ARTEFACT مركز الأبحاث

تعتمد عائلة نماذج التعلم الآلي المستخدمة على نطاق واسع على أشجار القرار: الغابات العشوائية ، التعزيز. في حين أن دقتها غالبا ما تكون على أحدث طراز ، إلا أن هذه النماذج تعاني من شعور الصندوق الأسود ، مما يمنح المستخدم تحكما محدودا. نهدف إلى زيادة قابليتها للتفسير والشفافية ، عادة عن طريق تحسين تقدير قيم SHAP في حالة مجموعات البيانات غير المتوازنة. نهدف أيضا إلى توفير بعض الضمانات لمثل هذه النماذج ، على سبيل المثال ، للعينات خارج التدريب أو من خلال تمكين قيود رتيبة أفضل.

التشكيلة هي مشكلة تجارية رئيسية لتجار التجزئة تنشأ عند اختيار مجموعة المنتجات التي سيتم بيعها في المتاجر. باستخدام مجموعات البيانات الصناعية الكبيرة والشبكات العصبية ، نهدف إلى بناء نماذج أكثر قوة وقابلة للتفسير تلتقط بشكل أفضل اختيار العملاء عند مواجهة مجموعة متنوعة من المنتجات. يعد التعامل مع تفكيك المنتجات والتكامل بين المنتجات ، بالإضافة إلى فهم أفضل لمجموعات العملاء ، أمرا أساسيا لإيجاد مجموعة أكثر مثالية من المنتجات في المتجر.

يتمثل التحدي المتمثل في تحسين اعتماد الذكاء الاصطناعي في الشركات في تحسين النماذج الذكاء الاصطناعي من ناحية ، وفهم الجوانب البشرية والتنظيمية من ناحية أخرى. على مفترق طرق أبحاث الإدارة النوعية والبحوث الاجتماعية ، يسعى هذا المحور إلى استكشاف أين تواجه الشركات صعوبات عند اعتماد أدوات الذكاء الاصطناعي. الأطر الحالية لاعتماد الابتكار ليست مناسبة تماما لابتكارات التعلم الآلي ، حيث توجد اختلافات نموذجية مع التنظيم أو تدريب الأشخاص أو التحيزات عندما يتعلق الأمر الذكاء الاصطناعي ، وأكثر من ذلك مع الذكاء الاصطناعي التوليدية.

سيقوم المشروع بتعبئة أساليب البحث النوعي والكمي ومعالجة سؤالين رئيسيين: كيف يمكن للشركات قياس أداء الاستدامة الاجتماعية والبيئية بشكل فعال؟ لماذا غالبا ما تفشل تدابير الاستدامة في إحداث تغييرات كبيرة في الممارسات التنظيمية؟
فمن ناحية، يهدف المشروع إلى استكشاف المقاييس القائمة على البيانات وتحديد المؤشرات لمواءمة الإجراءات التنظيمية مع أهداف الاستدامة الاجتماعية والبيئية. من ناحية أخرى ، سيركز المشروع على تحويل تدابير الاستدامة هذه إلى إجراءات ملموسة داخل الشركات.

عندما يقوم نموذج بالتنبؤ بناء على صورة ، على سبيل المثال تظهر وجها ، فإنه يتمتع بإمكانية الوصول إلى معلومات حساسة ، مثل العرق أو الجنس أو العمر ، والتي يمكن أن تتحيز في منطقه. نهدف إلى تطوير إطار لقياس هذا التحيز رياضيا ، واقتراح منهجيات للحد من هذا التحيز أثناء تدريب النموذج. علاوة على ذلك ، فإن نهجنا سيكتشف إحصائيا مناطق التحيز القوي لشرح وفهم ومراقبة الأماكن التي تعزز فيها هذه النماذج التحيز الموجود في البيانات.

ويتمثل أحد التطبيقات الرئيسية لـ LLMs في حالة اقترانها بمجموعة من الوثائق التي تمثل بعض المعارف أو المعلومات الصناعية. في مثل هذه الحالة، هناك خطوة استرجاع المعلومات، والتي تُظهر LLMs بعض القيود بالنسبة لها، مثل حجم النص المدخل، والذي يكون صغيرًا جدًا لفهرسة المستندات. وبالمثل، يمكن أن يحدث تأثير الهلوسة أيضًا في الإجابة النهائية، والتي نهدف إلى اكتشافها باستخدام المستند المسترجع ونموذج عدم اليقين في وقت الاستدلال.

إلى جانب فريقنا المخصص للأبحاث، لدينا العديد من المتعاونين الذين يقضون بعضاً من وقتهم في إجراء الأبحاث العلمية ونشر الأوراق البحثية. ومن خلال عملهم أيضاً كمستشارين، يستلهمون من المشاكل الواقعية التي يواجهها عملاؤنا.