A Real Time Self-Generating Control for AI Platforms
Notice bibliographique
Résumé
Recent advancements in hardware and software implementations of Artificial Intelligence have sparked a multitude of revolutionary applications in the theory and implementation of AI algorithms and tools. Significant new developments have been driven by the application of the Transformer concept in the fields of Large Language Models (LLMs), Reinforcement Learning, and other areas. This in turn led to capturing long-range dependencies and contextual information based on data. More recently, strong positions in the AI research community, around the proper implementations and usage of certain Machine Learning (ML) applications, have been thoroughly debated. However, it is very much known, that ChatGPT and other like platforms, such as Llama, or large GNNs, suffer from a series of black-box drawbacks out of which the “factual accuracy”, “halucinations”, “overgeneralization” and others open loop LLMs were reported in the literature. This paper presents an Autonomic Computing (AC) closed-loop architecture that manages and gathers data from user prompts via a DOMifire module. The DOMifire acts as the sensor element of the LLM AC system, referred to as the Plant. This data is logically compared by an Expert System (ES), which serves as the core of the Autonomic Manager in the AC loop of the LLM, with the data obtained from the LLM's output―in this case, the responses generated by ChatGPT. After a reduced number of iterations, the results are evaluated using a Mean Absolute Scaled Error (MASE) metric. In the context of a time series, this process results in a stable set of sentences or rules produced by the Knowledge Base module. An example, in which the “Time Series” of AutoGluOn illustrates the AC - AI interactions for a complementary contributions to a more robust AI platform. An example of the interaction AC-AI is given in the Conclusion section of this paper.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».