Training

Forscher haben in einer Studie herausgefunden, dass multimodale Sprachmodelle eher dazu neigen, falsche Antworten zu raten, anstatt um Hilfe zu bitten, wenn visuelle Informationen fehlen. Im Rahmen des neuen Benchmarks ProactiveBench wurden 22 Modelle getestet, die in Situationen, in denen menschliche Unterstützung erforderlich ist, kaum proaktive Fragen stellen. Stattdessen halluzinieren sie oft falsche Antworten oder verweigern die Antwort, was zu einem signifikanten Rückgang der Genauigkeit führt, insbesondere wenn Objekte verdeckt sind. Größere Modelle zeigen nicht zwangsläufig eine bessere Fähigkeit, Fragen zu stellen. Allerdings konnten einige Modelle durch gezieltes Training mit Verstärkungslernen ihre Proaktivität verbessern und übertrafen die zuvor getesteten Modelle. Trotz dieser Fortschritte bleibt eine erhebliche Leistungsdifferenz zu den Referenzwerten bestehen, was darauf hinweist, dass multimodale Sprachmodelle Schwierigkeiten haben, Unsicherheiten zu erkennen und zu bewältigen. Die Ergebnisse zeigen, dass diese Modelle oft übermäßig selbstsicher sind und nicht wissen, was sie nicht wissen.

In dem Artikel "We Hold AI to a Standard Humans Never Met. Then We Blame It When We Fall Short" wird die kritische Haltung gegenüber Künstlicher Intelligenz (KI) thematisiert. Der Autor argumentiert, dass wir von KI unrealistisch hohe Erwartungen haben, die oft über die menschlichen Fähigkeiten hinausgehen. Während Menschen Fehler machen und Vorurteile haben, wird KI häufig für ihre Unzulänglichkeiten verurteilt, obwohl sie auf den Daten und Algorithmen basiert, die von Menschen erstellt wurden. Der Artikel beleuchtet die Diskrepanz zwischen den Erwartungen an KI und der Realität ihrer Leistungsfähigkeit. Zudem wird darauf hingewiesen, dass anstatt KI für ihre Mängel zu kritisieren, wir uns mit den eigenen Fehlern und den ethischen Implikationen der Technologie auseinandersetzen sollten. Letztlich plädiert der Autor für ein ausgewogeneres Verständnis von KI und deren Rolle in der Gesellschaft.

Der Artikel "Two Training Paths, One Smarter AI Strategy" präsentiert eine innovative Strategie zur Entwicklung von Künstlicher Intelligenz, die zwei unterschiedliche Trainingsansätze kombiniert. Diese Methodenkombination zielt darauf ab, maßgeschneiderte KI-Modelle für spezifische Projekte zu identifizieren und zu implementieren. Durch die Optimierung der Effizienz und Effektivität der KI-Modelle können Unternehmen besser auf ihre individuellen Anforderungen eingehen. Die Strategie wird als entscheidend für den Wettbewerb um fortschrittliche KI-Lösungen angesehen und verspricht eine signifikante Verbesserung der Leistung von KI-Anwendungen. Letztlich könnte dies Unternehmen helfen, ihre Innovationskraft zu steigern und sich im dynamischen Marktumfeld besser zu positionieren.

Fixstars Corporation hat eine bedeutende Verbesserung seines Produkts AIBooster vorgestellt, die die Effizienz des AI-Trainings erheblich steigert. Dank proprietärer Optimierungsalgorithmen können Unternehmen nun die optimalen Hyperparameter in nur 1/16 der zuvor benötigten Zeit finden, was die Verarbeitungsgeschwindigkeit und betriebliche Effizienz erhöht. Diese Automatisierung verringert die Notwendigkeit für tiefgehende Expertise und umfangreiche Versuche, sodass Ingenieure sich auf wertvollere Entwicklungsaufgaben konzentrieren können. Neue Algorithmen wie Heuristic Search und Staged BlackBox Search ermöglichen eine bis zu 1,79-fache Steigerung der Trainingsgeschwindigkeit und beschleunigen die Suche nach optimalen Parametern. Zudem bietet die neueste Version eine No-Code-Funktion, die es auch weniger erfahrenen Ingenieuren erlaubt, präzises Hyperparameter-Tuning durchzuführen. Insgesamt senken diese Verbesserungen die Investitionskosten im AI-Bereich und erhöhen die Genauigkeit der Modelle durch schnellere Iterationen.

EDGX hat erfolgreich die erste In-Orbit-Demonstration seines KI-Computersystems STERNA im Rahmen der SpaceX-Mission Transporter-16 durchgeführt. STERNA ist ein KI-gestützter Edge-Computer, der speziell für Satelliten entwickelt wurde und eine effiziente Datenverarbeitung im Weltraum ermöglicht. Durch die Integration von NVIDIA-basiertem Hochleistungs-Computing können Daten in Echtzeit analysiert werden, was für moderne Satellitenkonstellationen in verschiedenen Anwendungen, einschließlich kommerzieller, staatlicher und militärischer, von entscheidender Bedeutung ist. Die Technologie passt sich dynamisch an unterschiedliche Leistungsanforderungen an und hat eine Lebensdauer von sieben Jahren im Orbit. EDGX-CEO Nick Destrycker hebt hervor, dass diese Innovation Satelliten von einfachen Datensammlern zu intelligenten Systemen mit Echtzeit-Entscheidungsfindung transformiert. Dies führt zu reduzierten Latenzzeiten und einem geringeren Bandbreitenbedarf, was insbesondere im Verteidigungsbereich operative Vorteile schafft, indem die Zeit zwischen Entdeckung und Handlung verkürzt wird.

Uber hat eine Partnerschaft mit Amazon geschlossen, um die maßgeschneiderten Chips des Unternehmens zu nutzen, die die Rechenleistung steigern und das Training von KI-Modellen beschleunigen sollen. Diese Zusammenarbeit erweitert die bestehende Cloud-Partnerschaft und ermöglicht Uber den Einsatz der Graviton-Chips von Amazon Web Services. Ziel ist es, die Effizienz der Fahr- und Lieferdienste zu verbessern. Zudem werden die Trainium-Prozessoren verwendet, um die KI-Modelle zu trainieren, die die Anwendungen von Uber unterstützen. Mit dieser strategischen Entscheidung möchte Uber den wachsenden digitalen Anforderungen gerecht werden und die Nutzererfahrung optimieren.

Die Shipping Corporation of India Land & Assets Ltd. (SCILAL) hat ein Memorandum of Understanding (MoU) mit Synergy Marine Pte. Ltd. unterzeichnet, um die maritime Ausbildung und die Entwicklung von Fähigkeiten in Indien zu fördern. Ziel der Partnerschaft ist es, den Pool qualifizierter Seefahrer zu erweitern und sich an die globalen Standards im Schiffsverkehr anzupassen. Ein zentrales Element ist die Einführung eines Diplomprogramms in Nautischen Studien am Maritime Training Institute in Powai, das den Kadetten technische Fähigkeiten und praktische Kompetenzen für moderne Schiffsoperationen vermittelt. Der Lehrplan umfasst Navigation, Schiffsführung und maritime Sicherheit und kombiniert theoretischen Unterricht mit praxisnaher Ausbildung. Synergy Marine bringt seine globale Expertise ein, um die Beschäftigungsfähigkeit der Kadetten zu erhöhen und ihre Vorbereitung auf internationale Karrieren zu verbessern. SCILAL wird zudem Ausbildungsmodule entwickeln, um eine qualifizierte maritime Fachkräftebasis zu schaffen. Diese Initiative unterstützt Indiens Ziel, ein globales maritimes Zentrum zu werden und stärkt die nationale Strategie zur Verbesserung der maritimen Arbeitskräfte.

Der Markt für Software zur Vorbereitung von KI-Datensätzen zeigt ein signifikantes Wachstum und wird von 2,5 Milliarden US-Dollar im Jahr 2025 auf 7,4 Milliarden US-Dollar bis 2033 anwachsen, was einer jährlichen Wachstumsrate von 20,80 % entspricht. Diese Software umfasst essentielle Werkzeuge zur Datensammlung, -bereinigung, -kennzeichnung und -verwaltung, die für das Training von KI- und ML-Modellen notwendig sind. Die steigende Nachfrage nach qualitativ hochwertigen, gekennzeichneten Daten wird durch die zunehmende Verbreitung von KI-Anwendungen in Bereichen wie autonomen Fahrzeugen, Gesundheitswesen und Computer Vision angetrieben. Aktuelle Trends wie Automatisierungstools zur Datenkennzeichnung und die Integration mit Cloud-Plattformen verbessern die Effizienz und reduzieren den manuellen Aufwand. Dennoch stehen Unternehmen Herausforderungen wie Datenschutzbedenken, hohe Kosten für fortschrittliche Tools und die Notwendigkeit qualifizierter Fachkräfte gegenüber. Nordamerika dominiert den Markt und verzeichnet das schnellste Wachstum, was auf eine hohe Nachfrage und Innovationskraft in diesem Sektor hinweist.

Uber hat seine Cloud-Infrastruktur durch die Partnerschaft mit Amazon Web Services (AWS) erheblich erweitert, um die hohen Rechenanforderungen für die Echtzeitvermittlung von Fahrern und Fahrgästen zu bewältigen. Die Nutzung von AWS' spezialisierten KI-Chips, insbesondere Trainium für das Training von maschinellen Lernmodellen und Graviton für allgemeine Rechenlasten, zielt darauf ab, die Betriebsabläufe zu optimieren. Diese Entscheidung könnte die Art und Weise, wie Uber täglich Millionen von Fahrten und Essenslieferungen abwickelt, grundlegend verändern. Durch die Wahl von AWS' Chips anstelle der gängigen Nvidia-GPUs verfolgt Uber einen kosteneffizienten Ansatz, da Trainium-Chips signifikante Einsparungen versprechen. Die Investitionen in KI-Technologien sind eine Reaktion auf frühere Herausforderungen in Bezug auf Rentabilität und Effizienz. Ubers Algorithmen müssen in Echtzeit zahlreiche Variablen wie Verkehrsbedingungen und Nachfragefluktuationen verarbeiten, wobei jede Verbesserung der Routenoptimierung direkte Auswirkungen auf Kosten und Abholgeschwindigkeit hat. Diese Entwicklungen sind entscheidend für Ubers Erfolg im wettbewerbsintensiven Ride-Sharing-Markt.

Die AI Alliance hat das Projekt Tapestry ins Leben gerufen, um eine offene und souveräne Entwicklung von KI-Modellen weltweit zu fördern. Diese Open-Source-Plattform ermöglicht eine verteilte, global federierte Entwicklung fortschrittlicher KI-Modelle, wobei die Teilnehmer die Kontrolle über ihre Daten und Anpassungsmöglichkeiten an lokale Bedürfnisse behalten. Yann LeCun, ein führender KI-Experte, wurde als Chief Science Advisor berufen, um die wissenschaftliche Ausrichtung des Projekts zu leiten. Ziel von Projekt Tapestry ist es, eine offene globale Basis zu schaffen, die auf einem breiteren Pool von Fachwissen und Ressourcen basiert, um maßgeschneiderte Modelle zu entwickeln, die den spezifischen gesellschaftlichen und industriellen Anforderungen der Teilnehmer entsprechen. Die AI Alliance plant einen Workshop in Paris, um die Architektur und Entwicklungsprioritäten des Projekts zu definieren. Langfristig soll Tapestry eine nachhaltige Gemeinschaft fördern, die auf Zusammenarbeit und der Erhaltung der Souveränität basiert, um die Entwicklung fortschrittlicher KI zu ermöglichen, ohne dass die Teilnehmer ihre Autonomie aufgeben müssen.