奥地利因斯布鲁克大学的研究揭示了ChatGPT在理解时间联系方面的弱点
雅加达 - 奥地利因斯布鲁克大学的一组研究人员开发了一种方法,以确定人工智能(AI)系统如何能够理解“暂时有效性”,这些参数可能对金融科技领域的ChatGPT等生成人工智能产品的使用产生重大影响。
临时有效性 指向特定声明与其他声明同时具有多大相关性。基本上,它指的是配对声明的基于时间的值。
人工智能根据其预测临时有效期的能力进行评估,将收到一系列声明,并被要求选择与之相关的最密切的声明。
最近发表的题为“季节性验证变化预测”的预版研究论文中,Georg Wenzel和Adam Jatowt使用了一个声明的例子,其中有人被宣布在公共汽车上读书。
例如,最有效的文本声明是“我只剩下几页了,然后我完成了。由于目标声明显示巴士乘客目前正在读书,另外两份声明被认为是无关紧要的。
研究人员从培训 样本中创建了带有标签的数据集,他们用该数据库为大语言模型(LLM)构建基准标记任务。 他们选择 ChatGPT 作为测试的基本模型,因为它在用户中很受欢迎,发现与不寻常的模型相比,它的性能低于标准。
「CHATGPT包含在低性能模型中,与对TCS理解的其他研究一致。其缺点可能是由少数次数学习方法引起的,以及对数据库特定特征缺乏了解,“研究人员说。
它表明,在临时有效性在确定用途或准确性(例如制作新闻文章或评估金融市场)方面发挥作用的情况下,有针对性的AI模型可能比ChatGPT等更一般的服务更好地处理。
研究人员还指出,在LLM培训周期内预测临时值变化的实验有可能在临时变化的基准任务上产生更高的分数。
虽然该论文没有具体讨论实验本身以外的影响,但生成人工智能系统的当前局限性之一是缺乏在文献体系中区分过去事件和现在的能力。
教导这些系统如何在整个机构中确定最相关的声明,并有一定因素作为决定因素,可以彻底改变人工智能模型在加密市场和股票等大规模部门做出强有力的实时预测的能力。