Найти

Результаты поиска

• АНАЛИЗ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, ПРИМЕНЯЕМЫХ ДЛЯ РЕШЕНИЯ ЗАДАЧ ПСИХИАТРИИ

  Е. С. Подоплелова

  2022-05-26

  Аннотация ▼

  Использование методов искусственного интеллекта в области медицины получило
  широкое распространение, помогая диагностировать, анализировать и давать рекоменда-
  ции по лечению. Психиатрия – это область медицины, изучающая психические расстрой-
  ства, методы их диагностики и лечения. В спектр ее задач входит не только диагностика
  и лечение, но также наблюдение, мониторинг и последующая реабилитация пациентов.
  Эта предметная область имеет существенные проблемы, такие как объективность, про-
  тиворечивость диагноза, сложность классификации болезней, непредсказуемость течения
  заболевания. С рядом этих проблем помогает справиться использование методов машин-
  ного обучения и алгоритмы искусственного интеллекта. Данная работа посвящена обзору
  исследований методов искусственного интеллекта, применяемых для решения задач в об-
  ласти психиатрии. Актуальность темы обусловлена высокой потребностью данной пред-
  метной области в улучшениях. Конкретные проблемы представлены в данной статье.
  Среди них были выделены основные направления: деидентификация данных, классификация
  тяжести симптомов, точность прогнозирования состояния. Для их решения авторами
  были применены такие методы как латентный семантический анализ для обработки ес-
  тественного языка, методы классификации, сверточные нейронные сети для прогнозиро-
  вания, когнитивное моделирование. Отдельно отмечена эффективность гибридных сис-
  тем, включающих реализацию сразу нескольких метолов машинного обучения. Целью ис-
  следования было выделить основные направления развития исследований научного сообще-
  ства, которые демонстрируют успешную интеграцию искусственного интеллекта в пси-
  хиатрию, а также сравнение их между собой по полученным оценкам точности моделей.
  Что, в свою очередь, подразумевает разбор и анализ конкретных алгоритмов, их произво-
  дительность для конкретных задач.

• ОБЗОР МЕТОДОВ УЛУЧШЕНИЯ РАССУЖДЕНИЙ В БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЯХ

  В.Б. Савинов , Н.Н. Шушарина

  2026-02-27

  Аннотация ▼

  Появление больших языковых моделей стало важным этапом в области обработки естественного языка, поскольку такие модели демонстрируют впечатляющие результаты в генерации, трансформации и анализе текстов, а также в решении широкого спектра прикладных задач. Однако, несмотря на значительные успехи успехи практического применения, большие языковые модели обладают ограниченными способностями к рассуждению. Эти ограничения проявляются в трудностях обобщения знаний за пределами обучающего распределения, проблемах переноса знаний в новые контексты, а также в снижении точности выполнения многошаговых логических и математических операций. Целью данной работы является изучение методов повышения способности больших языковых моделей к рассуждению, где под рассуждением понимается процесс формирования и оценки выводов из существующей информации. В работе рассматриваются основные типы рассуждений, релевантные для больших языковых моделей: математическое, логическое и рассуждение на основе здравого смысла. Приводится список наиболее часто используемых контрольных тестов, применяемых для оценки качества рассуждений языковых моделей. Проводится обзор методов улучшения рассуждений, применяемых в больших языковых моделях на 2025 год.
  В зависимости от этапа применения (на этапе обучения или на этапе использования языковой модели) - рассматриваются подходы к подготовке данных для обучения, изменения в архитектуре языковых моделей, процедуры обучения и дообучения моделей (в том числе с использованием специально подготовленных синтетических наборах данных), обучение с подкреплением, различные варианты построения смысловых цепочек, механизмы интеграции внешних инструментов и многоагентный подход. Также рассматриваются существующие ограничения больших языковых моделей, которые проявляются в отсутствии понимания концепций, плохой обобщающей способности вне распределения обучающих данных и снижении эффективности при росте сложности задач. Выделяются наиболее перспективные методы, направленные на повышение качества и надежности рассуждений больших языковых моделей