Przejdź do treści Wyszukiwarka
11.06.2024
Projekty związane z wizją komputerową i dopasowaniem LLM będą mogły rozkwitać w IDEAS NCBR! Bartosz Zieliński, Łukasz Kuciński i Bartłomiej Twardowski otrzymali granty na swoje projekty badawcze z NCN na łączną kwotę 2 230 593 zł.

Bartosz Zieliński otrzymał 990 600 zł w konkursie SONATA BIS 13 na projekt „Zrównoważone widzenie komputerowe dla maszyn autonomicznych”. Projekt ten dostosuje modele uczenia maszynowego do nowych typów danych i stworzy architektury dla ograniczonych zasobów obliczeniowych. Priorytetem będzie wydajność i redukcja śladu węglowego. Opracowane rozwiązania będą mogły zostać wykorzystane np. w dronach w celu ochrony parków narodowych, w tym zapobieganiu kłusownictwu zwierząt. Pozwolą na szybki i skuteczny monitoring dużych obszarów, umożliwiając śledzenie ruchów zwierząt i wczesne wykrywanie pożarów lasów.

Łukasz Kuciński otrzymał 624 640 zł w ramach konkursu OPUS 26 na projekt „Dopasowania dużych modeli językowych poprzez debatę oraz uczenie ze wzmocnieniem”, którego celem jest zapewnienie zgodności dużych modeli językowych, takich jak GPT, z wartościami należącymi do ludzi poprzez uczenie oparte na debacie. Zamiast korzystać z tradycyjnych metod, modele będą szkolone, jak argumentować i bronić swoich racji, odnosić się do przeciwstawnych poglądów i przekonywać sędziów do swojego stanowiska. Zastosowanie struktury „nauczyciel-uczeń” oznacza, że ​​„uczniowie” AI będą uczestniczyć w debatach nadzorowanych przez „nauczyciela”. Projekt przyniesie protokół szkoleniowy oparty na debatach, publiczny zbiór danych obejmujący transkrypcje debat, wagi przeszkolonych modeli i kod źródłowy, co zwiększy dokładność sztucznej inteligencji i proces decyzyjny.

Bartłomiej Twardowski otrzymał 615 353 zł w konkursie SONATA 19 na projekt „MLAdapt – Self-Adapting Machine Learning”. Projekt odpowie na wyzwania głębokiego uczenia w wizji komputerowej. Ma na celu stworzenie algorytmów umożliwiających ciągłe uczenie i adaptację, co m.in. umożliwi pojazdom autonomicznym naukę pokonywania przeszkód i poruszania się w trudnym terenie. Modele będą wykorzystywać informacje dostępne podczas wykonywania zadań w celu poprawy swoich możliwości, w czym będą naśladować sposób, w jaki uczą się ludzie. Takie podejście może być przyszłości zastosowane w dziedzinach takich jak medycyna, przemysł motoryzacyjny i robotyka.

Polecane aktualności

20.06.2024
Krzysztof Walas został członkiem Zarządu Adra
19.06.2024
Dyrektor biura
17.06.2024
Krok po kroku – jak ludzie uczą roboty chodzić?