چگونه مدل‌های تصمیم‌گیری هوش مصنوعی می‌توانند تعدیل محتوا را تغییر دهند

با گسترش مدل‌های تصمیم‌گیری در صنعت، شرکتی به نام Musubi ایده جدیدی برای نحوه به کارگیری آنها دارد: تعدیل محتوا. روز سه شنبه، Musubi یک مدل تصمیم گیری سبک وزن را معرفی کرد که برای تعدیل در زمان واقعی ساخته شده است به نام PolicyLM-1.7B، که با وزن های باز منتشر شده است.

ایده این است که یک خط‌مشی محتوا به زبان انگلیسی ساده نوشته شده و در کمتر از 50 میلی ثانیه روی پیام‌ها اعمال شود. مدل Musubi به گونه‌ای طراحی شده است که از نظر هزینه و سرعت مشابه سیستم‌های طبقه‌بندی هوش مصنوعی باشد که در اکثر پلتفرم‌های اجتماعی به تعدیل می‌پردازد – اما از آنجایی که انعطاف‌پذیری یک LLM مدرن را دارد، می‌تواند سیاست‌های پیچیده را بدون آموزش خاص اعمال کند. حتی مهم‌تر از آن، این مدل زمانی که خط‌مشی تغییر می‌کند، نیازی به آموزش جدید نخواهد داشت، و به سیاست‌گذاران انسانی اجازه می‌دهد تا همان اندازه که نیاز دارند تکرار کنند.

همانطور که فیلیپ یانکوویچ، یکی از بنیانگذاران و افسر ارشد هوش مصنوعی Musubi آن را می بیند، به مدیران پلتفرم راهی می دهد تا محتوا را فعالانه برچسب گذاری کنند.

یانکوویچ می‌گوید: «تیم‌های محصول فقط می‌خواهند درک بهتری از آنچه در پلتفرم آنها اتفاق می‌افتد، داشته باشند، به خصوص که میزان محتوا به طور تصاعدی در حال افزایش است. "توانایی برچسب گذاری همه این موارد به روشی بسیار مقیاس پذیر و قابل تنظیم بسیار مفید است."

مدل‌های تصمیم‌گیری از زمان انتشار Typesafe AI’s Jev در ماه سپتامبر که به‌زودی توسط مدل‌های تصمیم‌گیری رقیب OpenAI و Amazon دنبال شد، به موضوع داغ دنیای هوش مصنوعی تبدیل شده‌اند. به جای خروجی متن، یک مدل تصمیم گیری احتمالات نتیجه را خروجی می دهد، اگرچه در این مورد مدل یک قضاوت باینری را خروجی می دهد: یا محتوا در دسته است یا نیست. با محدود کردن خروجی مدل به مجموعه‌ای از انتخاب‌های از پیش تعیین‌شده، مدل‌های تصمیم‌گیری می‌توانند سریع‌تر و ارزان‌تر از مدل‌های زبان بزرگ اجرا شوند، در حالی که همچنان انعطاف‌پذیری معماری ترانسفورماتور را حفظ می‌کنند.

یکی از موارد استفاده اولیه، مهار رفتارهای نادرست توسط عوامل هوش مصنوعی است - بنابراین طبیعی است که همان فناوری را برای رفتار نادرست انسان اعمال کنیم.

شایان ذکر است، یانکوویچ می‌گوید علاقه‌اش به مدل‌های تصمیم‌گیری قبل از Jev است، و آن را به پروژه‌ای در سال ۲۰۲۴ به نام GLiNER (مدل عمومی برای شناسایی نهادهای نام‌گذاری شده) که بسیاری از تکنیک‌های مشابه را به کار می‌برد، بازمی‌گرداند.

با این حال، موسوبی نسبت به مقایسه محتاط نیست. در هر صورت، این شرکت مشتاق است تا از علاقه جدید به مدل‌های تصمیم‌گیری استفاده کند تا نوری بر تعدیل محتوا بتاباند. در اعلامیه محصول آمده است: «اگر Jev توجه شما را جلب کرد، PolicyLM-1.7B همان مدلی است که به طور خاص برای تعدیل محتوا آموزش داده شده است، که می توانید خودتان آن را اجرا کنید.

وقتی از طریق پیوندهای موجود در مقالات ما خرید می کنید، ممکن است کمیسیون کمی کسب کنیم. این بر استقلال تحریریه ما تأثیر نمی گذارد.

قاضی فدرال، آنتونی ها را "نظارت جمعی بی رویه" می نامد

آمازون در پاسخ به عکس العمل مرکز داده، می گوید دیگر از NDA آنتونی ها استفاده نمی کند

گوگل فکر می کند استارشیپ اسپیس ایکس باید 1800 بار قبل از اینکه مراکز داده فضایی از زمین خارج شوند تیم فرنهولز

اولین نیروگاه زمین گرمایی پیشرفته جهان تنها در 23 ماه تکمیل شد تیم دی چانت

گوگل Gemini 4 Argon را منتشر کرد که قدرتمندترین مدل خود را Lucas Ropek می نامند

پنتاگون از ایلان ماسک و پالمر لاکی استفاده می کند تا به تصمیم گیری در مورد اینکه ارتش بعدی دومینیک مادوری دیویس چه کاری باید انجام دهد کمک کند.