Generatived (Beta) | Cung cấp tin tức và xu hướng mới nhất về AI sáng tạo

Viện Công nghệ Massachusetts đã công bố nghiên cứu mới nêu bật tiềm năng của các mô hình ngôn ngữ quy mô lớn (LLM) trong việc cải thiện tính bảo mật của các hệ thống cơ sở hạ tầng quan trọng. Nghiên cứu này giới thiệu một LLM không bắn có thể xác định các điểm bất thường trong các bộ dữ liệu phức tạp, có khả năng giúp theo dõi tình trạng và cải thiện hiệu quả hoạt động của các thiết bị từ tua-bin gió đến máy MRI.

Các nhà nghiên cứu của MIT do Kalyan Veeramachaneni dẫn đầu đã phát triển một khung gọi là SigLLM để chuyển đổi dữ liệu chuỗi thời gian thành định dạng văn bản để phân tích. Khung này sử dụng LLM tiên tiến như GPT-3.5 Turbo và Mistral để xác định các mẫu bất thường và cảnh báo bạn về các vấn đề tiềm ẩn trong hệ thống của bạn. Đánh giá SigLLM trên nhiều bộ dữ liệu cho thấy nó có thể nhận ra những điểm bất thường, mặc dù nó không chính xác bằng các mô hình học sâu chuyên dụng.

Kết quả nghiên cứu cho thấy rằng mặc dù LLM cung cấp giải pháp đơn giản hơn và thích ứng hơn để phát hiện sự bất thường nhưng vẫn còn chỗ cần cải tiến để phù hợp với hiệu suất của các mô hình tiên tiến nhất hiện có. Veeramachaneni thừa nhận rằng cần nghiên cứu thêm để cải thiện tính mạnh mẽ của LLM trong ứng dụng này. Nhóm nghiên cứu cũng đang nghiên cứu cách LLM có thể dự đoán các điểm bất thường một cách hiệu quả mà không cần tinh chỉnh, điều này có thể dẫn đến các hệ thống giám sát dựa trên AI hiệu quả hơn.

Tập dữ liệu của nghiên cứu có thể truy cập được trên GitHub và nghiên cứu đầy đủ được công bố trên MIT News. Nghiên cứu này là một phần của loạt bài “AI for Good” thể hiện tác động biến đổi của AI trong việc giải quyết các thách thức toàn cầu và thúc đẩy sự thay đổi tích cực.