Наука

Искусственный интеллект и хрупкая психика: моделирование рисков

от

Для всестороннего изучения психологического вреда, вызванного искусственным интеллектом, был разработан конвейер моделирования, включающий анализ восемнадцати реальных случаев из шести клинических областей, расширение этого набора до 2160 сценариев с учётом демографических факторов и последующее создание многоходовых диалогов, отражающих прогрессирование симптомов в соответствии с клиническими моделями.

Новое исследование предлагает методологию оценки психологических последствий взаимодействия человека с искусственным интеллектом, выявляя закономерности в потенциально опасных ответах.

Самообучающиеся системы: как обеспечить надежность в непредсказуемом мире?

от

Наблюдения демонстрируют, что оценка

В новой статье рассматривается комплексный подход к мониторингу надежности автономных интеллектуальных систем, способных действовать в меняющихся условиях.

Финансовый интеллект: Новые языковые модели для экспертного анализа

от

Наблюдается относительное улучшение производительности специализированных финансовых языковых моделей (LLM Pro Finance) в задаче финансового перевода, демонстрирующее превосходство над базовыми моделями и указывающее на эффективность адаптации моделей для конкретной предметной области.

Исследование представляет комплекс передовых языковых моделей, специально адаптированных для решения задач в сфере финансов и способных понимать и обрабатывать информацию на разных языках.

Парадокс консолидации: как укрупнение банков усилило финансовую нестабильность

от

Кризис 2008 года оказал динамическое влияние на различные факторы, что подтверждается анализом событий, выявляющим изменяющиеся эффекты от этого явления с течением времени.

Новое исследование показывает, что слияния и поглощения в банковском секторе после кризиса 2008 года привели к неожиданному росту системных рисков из-за усиления взаимосвязанности и концентрации рисков.

Хаос под контролем: Нейронные сети тензорных связей для долгосрочного прогнозирования

от

Сеть тензорных преобразований отображает последовательность прошлых состояний в следующее, используя иерархические тензорные свёртки для эффективного кодирования немарковских корреляций в хаотической динамике, где нижний слой, состоящий из входных векторов размерности $dd$, служит основой для извлечения иерархических корреляций посредством тензорных весов четвертого ранга.

Новый подход использует мощь тензорных сетей для стабильного прогнозирования нелинейных и хаотичных систем на протяжении нескольких периодов Лиапунова.