Rak piersi dotyka jedną na osiem kobiet w Wielkiej Brytanii, a wczesne wykrycie jest kluczowe. ⚕️ Nasze najnowsze badania w @NatureCancer pokazują, jak AI może wzmocnić wysiłki na rzecz wczesnego wykrywania raka piersi. W badaniach z @imperialcollege i @NHSuk nasz eksperymentalny system skanowania oparty na AI zidentyfikował o 25% więcej „nowotworów interwałowych” - przypadków zazwyczaj pomijanych przez tradycyjne badania - jednocześnie redukując obciążenia związane z badaniami o szacowane 40%. Kluczowe wyniki z badań w wątku🧵⤵️

Aby rozwijać podstawową AI, musimy rozwiązać problem ciągłego uczenia się i katastrofalnego zapominania. Nowe badania naszego zespołu wprowadzają Nested Learning (NL), paradygmat, który postrzega model ML jako system zagnieżdżonych problemów optymalizacyjnych. To podejście jednoczy architekturę i optymalizację, tworząc głębszą zdolność obliczeniową do uczenia się. To kluczowy krok w kierunku tworzenia modeli z umiejętnościami ciągłego uczenia się, jakie obserwujemy w ludzkim mózgu. Więcej w blogu autorstwa Vahaba Mirrokni i Alego Behrouza: Przeczytaj artykuł NeurIPS 2025:

Przejście na AI działające na urządzeniach wymaga wyższego poziomu prywatności. Wprowadzamy Provably Private Insights (PPI), aby umożliwić niezbędną analizę funkcji GenAI przez deweloperów z weryfikowalną gwarancją, że surowe dane użytkowników nigdy nie są ujawniane. Ten system jest kluczowym elementem odpowiedzialnego budowania AI. PPI wykorzystuje otwartoźródłowy model Gemma LLM wewnątrz Zaufanego Środowiska Wykonawczego (Prywatna Analiza Federacyjna), aby kategoryzować dane nieustrukturyzowane i wyciągać wnioski. Tylko zaggregowane, różnicowo prywatne statystyki opuszczają bezpieczne środowisko. Udostępniliśmy kod, aby umożliwić zewnętrzną weryfikację gwarancji prywatności end-to-end. Przeczytaj więcej o jego wdrożeniu w Recorder oraz naszym planie autorstwa Artema Lagzdina i Daniela Ramage'a: Preprint: