L’algorithme LLMtime de NYU identifie l’événement suivant dans une séquence d’événements, représentée par des chaînes de chiffres numériques. Les programmes d’intelligence artificielle générative actuels, tels que ChatGPT, sont en passe de produire de nombreux autres types de résultats que du texte simple, comme l’a exploré en profondeur ZDNET. L’un des modalités les plus importantes de ces « modalités » est ce qu’on appelle les données en série temporelle – des données qui mesurent les mêmes variables à différents moments dans le temps pour repérer les tendances. Les données sous forme de série temporelle peuvent être importantes pour des choses telles que le suivi de l’historique médical d’un patient dans le temps avec les entrées effectuées par un médecin dans un dossier. Faire ce qu’on appelle une prévision de série temporelle consiste à prendre les données historiques et à prédire ce qui se passe ensuite; par exemple: « Ce patient va-t-il mieux? » Aussi: ChatGPT semble ne pas savoir quand ses connaissances prennent fin Les approches traditionnelles des données en série temporelle impliquent un logiciel spécialement conçu pour ce type de données. Mais maintenant, l’IA générative gagne une nouvelle capacité à traiter les données en série temporelle de la même manière qu’elle traite les questions de dissertation, la génération d’images, le codage logiciel et les différentes autres tâches auxquelles ChatGPT et les programmes similaires ont excellé.
Les Problèmes Communs Rencontrés par la Société dans l’Utilisation Efficace des Derniers Développements de l’Intelligence Artificielle
Les Problèmes Communs Rencontrés par la Société dans l’Utilisation Efficace des Derniers Développements de l’Intelligence Artificielle Introduction L’intelligence artificielle (IA)
