Otsing ja planeerimine on tänapäeva tehisintellektisüsteemides enamasti asendatud täielikult närvivõrkudega

Kaasaegsed tehisintellektisüsteemid ühendavad sageli närvivõrke teiste komponentidega, nagu otsing, planeerimine või tööriistakasutus

Kaasaegsete tehisintellektisüsteemide peamine võimekus tuleneb tavaliselt närvivõrgu suurusest ja treeningandmetest

Närvivõrke kasutatakse tänapäeva tehisintellektisüsteemides peamiselt sisendandmete kodeerimiseks enne otsingu-, otsustus- või järeldusalgoritmi

Transformerid õpivad tähelepanumehhanismi abil lokaalseid mustreid, konvolutsioonilised võrgud võimaldavad suurte retseptiivsete väljade abil õppida globaalseid seoseid

Konvolutsioonilised võrgud õpivad kõigepealt lokaalseid mustreid, transformerid võimaldavad kohe otsesemaid globaalseid seoseid modelleerida

Kuna konvolutsiooniliste võrkude filtrid töötavad lokaalselt, ei suuda CNN-id, erinevalt transformerist, õppida globaalseid seoseid

Konvolutsioonilised võrgud ja transformerid saavutavad globaalse konteksti peamiselt suuremate treeningandmete abil

Mudelid õpivad andmetest representatsioone, mis kirjeldavad ülesande jaoks olulisi mustreid

Representatsioonide eesmärk on säilitada võimalikult täpselt kogu algne sisendinfo

Representatsioonide roll on peamiselt teisendada andmed mudeli jaoks numbrilisele kujule

Representatsioonid on tavaliselt eelnevalt käsitsi defineeritud tunnused, mida mudel kasutab otsuste tegemiseks

Eeltreenimist kasutatakse peamiselt selleks, et vähendada mudeli kasutamiseks vajalikku arvutusressurssi

Mudel õpib suurtest andmehulkadest üldisi representatsioone, mida saab hiljem erinevate ülesannete jaoks kasutada

Eeltreenimist kasutatakse selleks, et mudel töötaks võimalikult hästi ilma hilisema kohandamiseta

Eeltreenimise eesmärk on õpetada mudel võimalikult hästi lahendama ühte konkreetset ülesannet

Baasmudelid on tavaliselt mõeldud kasutamiseks peamiselt ühes kindlas rakendusvaldkonnas

Suuri eeltreenitud mudeleid saab kohandada ja kasutada paljude erinevate ülesannete jaoks

Baasmudelite peamine eesmärk on vähendada mudeli suurust ja arvutusvajadust

Baasmudelid saavutavad häid tulemusi peamiselt seetõttu, et need treenitakse ühe konkreetse ülesande jaoks väga põhjalikult

Transformer saab töödelda erinevaid modaalsusi ainult siis, kui need teisendatakse esmalt tekstilisteks kirjeldusteks.

Transformer saab siduda erinevaid modaalsusi ainult siis, kui need esitatakse sama modaalsuse andmetena.

Transformer saab töödelda erinevaid modaalsusi ühise sisendjadana ainult siis, kui need on esitatud tookenitena.

Transformer saab võrrelda erinevaid modaalsusi ainult siis, kui need sisaldavad sama arvu tookeneid.

3D CNN kasutab video töötlemisel sügavamaid närvivõrke, samas kui 2D CNN kasutab madalama kihilisusega arhitektuure.

3D CNN esitab video ühe pideva signaalina, samas kui 2D CNN kasutab diskreetseid kaadreid.

3D CNN kasutab filtreid, mis liiguvad lisaks kõrgusele ja laiusele ka ajamõõtmes, samas kui 2D CNN töötleb üksikuid kaadreid.

3D CNN teisendab video enne töötlemist järjestikusteks pilditükikesteks, samas kui 2D CNN kasutab terveid kaadreid.

Mudel õpib ennustama, millised visuaalsed tunnused vastavad tekstilistele kirjeldustele.

Mudel võrdleb pildi representatsiooni tekstiliste kirjelduste representatsioonidega ühises vektorruumis.

Mudel õpib genereerima piltidele tekstilisi kirjeldusi ja kasutab neid klasside määramiseks.

Mudel teisendab tekstilised kirjeldused fikseeritud klassisiltideks enne nende kasutamist.

Mudel õpib genereerima piltidest tekstilisi kirjeldusi ning võrdlema neid õigete tekstidega.

Mudel õpib viima seotud piltide ja tekstide representatsioonid lähestikku ning mitteseotud paarid üksteisest kaugemale.

Mudel õpib teisendama pildid ja tekstid ühisteks tookenijadadeks ning töötlema neid koos.

Mudel õpib siduma pildid eeldefineeritud tekstiklassidega ning ennustama neile vastavaid silte.

Süsteem, mis analüüsib video kaadreid järjestikku ja ennustab igas kaadris nähtavad objektid.

Süsteem, mis genereerib tekstilise kirjelduse pildi põhjal kooder-dekooder arhitektuuri abil.

Süsteem, mis paigutab pildid ja tekstid samasse vektorruumi, et hinnata nende semantilist sarnasust.

Süsteem, kus kõnetuvastus teisendab heli tekstiks ja masintõlge teisendab selle teise keelde.