Azərbaycanca AzərbaycancaБеларускі БеларускіDansk DanskDeutsch DeutschEspañola EspañolaFrançais FrançaisIndonesia IndonesiaItaliana Italiana日本語 日本語Қазақ ҚазақLietuvos LietuvosNederlands NederlandsPortuguês PortuguêsРусский Русскийසිංහල සිංහලแบบไทย แบบไทยTürkçe TürkçeУкраїнська Українська中國人 中國人United State United StateAfrikaans Afrikaans
Destek
www.wikipedia.tr-tr.nina.az

Sufle mühendisliği yapay zekada özellikle de doğal dil işlemede kullanılan bir kavramdır Sufle mühendisliğinde

Sufle mühendisliği

Sufle mühendisliği

Sufle mühendisliği; yapay zekada, özellikle de doğal dil işlemede kullanılan bir kavramdır. Sufle mühendisliğinde görevin tanımı, girdiye gömülüdür. Sufle mühendisliği tipik olarak bir veya daha çok görevi sufle tabanlı bir veri kümesine dönüştürerek ve "sufle tabanlı öğrenme" veya sadece "sufle öğrenme" olarak adlandırılan yöntemle bir dil modelini eğiterek çalışır. Sufle mühendisliği, "önek-ayarlama" veya "sufle ayarlama" olarak adlandırılan yöntemle yalnızca sufle temsilinin öğrenildiği büyük bir "dondurulmuş" ön eğitimli dil modelinden çalışabilir.

ve GPT-3 dil modelleri, sufle mühendisliğinde önemli adımlar olmuştur. 2021'de, birden çok DDİ veri kümesi kullanan çok görevli sufle mühendisliği, yeni görevlerde iyi performans göstermiştir. Düşünce dizisi içeren sufleler, dil modellerinde akıl yürütmenin göstergesidir. Sufleye "adım adım düşünelim" ifadesini eklemek çok adımlı akıl yürütme problemleriyle ilgili bir dil modelinin performansını artırabilir.

2022 yılında, hem DALL-E hem de Stable Diffusion makine öğrenimi modelleri son kullanıcılara metinsel sufleleri kullanarak görüntü oluşturma olanağı sağlamıştır.

Ayrıca bakınız

  • DALL-E
  • Midjourney
  • Bilgisayar sanatı
  • Yapay zekâ
  • ^ Pengfei Liu; Weizhe Yuan; Jinlan Fu; Zhengbao Jiang; Hiroaki Hayashi; Graham Neubig (28 Temmuz 2021), Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing, arXiv:2107.13586 $2 , Wikidata Q109286554
  • ^ Xiang Lisa Li; Percy Liang (Ağustos 2021), "Prefix-Tuning: Optimizing Continuous Prompts for Generation", Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers), doi:10.18653/V1/2021.ACL-LONG.353 , Wikidata Q110887424
  • ^ Brian Lester; Rami Al-Rfou; Noah Constant (Kasım 2021), "The Power of Scale for Parameter-Efficient Prompt Tuning", Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing, arXiv:2104.08691 $2, doi:10.18653/V1/2021.EMNLP-MAIN.243 , Wikidata Q110887400
  • ^ Tom B. Brown; Benjamin Mann; Nick Ryder; Melanie Subbiah; Jared D Kaplan; Prafulla Dhariwal; Arvind Neelakantan; Pranav Shyam; Girish Sastry; Amanda Askell; Sandhini Agarwal; Ari Herbert-Voss; Gretchen Krueger; Tom Henighan; Rewon Child; Aditya Ramesh; Daniel Ziegler; Jeffrey Wu; Clemens Winter; Chris Hesse; Mark Chen; Eric Sigler; Mateusz Litwin; Scott Gray; Benjamin Chess; Jack Clark; Christopher Berner; Sam McCandlish; Alec Radford; Ilya Sutskever; Dario Amodei (28 Mayıs 2020), "Language Models are Few-Shot Learners", arXiv, Advances in Neural Information Processing Systems 33, arXiv:2005.14165 $2, doi:10.48550/ARXIV.2005.14165 , Wikidata Q95727440
  • ^ Victor Sanh; Albert Webson; Colin Raffel; Stephen H. Bach; Lintang Sutawika; Zaid Alyafeai; Antoine Chaffin; Arnaud Stiegler; Teven Le Scao; Arun Raja; Manan Dey; M Saiful Bari; Canwen Xu; Urmish Thakker; Shanya Sharma Sharma; Eliza Szczechla; Taewoon Kim; Gunjan Chhablani; Nihal Nayak; Debajyoti Datta; Jonathan Chang; Mike Tian-Jian Jiang; Han Wang; Matteo Manica; Sheng Shen; Zheng Xin Yong; Harshit Pandey; Rachel Bawden; Thomas Wang; Trishala Neeraj; Jos Rozen; Abheesht Sharma; Andrea Santilli; Thibault Fevry; Jason Alan Fries; Ryan Teehan; Stella Biderman; Leo Gao; Tali Bers; Thomas Wolf; Alexander M. Rush (15 Ekim 2021), Multitask Prompted Training Enables Zero-Shot Task Generalization, arXiv:2110.08207 $2 , Wikidata Q108941092
  • ^ Jason Wei; Xuezhi Wang; Dale Schuurmans; Maarten Bosma; Ed H. Chi; Quoc Viet Le; Dengyong Zhou (28 Ocak 2022), Chain of Thought Prompting Elicits Reasoning in Large Language Models, arXiv:2201.11903 $2, doi:10.48550/ARXIV.2201.11903 , Wikidata Q111971110
  • ^ Takeshi Kojima; Shixiang Shane Gu; Machel Reid; Yutaka Matsuo; Yusuke Iwasawa (24 Mayıs 2022), Large Language Models are Zero-Shot Reasoners, arXiv:2205.11916 $2, doi:10.48550/ARXIV.2205.11916 , Wikidata Q112124882
  • ^ . MLearning.ai (İngilizce). 25 Ağustos 2022. 26 Ağustos 2022 tarihinde kaynağından arşivlendi. Erişim tarihi: 31 Ağustos 2022.  Yazar |ad1= eksik |soyadı1= ()

wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar

Sufle muhendisligi yapay zekada ozellikle de dogal dil islemede kullanilan bir kavramdir Sufle muhendisliginde gorevin tanimi girdiye gomuludur Sufle muhendisligi tipik olarak bir veya daha cok gorevi sufle tabanli bir veri kumesine donusturerek ve sufle tabanli ogrenme veya sadece sufle ogrenme olarak adlandirilan yontemle bir dil modelini egiterek calisir Sufle muhendisligi onek ayarlama veya sufle ayarlama olarak adlandirilan yontemle yalnizca sufle temsilinin ogrenildigi buyuk bir dondurulmus on egitimli dil modelinden calisabilir ve GPT 3 dil modelleri sufle muhendisliginde onemli adimlar olmustur 2021 de birden cok DDI veri kumesi kullanan cok gorevli sufle muhendisligi yeni gorevlerde iyi performans gostermistir Dusunce dizisi iceren sufleler dil modellerinde akil yurutmenin gostergesidir Sufleye adim adim dusunelim ifadesini eklemek cok adimli akil yurutme problemleriyle ilgili bir dil modelinin performansini artirabilir 2022 yilinda hem DALL E hem de Stable Diffusion makine ogrenimi modelleri son kullanicilara metinsel sufleleri kullanarak goruntu olusturma olanagi saglamistir Ayrica bakinizDALL E Midjourney Bilgisayar sanati Yapay zeka Pengfei Liu Weizhe Yuan Jinlan Fu Zhengbao Jiang Hiroaki Hayashi Graham Neubig 28 Temmuz 2021 Pre train Prompt and Predict A Systematic Survey of Prompting Methods in Natural Language Processing arXiv 2107 13586 2 Wikidata Q109286554 Xiang Lisa Li Percy Liang Agustos 2021 Prefix Tuning Optimizing Continuous Prompts for Generation Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing Volume 1 Long Papers doi 10 18653 V1 2021 ACL LONG 353 Wikidata Q110887424 Brian Lester Rami Al Rfou Noah Constant Kasim 2021 The Power of Scale for Parameter Efficient Prompt Tuning Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing arXiv 2104 08691 2 doi 10 18653 V1 2021 EMNLP MAIN 243 Wikidata Q110887400 Tom B Brown Benjamin Mann Nick Ryder Melanie Subbiah Jared D Kaplan Prafulla Dhariwal Arvind Neelakantan Pranav Shyam Girish Sastry Amanda Askell Sandhini Agarwal Ari Herbert Voss Gretchen Krueger Tom Henighan Rewon Child Aditya Ramesh Daniel Ziegler Jeffrey Wu Clemens Winter Chris Hesse Mark Chen Eric Sigler Mateusz Litwin Scott Gray Benjamin Chess Jack Clark Christopher Berner Sam McCandlish Alec Radford Ilya Sutskever Dario Amodei 28 Mayis 2020 Language Models are Few Shot Learners arXiv Advances in Neural Information Processing Systems 33 arXiv 2005 14165 2 doi 10 48550 ARXIV 2005 14165 Wikidata Q95727440 Victor Sanh Albert Webson Colin Raffel Stephen H Bach Lintang Sutawika Zaid Alyafeai Antoine Chaffin Arnaud Stiegler Teven Le Scao Arun Raja Manan Dey M Saiful Bari Canwen Xu Urmish Thakker Shanya Sharma Sharma Eliza Szczechla Taewoon Kim Gunjan Chhablani Nihal Nayak Debajyoti Datta Jonathan Chang Mike Tian Jian Jiang Han Wang Matteo Manica Sheng Shen Zheng Xin Yong Harshit Pandey Rachel Bawden Thomas Wang Trishala Neeraj Jos Rozen Abheesht Sharma Andrea Santilli Thibault Fevry Jason Alan Fries Ryan Teehan Stella Biderman Leo Gao Tali Bers Thomas Wolf Alexander M Rush 15 Ekim 2021 Multitask Prompted Training Enables Zero Shot Task Generalization arXiv 2110 08207 2 Wikidata Q108941092 Jason Wei Xuezhi Wang Dale Schuurmans Maarten Bosma Ed H Chi Quoc Viet Le Dengyong Zhou 28 Ocak 2022 Chain of Thought Prompting Elicits Reasoning in Large Language Models arXiv 2201 11903 2 doi 10 48550 ARXIV 2201 11903 Wikidata Q111971110 Takeshi Kojima Shixiang Shane Gu Machel Reid Yutaka Matsuo Yusuke Iwasawa 24 Mayis 2022 Large Language Models are Zero Shot Reasoners arXiv 2205 11916 2 doi 10 48550 ARXIV 2205 11916 Wikidata Q112124882 MLearning ai Ingilizce 25 Agustos 2022 26 Agustos 2022 tarihinde kaynagindan arsivlendi Erisim tarihi 31 Agustos 2022 Yazar ad1 eksik soyadi1 yardim ol section

Yayın tarihi:
Üst