Зачем стране свои большие языковые модели и как устроены отечественные конкуренты ChatGPT — читайте в колонке для ТАСС ⤵️

О возможностях и вызовах развития российских нейросетей рассказала доктор компьютерных наук, руководитель группы «Прикладное NLP» в AIRI и старший научный сотрудник ИСП РАН Елена Тутубалина.

⚫️Читайте материал по ссылке.

Новый метод повышения надежности генерации запросов для работы с данными ⤵️

Исследователи группы «Прикладное NLP» AIRI усовершенствовали работу языковых моделей для генерации SQL-запросов, создав систему, которая помогает точнее создавать запросы к базам данных c помощью больших языковых моделей, а также оценивать собственную уверенность в корректности результата.

Чтобы нетехнические специалисты могли доверять такой модели, были разработаны 2 техники — внешний классификатор и оценка калиброванности. Внешний классификатор работает как автоматический фильтр, принимая решение о выдаче запроса пользователю на основе оценки уверенности модели. Для оценки уверенности моделей в своих решениях исследователи применили энтропийные методы, анализирующие распределение вероятностей выходных данных. Они не требуют значительных вычислительных ресурсов, что делает их удобными для интеграции в реальные системы.

В задаче генерации SQL-запросов энтропийная оценка позволяет определять, насколько можно доверять сгенерированному запросу, снижая риск ошибок в критически важных процессах, таких как анализ медицинских данных или управление бизнес-аналитикой. В ходе испытаний методика позволила выявлять до 90% ошибок при генерации SQL-запросов, значительно уменьшая вероятность получить некорректные результаты.

Научная статья | GitHub

Два новых поста на Хабре — про расчёт электронной плотности молекул с помощью нейросетей ⤵️

Недавно мы рассказывали о новой архитектуре LAGNet, разработанной исследователями из команды «Глубокое обучение в науках о жизни» AIRI. Эта модель — ещё один шаг к применению глубокого обучения для предсказания ключевых молекулярных свойств.

Константин Ушенин, кандидат физико-математических наук, старший научный сотрудник группы, подробнее рассказывает про новую разработку на Хабре. В первой части он изложил введение в вопросы предсказания свойств молекул с помощью нейросетей, сделав акцент на графовые сети. Вторая часть посвящена улучшениям, которые легли в основу LAGNet.

Первая статья | Вторая статья