-
2024年技术趋势：从云的演变到人工智能的威胁格局我们生活在一个日益互联的世界，科技创新不断推动技术行业发展。企业要紧跟潮流，保持警惕，走在趋势前沿，才能应对挑战。灵活性成为云和“即服务”模式的关键近年来，云计算被广泛认为是企业寻求降低IT成本的最佳解决方案，使技术领导者能够摆脱昂贵的传统基础设施。然而，展望2024年，随着组织试图通过将某些应用从公共云迁移出去，重新获得控制权，这一趋势可能会明显转向私有基础设施。虽然云计算对企业发挥着重要作用，但其提供的灵活性成为一个关键考虑因素。企业需要更严格和定制的
-
推荐算法作为机器学习和数据挖掘领域的核心组成部分，在个性化推荐内容方面起到了重要的作用。在.NET开发中，我们可以使用不同的算法来实现推荐系统。本文将介绍三种常见的推荐算法：协同过滤、内容过滤和深度学习推荐系统，并为每种算法提供.NET源代码示例。协同过滤推荐算法协同过滤算法基于用户行为数据，通过分析用户之间的相似性来为用户提供推荐内容。常见的协同过滤算法包括基于用户的协同过滤和基于物品的协同过滤。下面是一个.NET示例，演示了基于用户的协同过滤算法的实现：```csharpusingSystem;usi
-
2023年，AI技术已经成为热点话题，对各行业产生了巨大影响，编程领域尤其如此。人们越来越认识到AI技术的重要性，Spring社区也不例外。随着GenAI（GeneralArtificialIntelligence）技术的不断进步，简化具备AI功能的应用程序的创建变得至关重要和迫切。在这个背景下，"SpringAI"应运而生，旨在简化开发AI功能应用程序的过程，使其变得简单直观，避免不必要的复杂性。通过"SpringAI"，开发者可以更轻松地构建具备AI功能的应用程序，将其变得更加易于使用和操作。这不仅有
-
随着LLaMA、Mistral等大语言模型的成功，许多公司开始创建自己的大语言模型。然而，从头训练新的模型成本高昂，且可能存在能力冗余。近日，中山大学和腾讯AILab的研究人员提出了FuseLLM，用于「融合多个异构大模型」。与传统的模型集成和权重合并方法不同，FuseLLM提供了一种新的方式来融合多个异构大语言模型的知识。与同时部署多个大语言模型或要求合并模型结果不同，FuseLLM使用轻量级的持续训练方法，将各个模型的知识和能力转移到一个融合的大语言模型中。这种方法的独特之处在于它能够在推理时使用多个
-
一周前，OpenAI给用户送出福利。他们解决了GPT-4变懒的问题，并推出了5个新模型，其中包括text-embedding-3-small嵌入模型，它更小巧高效。嵌入是用来表示自然语言、代码等内容中的概念的数字序列。它们帮助机器学习模型和其他算法更好地理解内容之间的关联，也更容易执行聚类或检索等任务。在NLP领域，嵌入起着非常重要的作用。不过，OpenAI的嵌入模型并不是免费给大家使用的，比如text-embedding-3-small的收费价格是每1ktokens0.00002美元。现在，比text-
-
赶在春节前，通义千问大模型（Qwen）的1.5版上线了。今天上午，新版本的消息引发了AI社区关注。新版大模型包括六个型号尺寸：0.5B、1.8B、4B、7B、14B和72B。其中，最强版本的性能超越了GPT3.5和Mistral-Medium。该版本包含Base模型和Chat模型，并提供多语言支持。阿里通义千问团队表示，相关技术也已经上线到了通义千问官网和通义千问App。除此以外，今天Qwen1.5的发布还有如下一些重点：支持32K上下文长度；开放了Base+Chat模型的checkpoint；可与Tra
-
熵量化了事件的不确定性大小。在数据科学中，交叉熵和KL散度与离散概率分布相关，用于衡量两个分布的相似程度。在机器学习中，通过交叉熵损失来评估预测分布与真实分布的接近程度。给定真实分布t和预测分布p，它们之间的交叉熵由以下等式给出：其中p(x)是真实概率分布(one-hot)，q(x)是预测概率分布。然而，在现实世界中，预测值与实际值的差异称为发散，因为它们背离了实际值。交叉熵是熵和KL散度的综合度量。现在让我们使用分类示例了解交叉熵如何适合深度神经网络范例。每个分类案例都有一个已知的类别标签，概率为1.0
-
光学字符识别（OCR）是数字化文档的重要技术之一。它利用计算机视觉检测和读取图像中的文本，并结合自然语言处理算法破译和理解文档传达的内容。本文将详细介绍OCR技术的原理和应用。光学字符识别技术的实现方式基于机器学习的办法虽然基于机器学习的方法开发速度快，但运行时间长得多，准确性和推理速度容易被深度学习算法超越。光学字符识别方法经过预处理，清理和消除噪音，然后二值化文档以进行轮廓检测，帮助行列检测。最后，通过各种机器学习算法，如K近邻和支持向量机算法提取、分割和识别字符。虽然在简单的OCR数据集上效果很好，
-
深度聚类是一种结合了深度学习模型和聚类算法的方法，用于自动地从数据中学习特征并将数据分组成具有相似特征的类别。相较于传统的聚类算法，深度聚类能够有效处理高维度、非线性和复杂的数据，并具有更好的表现力和精度。通过深度学习模型，深度聚类可以学习到数据的抽象表示，从而更好地捕捉数据的内在结构和相似性。这种方法的优势在于能够自动地学习到数据的特征，而无需手动定义特征，从而减少了人为因素的干扰。深度聚类在许多领域都有广泛的应用，如计算机视觉、自然语言处理和推荐系统等。深度聚类的核心思想是利用深度学习模型将数据降维到
-
机器学习到底是什么？它是人工智能的一部分，机器学习是一种人工智能应用程序，它赋予系统和机器拥有使用过去经验学习并改进的能力。它可以从数据中学习并将所学知识应用于未来，并以此得到更好成果的计算机程序。AI利用机器学习分析可用数据，以识别在不同场景中做出更佳决策的模式。机器学习的目标是让计算机和系统能够自动学习，无需人工干预。设计准确的模型需要处理大量数据以应对各种场景。机器学习通过强大的学习能力和算法，使这一过程更快、更容易。机器学习编程系统能够根据过去观察到的数据做出非编程决策。然而，有效地部署这样的系统
-
只会「看书」的大语言模型，有现实世界的视觉感知力吗？通过对字符串之间的关系进行建模，关于视觉世界，语言模型到底能学会什么？最近，麻省理工学院计算机科学与人工智能实验室（MITCSAIL）的研究人员对语言模型进行了评估，重点是其视觉能力。他们通过要求模型生成和识别出越来越复杂的视觉概念，从简单形状和物体到复杂场景，来测试模型的能力。研究人员还展示了如何使用纯文本模型训练一个初步的视觉表征学习系统。通过这项研究，他们为进一步发展和改进视觉表征学习系统奠定了基础。论文链接：https://arxiv.org/a
-
训练狗最佳方法是采用奖励机制，奖励它表现良好，惩罚它做错事。同样的策略可用于机器学习，称为强化学习。强化学习是机器学习的分支之一，通过决策训练模型来找到问题的最佳解决方案。为了提高模型准确性，可通过正奖励鼓励算法接近正确答案，同时给予负奖励以惩罚偏离目标的情况。只需要明确目标，再对数据进行建模，模型与数据开始交互，并自行提出解决方案，无需人工干预。强化学习实例我们还是以训练狗为例，我们提供诸如狗饼干之类的奖励来让狗执行各种动作。狗会按照一定的策略来追求奖励，因此它会听从命令并学习新的动作，如乞讨。狗喜欢四
-
主动学习是一种通过利用人类专家知识指导神经网络学习的方法，以提高模型性能和泛化能力。它通过少量数据来实现这一目的。主动学习的好处不仅在于节省了采集大量标注数据的成本，还在于能够让神经网络更加高效地利用已有的数据来进行学习。这种方法的优势在于其能够减少对标注数据的需求，并且通过有针对性地选择样本进行标注，能够更好地指导神经网络的学习过程。这种方法尤其适用于数据量有限的情况下，可以提高模型的学习效果和泛化能力。主动学习的基本思路是通过选择最有价值的样本来让人类专家进行标注，然后将这些标注好的数据加入训练集，以
-
如何根据特定需求选择视觉模型？ConvNet/ViT、supervised/CLIP模型，在ImageNet之外的指标上如何相互比较？来自MABZUAI和Meta的研究人员发表的最新研究，在「非标准」指标上全面比较了常见的视觉模型。论文地址：https://arxiv.org/pdf/2311.09215.pdfLeCun对这项研究给予高度赞扬，称其为非常出色的研究。研究比较了相似大小的ConvNext和VIT架构，在监督模式和使用CLIP方法进行训练时，对各种属性进行了全面比较。超越ImageNet准确
-
谷歌近日发布新闻稿，宣布推出ASPIRE训练框架，专为大语言模型设计。该框架旨在提升AI模型的选择性预测能力。谷歌提到，当下大语言模型在自然语言理解和生成内容方面发展迅速，已被用于构建各种创新应用，但要应用于高风险决策类场合依然不妥。这是由于模型预测具有不确定性及“幻觉”可能，因此谷歌开发了一款ASPIRE训练框架，为系列模型引入了“可信度”机制，即——模型会输出一系列答案，每个答案都会具有正确概率评分。▲图源谷歌新闻稿（下同）在技术层面，该训练框架可划分为三个阶段：特定任务调整、答案采样和自我评估学习。
