TSI logo 25 years
LV EN
Home > Par mums > Struktūra un pārvaldība > Anotācijas

LĪMENIS

PROGRAMMA

FAKULTĀTE

GADS

VALODA

Izgūšanas-papildināšanas ģenerēšanas sistēmu uzlabošanas stratēģijas

Šis darbs sistemātiski pēta izgūšanas-papildināšanas ģenerēšanas sistēmu (RAG) sistēmu uzlabošanu lielo valodu modeļos, uzsverot izguves parametru optimizāciju un ģenerēšanas precizitāti. Tiek pētīta RAG sistēmu optimālās konfigurācijas, tostarp informācijas daļu lielumu un pārklāšanās procentus, top-k atlasi, vaicājumu transformācijas, dažādas izguves metodes, dažādus lielos valodu modeļus, proti, GPT-3.5-Turbo un GPT-4, atklājot, ka informācijas lielums visbiežāk ir 500 marķieri. piedāvā vislabāko veiktspēju. Vektoru meklēšana, izmantojot kosinusu līdzību, kļūst par visefektīvāko izguves metodi, ievērojami uzlabojot gan konteksta precizitāti, gan dažādu uzdevumu un zināšanu bāzu atsaukšanu. Eksperimentēšana CRUD-RAG ietvaros parāda tās pielietojamību dažādos uzdevumos, sākot no satura izveides līdz zināšanu pilnveidošanai. Atklājumi liecina, ka izguves iestatījumu uzlabojumi var ievērojami uzlabot RAG sistēmu veiktspēju, padarot tās efektīvākas un pielāgojamākas sarežģītiem informācijas sintēzes un izguves uzdevumiem. Šie rezultāti apstiprina sistemātisku uzlabojumu potenciālu, lai uzlabotu mākslīgā intelekta vadītus valodas modeļus praktiskos lietojumos, sniedzot nozīmīgu ieskatu un praktiskas pieejas RAG sistēmu izpētes ainavai.

Autors: Sigita Lapiņa

Vadītājs: Dmitry Pavlyuk

Līmenis: Maģistrs

Gads: 2024

Darba valoda: Angļu

Studiju programma: Datorzinātnes

Vairāk...

Konteineru nelīdzsvarotība prognozēšana pielietojot laika rindu algoritmus uz konteineru pārvietošanas datiem.

Pētījuma mērķis ir novērtēt laika rindas modeļu pielietojumu konteineru nelīdzsvarotības prognozēšanai, izmantojot konteineru notikumu datus. Salīdzināt modeļu rezultātus un izdarīt secinājumus par reālās pasaules pielietojuma iespējām un ierobežojumiem. Pētījuma objekts ir laika rindas modeļi konteineru nelīdzsvarotības prognozēšanai, un pētījuma subjekts ir modeļu veiktspēja konteineru nelīdzsvarotības prognozēšanai, balstoties uz notikumu datiem.Pētījumam ir trīs nodaļas. Pirmā nodaļa ir literatūras apraksts par tukšo konteineru pārpozicionēšanas (ECR) prognozēšanas metodēm un pieejām. Otrā nodaļa ir konteineru nelīdzsvarotības prognozēšanas iespēju izpēte, izmantojot notikumu datus. Trešā nodaļa ir laika rindas metožu pielietojums konteineru nelīdzsvarotības prognozēšanai, eksperimenti ar reāliem datiem un mēģinājumi izstrādāt jaunu datu vadītu sistēmu notikumu datos apmācītu laika rindas modeļu novērtēšanai. Trešā nodaļa ietver eksperimentu rezultātu analīzi un interpretāciju.Tika testēti un novērtēti 8 dažādi ARIMA, VAR, VECM algoritmu modeļi, ņemot vērā dažādu konteineru izmēru un tipu kombinācijas, kā arī 6 dažādu ostu atrašanās vietas. Beidzot, pētījuma secinājumiem seko atsauces un pielikumi.

Autors: Vjačeslavs Matvejevs

Vadītājs: Dmitry Pavlyuk

Līmenis: Maģistrs

Gads: 2024

Darba valoda: Angļu

Studiju programma: Datorzinātnes

Vairāk...

Uz mašīnmācīšanos balstīta neobjektivitātes novēršana nākotnes atlasē, kas balstīta uz mākslīgo intelektu

Mūsdienu cilvēkresursu vidē mākslīgā intelekta integrācija rada gan iespējas, gan izaicinājumus, jo īpaši personāla atlases jomā, kas aptver visus procesa posmus, sākot no kandidātu meklēšanas līdz gala atlasei. Tomēr šī integrācija nav bez problēmām. Neobjektīvi dati, kas izriet no vēsturiskiem datiem vai sabiedrības aizspriedumiem, var būt nozīmīgs šķērslis, kas var izraisīt diskriminējošu praksi. Pētījumā "Uz mašīnmācīšanos balstīta neobjektivitātes novēršana nākotnes atlasē, kas balstīta uz mākslīgo intelektu" mērķis ir analizēt esošas novirzes gan no cilvēka, gan no mākslīgā intelekta perspektīvas personāla atlases procesā. Tā ietvaros tiek meklētas atbildes uz šādiem pētījuma jautājumiem: kādas ir esošās neobjektivitātes personāla atlases procesā, gan tiešas, gan netiešas, un kā var efektīvi mazināt vai novērst novirzes personāla atlases procesā, izmantojot modelēšanas metodes nākotnes atlases sistēmās, kas balstītas uz mākslīgo intelektu. Izmantojot uz datiem balstītu pieeju un mašīnmācīšanās modeļu pielāgošanu, tiks atklāts, kāda veida novirzes pastāv atlases procesā un kā tās mazināt.

Autors: Ērika Todjēre

Vadītājs: Jeļena Kijonoka

Līmenis: Maģistrs

Gads: 2024

Darba valoda: Angļu

Studiju programma: Datorzinātnes

Vairāk...

Table View
Text View