TL;DR
- چالشهای نظارت بر سیستمهای هوش مصنوعی مستقر:.
- مرکز استانداردها و نوآوری هوش مصنوعی 6 مارس 2026 نویسنده(های) آنیتا رائو،.
- اندرو کلر،.
چه اتفاقی افتاد
چالشهای نظارت بر سیستمهای هوش مصنوعی مستقر:. مرکز استانداردها و نوآوری هوش مصنوعی 6 مارس 2026 نویسنده(های) آنیتا رائو،.
اندرو کلر،. نها کالرا،.
رایان استید،. کوکو کوگییر آگری،.
کوین کلیمن،. دایان استاهلی،.
آماندا برگمن از آنجایی که سیستمهای هوش مصنوعی (AI) بهطور فزایندهای در برنامههای تجاری و دولتی ادغام میشوند،. نیاز روزافزونی برای نظارت بر این سیستمها در تنظیمات دنیای واقعی وجود دارد.
اگرچه ارزیابیهای قبل از استقرار برای ارزیابی هوش مصنوعی ارزشمند هستند پیش بینی بر اساس یادگیری ماشین. برای آتش سوزی ساختمان 9 ژانویه 2026 وای چئونگ تام،.
هونگ کیانگ نیش،. ییفی دینگ شرایط به سرعت در حال توسعه پیشرفت سریع آتش،.
تصمیمگیری سریع و آگاهانه از سوی آتش نشانان را میطلبد. این مقاله مجموعهای از تلاشهای تحقیقاتی را برای توسعه فناوریهای مبتنی بر هوش مصنوعی ارائه میکند که در.
زمان واقعی و عملی ارائه میکنند. ویژگیهای پپتید ضد میکروبی مبتنی بر هوش مصنوعی از نقوش جدیدی برای طراحی دارو رونمایی کرد 29.
دسامبر 2025 سارالا پادی،. کینجال موندال،.
دیوید هوگرهاید،. فرانک ان.
هاینریش،. الا میهایلسکو،.
آنتونیو کاردونه،. جفری کلاودا آنتی بیوتیکها بهطور موثر برای هدف قرار دادن و کشتن باکتریها توسعه یافته اند.
با این حال،. چالش رو به رشد مقاومت ضد میکروبی (AR) درمان برخی از عفونتها را پیچیده کرده است.
برای رسیدگی به این موضوع مبرم،. محققان در حال بررسی هستند سلول کار رباتیک بهبود یافته برای تحقیقات فناوری عملیاتی (OT).
18 دسامبر 2025 تیموتی زیمرمن،. مایکل پیز،.
مایکل داوسون مؤسسه ملی استانداردها و فناوری (NIST) برای پشتیبانی از فناوری عملیاتی (OT) و تحقیقات زیرساختهای. حیاتی،.
یک سلول تولید گسسته ساخته است. این کار پیشرفتی در "مجموعه آزمایش رباتیک مشارکتی" است امنیت و تراز هوش مصنوعی قوی: یک تلاش سیزیفی؟
12 دسامبر 2025 آپوستول واسیلف این نسخه خطی با بسط قضیه ناقص بودن گودل به هوش مصنوعی،. محدودیتهای نظری اطلاعاتی را برای استحکام امنیت هوش مصنوعی و همسویی ایجاد میکند.
دانستن این محدودیتها و آمادهسازی برای چالشهایی که با خود میآورند بسیار مهم است طرح ارزیابی چالش متنی. NIST GenAI 2025 18 سپتامبر 2025 سونگمین سو،.
هاریهاران ایر،. یویونگ لی چالش متنی NIST Generative AI (GenAI) یک برنامه ارزیابی است که برای بررسی قابلیتها و.
محدودیتهای مدلهای هوش مصنوعی مولد از سه منظر مکمل طراحی شده است:. Generator،.
Prompter و Discriminator. چالش بر دو تمرکز خواهد داشت ارزیابی نشت هویت در سیستمهای شناسایی هویتزدایی بلندگو 21 آگوست 2025 سونگمین.
سو،. اولگ اولوف،.
افضل گودیل،. کوین منگولد هدف حذف هویت گوینده پنهان کردن هویت گوینده در عین حفظ قابل فهم بودن گفتار اصلی.
است. ما معیاری را معرفی میکنیم که نشت هویت باقیمانده را با سه نرخ خطای مکمل کمیت میدهد:.
نرخ خطای برابر (EER) 2025 NIST GenAI (پایلوت):. طرح ارزیابی چالش کد 16 جولای 2025 پیتر فونتانا،.
یویونگ لی،. هاریهاران ایر،.
سونیکا شارما ما در حال راه اندازی آزمایشی برای اندازهگیری و ارزیابی تستهای واحد تولید شده. توسط هوش مصنوعی (AI) برای آزمایش کد ابتدایی پایتون هستیم.
این پایلوت محیطی را فراهم میکند که توسعه و بهبود تواناییهای آن را تسهیل میکند. مدل انتشار کانال شبه قطعی برای حس انسان:.
مورد استفاده تشخیص ژست 9 جولای 2025 جک چوانگ،. راید کارومی،.
جلنا سنیک،. ساموئل بروگر،.
نیراج ورشنی،. ژیان وانگ،.
آنوراگ بودی،. کامیلو جنتیله،.
نادا گلمیما یک مدل انتشار کانال شبه قطعی را برای تشخیص ژستهای انسان که از اندازهگیریهای بلادرنگ. کاهش مییابد با صدای کانال آگاه از زمینه خود،.
با در نظر گرفتن چهار سوژه انسانی و 20 حرکت بدن مجزا،. برای مجموع 120000 توصیف میکنیم.
2024 NIST GenAI (مطالعه آزمایشی):. بررسی اجمالی و نتایج ارزیابی متن به متن 25 ژوئن 2025هاریهاران ایر،.
سونگمین سو،. لوکاس دیدوچ،.
کی پترسون،. جورج عوض،.
یویونگ لی مطالعه آزمایشی NIST Generative AI (GenAI) 2024 بر ارزیابی تولید متن به متن (T2T) و وظایف. تمایز برای ارزیابی قابلیتها و محدودیتهای مدلهای هوش مصنوعی مولد و آشکارسازهای هوش مصنوعی تمرکز دارد.
این مطالعه با هدف سنجش اثربخشی تشخیص توهم در مدلهای زبان بزرگ با استفاده از رمزگشایی انحراف. 24 ژوئن 2025 بازل ابدین،.
اس ام تحمید صدیقی،. میه طحمید احمد،.
انوپ سینگال،. لطیفور خان،.
پونیا مودی،. ایهاب الشاعر مدلهای زبان بزرگ (LLM) بهعنوان ابزاری قدرتمند برای بازیابی دانش از طریق تعاملات یکپارچه و انسانمانند.
ظهور کردهاند. علیرغم قابلیتهای پیشرفته تولید متن،.
LLMها تمایلات توهم را نشان میدهند،. جایی که بهطور واقعی تولید میکنند.
توضیح مدلهای هوش مصنوعی مسموم 11 ژوئن 2025 پیتر بایسی،. آنتونیو کاردونه،.
فیلیپ دسائو،. چنی لینگ،.
مایکل ماجورسکی،. تیموتی بلاتنر،.
درک جوبا،. ولید کیروز این کار یک رویکرد سلسله مراتبی برای توضیح مدلهای هوش مصنوعی مسموم (AI) ارائه میکند.
این انگیزه از استفاده از مدلهای هوش مصنوعی در برنامههای امنیتی و حیاتی ناشی میشود،. بهعنوان مثال،.
مدلهای هوش مصنوعی برای طبقهبندی علائم راهنمایی و رانندگی در جادهها بررسی الگوهای سریع برای تعمیر آسیبپذیری مؤثر. در کدهای دنیای واقعی توسط مدلهای زبان بزرگ 5 ژوئن 2025 یینینگ لو،.
بائوبائو لی،. آنوپ سینگال،.
پی یو تسنگ،. لان ژانگ،.
کینگتیان زو،. شیائویان سان،.
پنگ لیو مدلهای زبان بزرگ (LLM) در تعمیر خودکار آسیبپذیری کد امیدوارکننده هستند،. اما اثربخشی آنها در مدیریت کدهای دنیای واقعی محدود است.
این مقاله به بررسی قابلیت LLMها در ترمیم آسیب پذیریها میپردازد و یک پیشنهاد NIST. GenAI (پایلوت):.
مروری بر نتایج ارزیابی متن به متن 5 مه 2025 یویونگ لی،. هریهاران ایر مطالعه آزمایشی NIST Generative AI (GenAI) 2024 بر ارزیابی تولید متن به متن (T2T) و وظایف.
تمایز برای ارزیابی قابلیتها و محدودیتهای مدلهای هوش مصنوعی مولد تمرکز دارد. هدف این مطالعه اندازهگیری اثربخشی هوش مصنوعی تولید شده است طرحی برای مشارکت جهانی در استانداردهای هوش.
مصنوعی 29 آوریل 2025 جسی دونیتز،. مارک لاتونرو،.
کاتلین رابرتز این طرح توسط وزارت بازرگانی و با هماهنگی وزارت امور خارجه و آژانسهای سراسر دولت ایالات. متحده تهیه شده است.
بیش از 65 نظر دریافت شده در پاسخ به درخواست اطلاعات دسامبر 2023 را منعکس میکند یادگیری. ماشین متخاصم:.
طبقه بندی و اصطلاحات حملات و اقدامات کاهشی 24 مارس 2025 آپوستول واسیلف،. آلینا اوپرا،.
آلی فوردایس،. هیروم اندرسون،.
زاندر دیویس،. مایا هامین این گزارش هوش مصنوعی قابل اعتماد و مسئولیت پذیر NIST یک طبقه بندی از مفاهیم و.
تعریف اصطلاحات در زمینه یادگیری ماشین متخاصم (AML) ارائه میدهد. طبقه بندی در یک سلسله مراتب مفهومیمرتب شده است که شامل انواع کلیدی روشهای ML،.
چرخه حیات است.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.