজেই অনুরোধের অর্থ নির্ধারণ করে, এটিকে ধাপে বিভক্ত করে, প্রয়োজনীয় সরঞ্জাম নির্বাচন করে এবং একটি সাধারণ ইন্টারফেসের মাধ্যমে সেগুলি সংযুক্ত করে এবং পাঠ্য উপ-কাজগুলি সহজ করার জন্য কমপ্যাক্ট LLM-এর স্বয়ংক্রিয় অতিরিক্ত প্রশিক্ষণ প্রয়োগ করা হয়।
বৈজ্ঞানিক কাজে Align-LoRA উপস্থাপন করা হয়েছে — একটি সরল ফাইন-টিউনিং কৌশল, যা মডেলের বিচ্ছিন্ন শাখার পরিবর্তে সাধারণ টাস্ক বৈশিষ্ট্যের সমন্বয়ের উপর নির্ভর করে। এই পদ্ধতি ইনফারেন্স দ্রুততর করে এবং ওজন একীভূত করার সুযোগ দেয়, পাশাপাশি জটিল মাল্টিটাস্ক কনফিগারেশনের চেয়ে শক্তিশালী ফলাফল প্রদান করে।
