){kind=link}
Pētnieki Apple ir izstrādājuši mākslīgā intelekta sistēmu ar nosaukumu ReALM (Reference Resolution as Language Modeling), kuras mērķis ir radikāli uzlabot veidu, kā balss palīgi saprot un reaģē uz komandām.
Pētījumā Apple apraksta jaunu sistēmu tam, kā lielie valodu modeļi risina atsauces izšķirtspējas problēmu, kas ietver neskaidru atsauču atšifrēšanu uz ekrāna objektiem, kā arī sarunvalodas un fona konteksta izpratni. Rezultātā ReALM var radīt intuitīvāku un dabiskāku mijiedarbību ar ierīcēm.
Atsauču atpazīšana ir svarīga dabiskās valodas izpratnes sastāvdaļa, ļaujot lietotājiem sarunā izmantot vietniekvārdus un citas netiešas atsauces bez apjukuma. Digitālajiem asistentiem šī spēja vēsturiski ir bijusi nozīmīgs izaicinājums, ko ierobežo nepieciešamība interpretēt plašu verbālo signālu un vizuālās informācijas klāstu. ReALM sistēma no Apple mērķis ir atrisināt šo problēmu, pārvēršot sarežģīto atsauces atpazīšanas procesu par tīru valodas modelēšanas uzdevumu. Tādā veidā viņa var saprast atsauces uz ekrānā redzamajiem vizuālajiem elementiem un integrēt šo izpratni sarunu plūsmā.
ReALM rekonstruē ekrāna vizuālo struktūru, izmantojot teksta attēlojumus. Tas ietver ekrāna objektu parsēšanu un to kārtošanu, lai izveidotu teksta formātu, kas atspoguļo ekrāna saturu un struktūru. Pētnieki Apple atklāja, ka šī stratēģija apvienojumā ar īpašu valodu modeļu pielāgošanu etalonu izšķirtspējas problēmām, ievērojami pārspēj tradicionālās metodes, tostarp OpenAI GPT-4 iespējas.
ReALM var ļaut lietotājiem daudz efektīvāk mijiedarboties ar digitālajiem palīgiem, pamatojoties uz to, kas pašlaik tiek parādīts ekrānā, bez precīzām, detalizētām instrukcijām. Tas varētu padarīt balss palīgus daudz noderīgākus dažādās situācijās, piemēram, palīdzot vadītājiem orientēties informācijas un izklaides sistēmās braukšanas laikā vai palīdzēt lietotājiem ar invaliditāti, nodrošinot vieglākus un precīzākus netiešās mijiedarbības līdzekļus.
Apple jau ir publicējis vairākus pētījumus AI jomā. Pagājušajā mēnesī uzņēmums iepazīstināja ar jaunu metodi lielu valodu modeļu apguvei, kas nemanāmi integrē gan teksta, gan vizuālo informāciju. Paredzams, ka Apple jūnijā WWDC konferencē ieviesīs vairākas AI funkcijas.
Lasi arī: