-
順豐供應(yīng)鏈攜手亞馬遜云科技，推動(dòng)供應(yīng)鏈智慧轉(zhuǎn)型和升級(jí)
北京——2023年2月23日 亞馬遜云科技日前宣布，領(lǐng)先的供應(yīng)鏈服務(wù)企業(yè)順豐供應(yīng)鏈與亞馬遜云科技聚力合作，打造智能化綜合管理平臺(tái)系統(tǒng)“數(shù)智門”，滿足多場(chǎng)景園區(qū)物流需求，實(shí)現(xiàn)供應(yīng)鏈端到端可視化。使用亞馬遜云科技計(jì)算、存儲(chǔ)、數(shù)據(jù)分析、容器、機(jī)器學(xué)習(xí)和安全等服務(wù)，順豐供應(yīng)鏈改進(jìn)了園區(qū)運(yùn)營(yíng)流程，提升了運(yùn)營(yíng)效率，園區(qū)車輛日吞吐量提升40~60%，員工作業(yè)效率提升30%，調(diào)度員和安檢員工作量減少50%。
-
亞馬遜云科技連續(xù)兩年蟬聯(lián)中國(guó)AI開發(fā)平臺(tái)"榜首"
北京2023年2月6日 /美通社/ -- 日前，全球知名市場(chǎng)調(diào)研機(jī)構(gòu)弗若斯特沙利文（Frost & Sullivan, 簡(jiǎn)稱沙利文）聯(lián)合頭豹研究院發(fā)布《2022年中國(guó)AI開發(fā)平臺(tái)市場(chǎng)報(bào)告》，亞馬遜云科技連續(xù)兩年蟬聯(lián)榜首，在中國(guó)AI開發(fā)平臺(tái)市場(chǎng)的綜合表現(xiàn)中，處于&...
-
亞馬遜云科技連續(xù)兩年蟬聯(lián)中國(guó)AI開發(fā)平臺(tái)“榜首”
北京——2023年2月6日，日前，全球知名市場(chǎng)調(diào)研機(jī)構(gòu)弗若斯特沙利文(Frost & Sullivan, 簡(jiǎn)稱沙利文)聯(lián)合頭豹研究院發(fā)布《2022年中國(guó)AI開發(fā)平臺(tái)市場(chǎng)報(bào)告》，亞馬遜云科技連續(xù)兩年蟬聯(lián)榜首，在中國(guó)AI開發(fā)平臺(tái)市場(chǎng)的綜合表現(xiàn)中，處于“弗若斯特雷達(dá)”創(chuàng)新指數(shù)和增長(zhǎng)指數(shù)的最高位置。亞馬遜云科技在AI開發(fā)平臺(tái)領(lǐng)域提供完備的AI開發(fā)軟硬件全棧服務(wù)，并通過“智能湖倉(cāng)架構(gòu)”加速數(shù)智融合，同時(shí)投身AI普惠化以構(gòu)建完善的AI開放體系，讓機(jī)器學(xué)習(xí)變得觸手可及。
-
國(guó)內(nèi)外都在積極部署和發(fā)展人工智能技術(shù)！
“一直在云環(huán)境中運(yùn)行人工智能模型的企業(yè)正在看到高性能云處理可能會(huì)給他們帶來的財(cái)務(wù)損失。2023年，可能會(huì)看到更多公司尋求降低人工智能推理云成本。實(shí)現(xiàn)這一點(diǎn)的最有效方法之一是在保持其準(zhǔn)確性的同時(shí)提高人工智能模型速度，減少在云上的處理時(shí)間，并有效地節(jié)省了資金。”
-
人工智能技術(shù)未來將在多領(lǐng)域高水平應(yīng)用！
今年的重慶政府工作報(bào)告中提出，培育人工智能等未來產(chǎn)業(yè)集群，加快制造業(yè)數(shù)字化轉(zhuǎn)型，培育壯大數(shù)字經(jīng)濟(jì)。在2023重慶兩會(huì)上，重慶市人大代表，科大訊飛人工智能西南研究院院長(zhǎng)婁超建議，推動(dòng)人工智能在教育、醫(yī)療、汽車、人才等領(lǐng)域的高水平應(yīng)用，促進(jìn)重慶經(jīng)濟(jì)高質(zhì)量發(fā)展。
-
Achronix：把握市場(chǎng)趨勢(shì)，靈活布局產(chǎn)品
疫情已近尾聲，但其積累的不利影響仍需持續(xù)消化。面臨著諸多的不確定性因素，我們度過了不平凡的2022，并將迎來令人期待的2023年。2023年伊始，我們特地邀請(qǐng)到了Achronix中國(guó)區(qū)總經(jīng)理郭道正先生，來參與21ic電子網(wǎng) “2022回顧及2023年展望”的專題采訪，和我們分享Achronix 2022這一年來的成績(jī)，以及對(duì)于2023年的趨勢(shì)展望。
-
蘇黎世保險(xiǎn)集團(tuán)選擇亞馬遜云科技加速數(shù)字化轉(zhuǎn)型 為客戶提供全新體驗(yàn)
全球保險(xiǎn)領(lǐng)導(dǎo)企業(yè)選擇亞馬遜云科技作為首選云供應(yīng)商，借助亞馬遜云科技能力及其歐洲(蘇黎世)區(qū)域云服務(wù)加快創(chuàng)新、滿足監(jiān)管和安全要求
-
什么是圖神經(jīng)網(wǎng)絡(luò)？未來如何發(fā)展？
圖是一種數(shù)據(jù)結(jié)構(gòu)，它對(duì)一組對(duì)象(節(jié)點(diǎn))及其關(guān)系(邊)進(jìn)行建模。近年來，由于圖結(jié)構(gòu)的強(qiáng)大表現(xiàn)力，用機(jī)器學(xué)習(xí)方法分析圖的研究越來越受到重視。圖神經(jīng)網(wǎng)絡(luò)(GNN)是一類基于深度學(xué)習(xí)的處理圖域信息的方法。由于其較好的性能和可解釋性，GNN最近已成為一種廣泛應(yīng)用的圖分析方法。
-
循環(huán)神經(jīng)網(wǎng)絡(luò) RNN發(fā)展史概述
循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)是一類以序列(sequence)數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸(recursion)且所有節(jié)點(diǎn)(循環(huán)單元)按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)(recursive neural network)。對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)的研究始于二十世紀(jì)80-90年代，并在二十一世紀(jì)初發(fā)展為深度學(xué)習(xí)(deep learning)算法之一，其中雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bidirectional RNN, Bi-RNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory networks，LSTM)是常見的循環(huán)神經(jīng)網(wǎng)絡(luò)。
-
什么是自編碼器？對(duì)機(jī)器學(xué)習(xí)有什么影響？
AutoEncoder的基本思想是利用神經(jīng)網(wǎng)絡(luò)來做無監(jiān)督學(xué)習(xí)，就是把樣本的輸入同時(shí)作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出。本質(zhì)上是希望學(xué)習(xí)到輸入樣本的表示(encoding)。早期AutoEncoder的研究主要是數(shù)據(jù)過于稀疏、數(shù)據(jù)高維導(dǎo)致計(jì)算復(fù)雜度高。比較早用神經(jīng)網(wǎng)絡(luò)做AutoEncoder的可以追溯到80年代的BPNN和MLP以及當(dāng)時(shí)Hinton推崇的RBM。后來到了2000年以后還堅(jiān)持在做的只剩下Hinton的RBM了。從2000年以后，隨著神經(jīng)網(wǎng)絡(luò)的快速興起，AutoEncoder也得到快速發(fā)展，基本上有幾條線：稀疏AutoEncoder、噪音容忍AutoEncoder、卷積AutoEncoder、變分AutoEncoder。最新的進(jìn)展是結(jié)合對(duì)抗思想的對(duì)抗AutoEncoder。
-
簡(jiǎn)述卷積神經(jīng)網(wǎng)絡(luò)發(fā)展進(jìn)程
卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，最早可以追溯到1962年，Hubel和Wiesel對(duì)貓大腦中的視覺系統(tǒng)的研究。1980年，一個(gè)日本科學(xué)家福島邦彥(Kunihiko Fukushima)提出了一個(gè)包含卷積層、池化層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在這個(gè)基礎(chǔ)上，Yann Lecun將BP算法應(yīng)用到這個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練上，就形成了當(dāng)代卷積神經(jīng)網(wǎng)絡(luò)的雛形。
-
什么是深度學(xué)習(xí)
深度學(xué)習(xí)是近10年機(jī)器學(xué)習(xí)領(lǐng)域發(fā)展最快的一個(gè)分支，由于其重要性，三位教授(Geoffrey Hinton、Yann Lecun、Yoshua Bengio)因此同獲圖靈獎(jiǎng)。深度學(xué)習(xí)模型的發(fā)展可以追溯到1958年的感知機(jī)(Perceptron)。1943年神經(jīng)網(wǎng)絡(luò)就已經(jīng)出現(xiàn)雛形(源自NeuroScience)，1958年研究認(rèn)知的心理學(xué)家Frank發(fā)明了感知機(jī)，當(dāng)時(shí)掀起一股熱潮。后來Marvin Minsky(人工智能大師)和Seymour Papert發(fā)現(xiàn)感知機(jī)的缺陷：不能處理異或回路等非線性問題，以及當(dāng)時(shí)存在計(jì)算能力不足以處理大型神經(jīng)網(wǎng)絡(luò)的問題。于是整個(gè)神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入停滯期。
-
可解釋性的標(biāo)準(zhǔn)是什么？
有一些特定的標(biāo)準(zhǔn)可用于分類模型解釋方法。Christoph Molnar在2018年“可解釋的機(jī)器學(xué)習(xí)，制作黑箱模型可解釋指南”中提到了一個(gè)很好的指南。
-
什么是對(duì)抗機(jī)器學(xué)習(xí)？為何要對(duì)抗機(jī)器學(xué)習(xí)？
對(duì)抗機(jī)器學(xué)習(xí)是一個(gè)機(jī)器學(xué)習(xí)與計(jì)算機(jī)安全的交叉領(lǐng)域。對(duì)抗機(jī)器學(xué)習(xí)旨在給惡意環(huán)境下的機(jī)器學(xué)習(xí)技術(shù)提供安全保障。由于機(jī)器學(xué)習(xí)技術(shù)一般研究的是同一個(gè)或較為穩(wěn)定的數(shù)據(jù)分布，當(dāng)部署到現(xiàn)實(shí)中的時(shí)候，由于惡意用戶的存在，這種假設(shè)并不一定成立。比如研究人員發(fā)現(xiàn)，一些精心設(shè)計(jì)的對(duì)抗樣本(adversarial example)可以使機(jī)器學(xué)習(xí)模型不能成功地輸出正確的結(jié)果。針對(duì)模型的攻擊問題，我們主要分為兩大類，就是從訓(xùn)練階段和推理(inference)階段來進(jìn)行討論。
-
什么是生成對(duì)抗網(wǎng)絡(luò)
生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN)是用于無監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)模型，由Ian Goodfellow等人在2014年提出。由神經(jīng)網(wǎng)絡(luò)構(gòu)成判別器和生成器構(gòu)成，通過一種互相競(jìng)爭(zhēng)的機(jī)制組成的一種學(xué)習(xí)框架，GAN在深度學(xué)習(xí)領(lǐng)域掀起了一場(chǎng)革命，這場(chǎng)革命產(chǎn)生了一些重大的技術(shù)突破，學(xué)術(shù)界和工業(yè)界都開始接受并歡迎GAN的到來。GAN最厲害的地方是它的學(xué)習(xí)性質(zhì)是無監(jiān)督的，GAN也不需要標(biāo)記數(shù)據(jù)，這使得GAN功能強(qiáng)大，因?yàn)閿?shù)據(jù)標(biāo)記的工作非?？菰?。
-
機(jī)器學(xué)習(xí)的經(jīng)典代表算法總結(jié)（二）
從1990到2012年，機(jī)器學(xué)習(xí)逐漸走向成熟和應(yīng)用，在這20多年里機(jī)器學(xué)習(xí)的理論和方法得到了完善和充實(shí)，可謂是百花齊放的年代。代表性的重要成果有：支持向量機(jī)(SVM，1995)、AdaBoost算法(1997)、循環(huán)神經(jīng)網(wǎng)絡(luò)和LSTM(1997)、流形學(xué)習(xí)(2000)、隨機(jī)森林(2001)。
-
機(jī)器學(xué)習(xí)的經(jīng)典代表算法總結(jié)（一）
1980年機(jī)器學(xué)習(xí)作為一支獨(dú)立的力量登上了歷史舞臺(tái)。在這之后的10年里出現(xiàn)了一些重要的方法和理論，典型的代表是：分類與回歸樹(CART，1984)、反向傳播算法(1986)、卷積神經(jīng)網(wǎng)絡(luò)(1989)。
-
機(jī)器學(xué)習(xí)算法分類有哪些
機(jī)器學(xué)習(xí)算法可以按照不同的標(biāo)準(zhǔn)來進(jìn)行分類。按照訓(xùn)練樣本提供的信息以及反饋方式的不同，將機(jī)器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。
-
機(jī)器學(xué)習(xí)的發(fā)展歷史介紹
機(jī)器學(xué)習(xí)已經(jīng)成為了當(dāng)今的熱門話題，但是從機(jī)器學(xué)習(xí)這個(gè)概念的誕生到機(jī)器學(xué)習(xí)技術(shù)的普遍應(yīng)用經(jīng)過了漫長(zhǎng)的過程。在機(jī)器學(xué)習(xí)發(fā)展的歷史長(zhǎng)河中，眾多優(yōu)秀的學(xué)者為推動(dòng)機(jī)器學(xué)習(xí)的發(fā)展做出了巨大的貢獻(xiàn)。
-
人工智能極簡(jiǎn)編年史
近幾年，人工智能一直是學(xué)術(shù)界和產(chǎn)業(yè)界研究的熱點(diǎn)，對(duì)于人工智能將如何改變我們的生活，人們充滿想象與期待。人工智能概念的提出，最早可以追溯到1956年的達(dá)特茅斯會(huì)議，然而，在那之后，人工智能又是如何一步步發(fā)展起來的呢？
- 得捷芯聞解碼研習(xí)站第一期：探索能源采集芯片的奧義
- 了解華邦優(yōu)質(zhì)技術(shù)資源， 闖三關(guān)，驗(yàn)證您的內(nèi)存/存儲(chǔ)達(dá)人身份
- ST超低功耗MCU來襲，挑戰(zhàn)趣味游戲，見證STM32U3的電池增壽能力
- PI邀您探索神秘節(jié)能空間，點(diǎn)亮你的專屬“智慧客廳”
- 基恩士新型顯微系統(tǒng)產(chǎn)品“VHX-X1系列”來襲，填寫有獎(jiǎng)問卷
- STM32C0系列MCU新品來襲，更高性能+更低成本，你值得擁有
- 挑戰(zhàn)趣味測(cè)試，驗(yàn)證您是存儲(chǔ)達(dá)人還是內(nèi)存大神
