EVOLUTION AND DISTRIBUTION ANALYSIS OF MULTIMODAL ARTIFICIAL INTELLIGENCE SYSTEMS
ID елемента: 22667
2026/05/05
Цитування
eNUPPIR (). EVOLUTION AND DISTRIBUTION ANALYSIS OF MULTIMODAL ARTIFICIAL INTELLIGENCE SYSTEMS. https://enuppir.politeh.duckdns.org/item/22667
eNUPPIR. "EVOLUTION AND DISTRIBUTION ANALYSIS OF MULTIMODAL ARTIFICIAL INTELLIGENCE SYSTEMS." Web. . <https://enuppir.politeh.duckdns.org/item/22667>.
eNUPPIR. "EVOLUTION AND DISTRIBUTION ANALYSIS OF MULTIMODAL ARTIFICIAL INTELLIGENCE SYSTEMS." Accessed . https://enuppir.politeh.duckdns.org/item/22667.
Скопійовано в буфер обміну
Властивості
Назва
Англійська
EVOLUTION AND DISTRIBUTION ANALYSIS OF MULTIMODAL ARTIFICIAL INTELLIGENCE SYSTEMS
Російська
.
Українська
ЕВОЛЮЦІЯ ТА АНАЛІЗ РОЗВИТКУ МУЛЬТИМОДАЛЬНИХ СИСТЕМ ШТУЧНОГО ІНТЕЛЕКТУ
Опис
Англійська
The article considers the main aspects of evolution and performs a thorough analysis of the stages of formation of multimodal artificial intelligence systems (AIS). It was determined that in modern realities, artificial intelligence has undergone a transformational shift towards embracing multimodality in large language models. Modern approaches and ways of improving large language models by means of processing and generating a large amount of data are analyzed. The stages of transformation of artificial intelligence in the direction of multimodality of innovative development in large language models have been studied. The issue of verification and interaction of information systems with the surrounding world is considered. It was determined that they are inherently multimodal, multicomponent. Ways of improving large language models with the help of the ability to process and generate different data modalities are analyzed. It has been investigated that modern multimodal artificial intelligence systems are effectively used in various fields of science, education, and economics and require further development and improvement. It was determined that due to the rapid development of information technologies and systems in various spectrums of life, AI is experiencing a rapid modification, where generative models, which are becoming more and more perfect, deserve special attention. An overview of the architecture of the AnyGPT model is performed, where modalities are tokenized into discrete tokens, on the basis of which LLM performs multimodal perception and generation in autoregression. The methodology underlying AnyGPT was found to be multi-component, with the model demonstrating capabilities on par with specialized models in all assessment modalities tested. It has been established that tools designed to detect objects generated by artificial intelligence are in a state of development and are constantly being modified.
Російська
75-78
Українська
У статті розглянуто основні аспекти еволюції та проаналізовано розвиток мультимодальних систем штучного інтелекту. Визначено, що в сучасних реаліях штучний інтелект зазнав трансформаційного зсуву в бік охоплення мультимодальності у великих мовних моделях. Праналізовано шляхи вдосконалення великих мовних моделей за допомогою здатності обробляти і генерувати великий обсяг даних. Метою цього дослідження є аналіз вимог до розробки та впровадження мультимодальних систем штучного інтелекту. Дослджено етапи трансформації штучного інтелекту у напрямку мультимодальності іноваційного розвитку у великих мовних моделях. Розглянуто питання верифікації та взаємодії інформаційних систем з навколишнім світом. Визначено, що вони за своєю суттю є мультимодальними, багатокомпонентними. Проаналізлвано шляхи вдосконалення великих мовних моделей за допомогою здатності обробляти і генерувати різні модальності даних. Досліджено, що сучасні мультимодальні системи штучного інтелекту ефективно використовуються в різних галузях науки, освіти, еконміки та потребують подальшого розвитку та вдосконалення. Визначено, що внаслідок бурхливого розвитку інформаційних технологій та систем в різних спектрах життєдіяльності, ШІ переживає бурхливої модифікації, де особливої уваги заслуговують генеративні моделі, які стають все більш досконалими. Виконано огляд архітектури моделі AnyGPT, де модальності токенізуються в дискретні токени, на основі яких LLM виконує мультимодальне сприйняття та генерування в авторегресії. Визначено, що методологія, що лежить в основі AnyGPT, є багатокомпонентною, модель якої демонструє можливості на рівні зі спеціалізованими моделями в усіх протестованих модальностях оцінювання. Встановлено, що інструменти, призначені для виявлення об’єктів, згенерованих штучним інтелектом, перебувають у стані розвитку, та постійно модифікуються.
Автор
Англійська
Kapiton, A.
Англійська
Tyshсhenko, D.
Англійська
Desiatko, A.
Англійська
Lazorenko, V.
Тематика
Англійська
artificial intelligence
Англійська
bioengineering
Англійська
generative models
Англійська
multimodality
Російська
16
Українська
штучний інтелект
Українська
біоінженерія
Українська
генеративні моделі
Українська
мультимодальність
Видавництво
Українська
Національний університет «Полтавська політехніка імені Юрія Кондратюка»
Тип
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Українська
Рецензована Стаття
Формат
application/pdf
Ідентифікатор
https://journals.nupp.edu.ua/sunz/article/view/3518
10.26906/SUNZ.2024.4.075
Джерело
Англійська
Control, Navigation and Communication Systems. Academic Journal; Vol. 4 No. 78 (2024): Control, Navigation and Communication Systems; 75-78
Російська
Системы управления, навигации и связи. Сборник научных трудов; Том 4 № 78 (2024): Системи управління, навігації та зв’язку; 75-78
Українська
Системи управління, навігації та зв’язку. Збірник наукових праць; Том 4 № 78 (2024): Системи управління, навігації та зв’язку; 75-78
2073-7394
10.26906/SUNZ.2024.4
2024. №4 (78)
Мова
en
Відношення
https://journals.nupp.edu.ua/sunz/article/view/3518/2932
Права
Українська
Авторське право (c) 2024 A. Kapiton , D. Tyshсhenko , A. Desiatko , V. Lazorenko
Інформація про метадані
Створено
2026-5-5 12:57
Остання зміна
2026-5-5 12:57
ID елемента
#22667