AI

Rak skóry to jeden z najczęściej występujących nowotworów – wczesne wykrycie znacznie poprawia rokowania. Niestety, wiele osób nie ma dostępu do dermatologa ani zaawansowanych narzędzi diagnostycznych. Ta praca rozwiązuje ten problem, przenosząc AI do tanich urządzeń ubieralnych. Co zrobili autorzy? Wykorzystali MobileNetV2: To mała sieć neuronowa zoptymalizowana pod urządzenia mobilne. Dzięki transfer learning nauczono ją rozróżniać zmiany skórne: rak skóry vs inne. Zmniejszyli i zoptymalizowali model: Za pomocą NVIDIA TensorRT skompresowano MobileNetV2 dla platformy Jetson Orin Nano – zmniejszono rozmiar modelu do ~41% oryginału, przyspieszono działanie i znacznie zredukowano zużycie energii, szczególnie w precyzji INT8 (spadek nawet o 93%). ...

W ostatnich latach duże modele wizualno‑językowe (Large Vision‑Language Models, LVLM) potrafią łączyć rozumienie obrazów i tekstu, ale mają trudności z długimi, wieloetapowymi wnioskowaniami. Artykuł „SOPHIA: Semi‑Off‑Policy Reinforcement Learning for Slow‑Thinking in LVLMs” przedstawia nową metodę, która znacząco poprawia ich zdolność do tzw. wolnomyślenia (slow‑thinking reasoning). Czym jest wolnomyślenie? Wolnomyślenie to długi, przejrzysty proces rozumowania, w którym model krok po kroku analizuje każdy fragment problemu. W przeciwieństwie do szybkich, intuicyjnych podpowiedzi, slow‑thinking: ...

W ostatnich latach rozwój sztucznej inteligencji kojarzy się głównie z coraz większymi modelami i coraz większymi zbiorami danych. GPT-4, Claude, Gemini – każdy z nich bije rekordy rozmiarów i mocy obliczeniowej. Ale czy większy zawsze znaczy lepszy? Zespół badaczy (Baek, Park, Ko, Oh, Gong, Kim) w swojej najnowszej publikacji “AI Should Sense Better, Not Just Scale Bigger” (arXiv:2507.07820) przekonuje, że doszliśmy do momentu, w którym większe modele niekoniecznie są najbardziej efektywną drogą rozwoju. Zamiast tego proponują zupełnie nowe podejście: sensoryka adaptacyjna. ...

W erze dominacji modeli jezykowych i uczenia maszynowego, nieprzerwanie rośnie znaczenie danych strukturalnych: sieci społecznych, powiązań biologicznych, relacji biznesowych. Dane te przedstawia się w formie grafów, które często nie są jednorodne: zawierają węzły różnych typów (np. ludzie, produkty, firmy) oraz różne typy relacji (np. “zakupił”, “polecił”, “pracuje w”). Przetwarzanie takich heterogenicznych grafów wymaga specjalistycznych metod. Czym są grafy heterogeniczne? Graf heterogeniczny (ang. heterogeneous graph) to struktura, w której: występuje wiele typów węzłów i krawędzi, każdy typ może mieć inne cechy i pełnić inną rolę, relacje są semantycznie złożone (np. “oglądał”, “recenzował”, “produkował”). To odzwierciedlenie wielu realnych systemów: sieci finansowych, portali społecznościowych czy wiedzy encyklopedycznej (jak Wikipedia). ...

Diagnozowanie zaburzeń psychicznych takich jak autyzm, depresja czy schizofrenia to wyzwanie, które wykracza poza zwykłe zdjęcie mózgu. Dzięki resting-state fMRI (rs-fMRI) — czyli obserwacji aktywności mózgu w stanie spoczynku — wiemy, które obszary są aktywne jednocześnie. Na tej podstawie buduje się tzw. połączenia funkcjonalne (functional connectivity, FC). Wieloletnie badania wykorzystywały grafy i sieci neuronowe, ale skupiały się prawie wyłącznie na relacjach parzystych — czyli “czy obszar A i B współdziałają?”. A co z relacjami wyższego rzędu — np. między A, B i C równocześnie? ...

Czy można przewidzieć, kiedy i gdzie ludzie wypożyczą elektryczną hulajnogę? Okazuje się, że tak – i to z bardzo dużą dokładnością. W nowej publikacji badacze pokazują, jak użycie zaawansowanych algorytmów, takich jak XGBoost, może zrewolucjonizować zarządzanie mikromobilnością w miastach. 🌍 Tło: Mikromobilność i problem popytu W wielu miastach świata bezdokowe hulajnogi elektryczne stały się codziennym środkiem transportu. Jednak dla operatorów pozostaje kluczowe pytanie: Gdzie i kiedy ludzie będą chcieli skorzystać z hulajnogi? ...

Podczas trenowania sieci neuronowych często zdarza się, że model „utknie” – nie w złym miejscu, ale na płaskim obszarze krajobrazu strat. Autorzy artykułu proponują dodanie ghost nodes – fałszywych wyjść klasyfikatora, które nie są prawdziwymi klasami, ale pozwalają modelowi szybciej znaleźć drogę do lepszego minimum. Wyobraź sobie piłkę toczącą się po dolinie – jeśli dolina jest płaska, piłka zwalnia. Ghost nodes to jak dodanie nowego wymiaru terenu – piłka może się poruszać w więcej stron. ...

Modelowanie epidemii to kluczowe narzędzie ochrony zdrowia — ale potrzebuje wrażliwych danych (np. hospitalizacje, finanse, mobilność). Nowa praca „A Framework for Multi‑source Privacy Preserving Epidemic Analysis” (27 czerwca 2025) przedstawia hybrydowy model neuronowo‑mechanistyczny ze Różnicową Prywatnością (DP). Oznacza to: można używać prywatnych danych bez ryzyka naruszenia prywatności. 🌍 Dlaczego to ważne 🚑 Dokładne prognozy pomagają w alokacji zasobów (szczepionki, łóżka szpitalne). 🕵️‍♂️ Użycie danych prywatnych niesie ryzyko prywatności. 🔐 Differential Privacy (DP) wprowadza kontrolowany szum – chroniąc osoby na poziomie matematycznym. 🧠 Co to za framework? Neuron + Model mechanistyczny Model to hybryda: ...

🧠 Mind2Web 2: Ocena agentów wyszukiwania z AI-sędzią Agentowe wyszukiwanie informacji (ang. agentic search) to jeden z najbardziej obiecujących kierunków AI. Wyobraź sobie asystenta, który samodzielnie przeszukuje Internet, porusza się po stronach, zbiera dane i zwraca gotowe odpowiedzi – z cytatami. Ale skąd wiemy, czy robi to dobrze? Na to pytanie odpowiada Mind2Web 2 – nowy zestaw zadań i sposób oceny zaprezentowany w publikacji arXiv:2506.21506. 🔍 Czym jest Mind2Web 2? To 130 realistycznych zadań, które symulują realne potrzeby użytkowników: ...

Czy maszyna może samodzielnie odkryć prawo fizyczne — tak jak Newton, ale bez jabłka i bez równania na kartce? W czerwcu 2025 opublikowano nową pracę opisującą metodę o nazwie H‑FEX (Hamiltonian Finite Expression), która to właśnie robi. Nie tylko przewiduje zachowanie systemu, ale sama tworzy matematyczny wzór, który opisuje jego dynamikę. Co ważne: wzór, który rozumie człowiek. To przykład tzw. symbolicznego uczenia się, które coraz częściej konkuruje z czarnymi skrzynkami — sieciami neuronowymi, które działają, ale nie dają nam odpowiedzi na pytanie “dlaczego?”. ...