କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା (AI) ଲିଡରବୋର୍ଡର ଅସଂପୂର୍ଣ୍ଣତା ଏବଂ ସେଗୁଡ଼ିକୁ ସୁଧାରିବା ଦିଗରେ ପଦକ୍ଷେପ,University of Michigan


କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା (AI) ଲିଡରବୋର୍ଡର ଅସଂପୂର୍ଣ୍ଣତା ଏବଂ ସେଗୁଡ଼ିକୁ ସୁଧାରିବା ଦିଗରେ ପଦକ୍ଷେପ

University of Michigan ଦ୍ୱାରା 2025-07-29 16:10 ରେ ପ୍ରକାଶିତ ଏକ ଆର୍ଟିକିଲ୍ ଅନୁସାରେ, କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା (AI) ଲିଡରବୋର୍ଡ, ଯାହା ବିଭିନ୍ନ AI ମଡେଲଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ତୁଳନା କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ତାହା ବହୁତ ଅସଂପୂର୍ଣ୍ଣ ଏବଂ ଅସତ୍ୟ ତଥ୍ୟ ପ୍ରଦାନ କରିଥାଏ। ଏହି ଲେଖାଟି ଏହି ସମସ୍ୟାଗୁଡ଼ିକ ଉପରେ ଆଲୋକପାତ କରିବା ସହିତ, ଏହାର ସମାଧାନ ପାଇଁ କିଛି ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ପରାମର୍ଶ ଦେଇଛି।

AI ଲିଡରବୋର୍ଡର ଅସଂପୂର୍ଣ୍ଣତାର କାରଣ:

  • ସୀମିତ ବୈଶିଷ୍ଟ୍ୟ: ଲିଡରବୋର୍ଡଗୁଡ଼ିକ ସାଧାରଣତଃ AI ମଡେଲର କିଛି ମାତ୍ରା ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ, ଯାହା ଦ୍ୱାରା ସମ୍ପୂର୍ଣ୍ଣ ଚିତ୍ର ପ୍ରଦାନ କରିବାରେ ବିଫଳ ହୋଇଥାଏ। ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ AI ମଡେଲ କେବଳ ଏକ କାର୍ଯ୍ୟରେ ଉତ୍ତମ ହୋଇପାରେ, କିନ୍ତୁ ଅନ୍ୟ କାର୍ଯ୍ୟରେ ଖରାପ ପ୍ରଦର୍ଶନ କରିପାରେ। ଲିଡରବୋର୍ଡ ଏହି ବିଭିନ୍ନତାକୁ ଧ୍ୟାନରେ ରଖିନଥାଏ।

  • ଅପ୍ରାସଂଗିକ ତଥ୍ୟ: କେତେକ ଲିଡରବୋର୍ଡରେ ବ୍ୟବହୃତ ତଥ୍ୟଗୁଡ଼ିକ ଉପଲବ୍ଧ ନାହିଁ ଏବଂ ଅପ୍ରାସଂଗିକ ଅଟେ। ଏହି କାରଣରୁ, ଲିଡରବୋର୍ଡର ଫଳାଫଳ ଉପରେ ଭରସା କରିବା କଷ୍ଟକର ହୋଇଥାଏ।

  • ପକ୍ଷପାତ ତଥ୍ୟ: AI ମଡେଲଗୁଡ଼ିକର ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ପ୍ରସ୍ତୁତିରେ ପକ୍ଷପାତ ରହିଥାଏ, ଯାହା ଫଳରେ ଲିଡରବୋର୍ଡର ଫଳାଫଳ ଉପରେ ପକ୍ଷପାତ ପ୍ରଭାବ ପଡ଼ିଥାଏ।

  • ପୁନରାବୃତ୍ତିର ଅଭାବ: ଲିଡରବୋର୍ଡର ଫଳାଫଳଗୁଡ଼ିକର ପୁନରାବୃତ୍ତିର ଅଭାବ ରହିଥାଏ, ଯାହା ଫଳରେ ଫଳାଫଳ ଉପରେ ଭରସା କରିବା କଷ୍ଟକର ହୋଇଥାଏ।

AI ଲିଡରବୋର୍ଡକୁ ସୁଧାରିବା ପାଇଁ ପରାମର୍ଶ:

  • ବହୁବିଧ ବୈଶିଷ୍ଟ୍ୟ: ଲିଡରବୋର୍ଡରେ AI ମଡେଲଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବିଭିନ୍ନ ବୈଶିଷ୍ଟ୍ୟ ଉପରେ ତୁଳନା କରାଯିବା ଉଚିତ୍। ଏହା ଦ୍ୱାରା AI ମଡେଲଗୁଡ଼ିକର ସମ୍ପୂର୍ଣ୍ଣ ଚିତ୍ର ପ୍ରଦାନ କରାଯାଇପାରିବ।

  • ପ୍ରାସଂଗିକ ତଥ୍ୟ: ଲିଡରବୋର୍ଡରେ ବ୍ୟବହୃତ ତଥ୍ୟଗୁଡ଼ିକ ଉପଲବ୍ଧ ଏବଂ ପ୍ରାସଂଗିକ ହେବା ଉଚିତ୍। ଏହା ଫଳରେ ଲିଡରବୋର୍ଡର ଫଳାଫଳ ଉପରେ ଭରସା କରିବା ସହଜ ହେବ।

  • ପକ୍ଷପାତର ଅଭାବ: AI ମଡେଲଗୁଡ଼ିକର ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ପ୍ରସ୍ତୁତିରେ ପକ୍ଷପାତ ରହିବା ଉଚିତ୍ ନାହିଁ। ଏହା ଫଳରେ ଲିଡରବୋର୍ଡର ଫଳାଫଳ ଉପରେ ପକ୍ଷପାତ ପ୍ରଭାବ ପଡ଼ିବ ନାହିଁ।

  • ପୁନରାବୃତ୍ତି: ଲିଡରବୋର୍ଡର ଫଳାଫଳଗୁଡ଼ିକର ପୁନରାବୃତ୍ତି ରହିବା ଉଚିତ୍, ଯାହା ଫଳରେ ଫଳାଫଳ ଉପରେ ଭରସା କରିବା ସହଜ ହେବ।

  • ସମ୍ପୂର୍ଣ୍ଣ ତଥ୍ୟ: ଲିଡରବୋର୍ଡରେ AI ମଡେଲଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତା ସମ୍ପର୍କରେ ସମ୍ପୂର୍ଣ୍ଣ ତଥ୍ୟ ପ୍ରଦାନ କରାଯିବା ଉଚିତ୍। ଏହା ଫଳରେ ଲିଡରବୋର୍ଡର ଫଳାଫଳ ଉପରେ ବିଶ୍ୱାସ କରିବା ସହଜ ହେବ।

ଏହି ପରାମର୍ଶଗୁଡ଼ିକ ଉପରେ ଧ୍ୟାନ ଦେଇ, AI ଲିଡରବୋର୍ଡଗୁଡ଼ିକୁ ଅଧିକ ଉପଯୋଗୀ ଏବଂ ବିଶ୍ୱାସଯୋଗ୍ୟ କରିବା ସମ୍ଭବ। ଏହା AI ଉନ୍ନତି ପାଇଁ ଏକ ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ପଦକ୍ଷେପ ହେବ।


Why AI leaderboards are inaccurate and how to fix them


AI ଖବର ପ୍ରଦାନ କରିଛି।

ନିମ୍ନଲିଖିତ ପ୍ରଶ୍ନ Google Gemini ରୁ ଉତ୍ପାଦିତ ଉତ୍ତର ପାଇଁ ବ୍ୟବହାର ହୋଇଛି:

‘Why AI leaderboards are inaccurate and how to fix them’ University of Michigan ଦ୍ୱାରା 2025-07-29 16:10 ରେ ପ୍ରକାଶିତ ହୋଇଛି। ଦୟାକରି ସମ୍ବନ୍ଧିତ ସୂଚନା ସହିତ ଏକ ନରମ ସ୍ୱରରେ ବିସ୍ତୃତ ଲେଖ ଲେଖନ୍ତୁ। ଦୟାକରି ଓଡ଼ିଆରେ କେବଳ ଲେଖ ସହିତ ଉତ୍ତର ଦିଅନ୍ତୁ।

Leave a Comment