Cet article propose une méthode d'apprentissage actif assistée par LLM pour les ontologies OWL, où les requêtes de subsomption sont reformulées en contre-concepts et verbalisées. Les LLM fournissent des exemples concrets pour ces contre-concepts, garantissant que seules des erreurs de Type II se produisent, retardant la construction sans introduire d'incohérences.
Le contenu présente les défis de l'optimisation de l'aquaculture durable à l'aide de l'IA, notamment la rareté des données, les préoccupations en matière de confidentialité et l'écart entre la simulation et la réalité dans les applications de vision par ordinateur. Il décrit le parcours de l'auteur pour formuler une approche d'apprentissage actif préservant la confidentialité avec vérification par simulation inverse afin de résoudre ces problèmes pratiques.
Ce contenu explique comment l'IA peut automatiser les revues de littérature en utilisant l'apprentissage actif pour trier d'énormes quantités de PDFs. Il détaille comment l'IA apprend des décisions de l'utilisateur et priorise les enregistrements, employant l'échantillonnage d'incertitude pour identifier efficacement les études pertinentes.
L'auteur relate sa difficulté à développer un modèle d'oncologie de précision pour un sarcome pédiatrique rare, confronté à une extrême rareté des données (47 échantillons) et à des contraintes HIPAA/RGPD strictes empêchant le partage interinstitutionnel. Ce parcours personnel souligne le besoin crucial d'apprentissage actif préservant la confidentialité pour relever ces défis dans les flux de travail cliniques.
Cet article décrit la frustration d'un chercheur face à l'extrême rareté des données dans les chaînes d'approvisionnement de fabrication circulaire pour les aimants en terres rares. La recherche a été motivée par un dilemme entre la collecte de plus de données ou le partage forcé, menant à une épiphanie sur l'apprentissage actif pour la détection d'événements rares et la préservation de la vie privée.
Cette recherche explore la combinaison de l'apprentissage automatique respectueux de la vie privée, notamment la confidentialité différentielle et l'apprentissage actif, pour la maintenance de la robotique souple bio-inspirée. Ce travail répond au défi de la reformation des modèles de maintenance prédictive sans exposer les données propriétaires pendant les fenêtres de récupération critiques.
LEAP est un cadre en boucle fermée qui couple un grand modèle linguistique (LLM) spécialisé dans le domaine avec l'apprentissage actif pour la priorisation itérative des additifs dans les cellules solaires à pérovskite. Il extrait des connaissances de la littérature et représente des molécules pour l'optimisation bayésienne, surpassant les modèles à usage général et validé expérimentalement.