


Entlasten Sie das Parken in geschäftigen Städten mithilfe von KI-Technologie
Die University of Bath entwickelt künstliche Intelligenz, um Autofahrern bei der Parkplatzsuche in belebten Stadtzentren zu helfen.
Die Software wird Autofahrer außerdem dazu anregen, mit Kommunalverwaltungen zusammenzuarbeiten, um die Umweltverschmutzung in belebten Innenstädten innerhalb sicherer Grenzen zu halten, als Teil weitreichender Pläne zur Reduzierung giftiger Luft in Innenstädten.
Da die städtische Bevölkerung weiter wächst (die weltweite Stadtbevölkerung wird sich bis 2050 voraussichtlich mehr als verdoppeln, wobei 7 von 10 Menschen in Städten leben), wird die Notwendigkeit, neue Technologien zur Verringerung von Umweltverschmutzung und Staus einzusetzen, immer wichtiger immer dringender. Allerdings müssen alle Maßnahmen zur Eindämmung der Autonutzung in Städten auch die Bedürfnisse der Menschen in ländlichen Gemeinden berücksichtigen, die möglicherweise auf Autos angewiesen sind, um Zugang zu grundlegenden Dienstleistungen zu erhalten.
Das neue Projekt ist eine Zusammenarbeit zwischen Informatikern in Bath und Chipside Ltd, einem führenden IT-Anbieter für Park- und Verkehrsmanagement. Das Potenzial für die Übernahme dieser neuen Technologie durch Kommunen im gesamten Vereinigten Königreich ist groß: Chipside ist derzeit für die Bereitstellung digitaler Parkgenehmigungen und bargeldloses Parken an über 50 % der Kommunen im gesamten Vereinigten Königreich verantwortlich.
Netto-Null-Kohlenstoff-Emissionen
Im Rahmen einer 2,5-jährigen Partnerschaft mit Bath wird Chipside eine Software-Suite entwickeln, die Kommunen dabei helfen soll, die im Zehn-Punkte-Plan der Regierung festgelegten Meilensteine für Parkplätze, Stadtzugang und Fahrzeugverkehr einzuhalten. Der im November 2020 ins Leben gerufene Plan nutzt öffentliche und private Investitionen, um das Vereinigte Königreich seinem Ziel näher zu bringen, bis 2050 Netto-CO2-Emissionen von Null zu verursachen.
Nach dem Umweltgesetz, das 2021 in Kraft tritt, werden lokale Behörden stark dazu angeregt, „Smart City“-Initiativen zu starten, wie sie im Bath-Chipsside-Projekt vorgeschlagen werden, denn wenn sie Umweltziele verfehlen, sind sie anfälliger für Laiyue drohen hohe Geldstrafen. Ein wichtiges Ziel, das derzeit diskutiert wird, besteht darin, den Feinstaub (PM2,5), der bei der Verbrennung von Kraftstoffen entsteht, innerhalb des von der Weltgesundheitsorganisation empfohlenen Bereichs zu halten.
Beeinflussung des Fahrerverhaltens
Das neue Projekt wird die neueste Technologie der künstlichen Intelligenz nutzen, um Dienste zu schaffen, die es lokalen Behörden ermöglichen, große Datenmengen zum Fahrerverhalten zu analysieren und lokale Reisemuster besser zu steuern.
Dr. Özgür Şimşek, stellvertretender Direktor für Informatik und Leiter der Forschungsgruppe für künstliche Intelligenz in Bath, wird der akademische Leiter des Projekts sein. Sie erklärt, warum es sinnvoll ist, Dienste zu entwickeln, um das Fahrerverhalten auf der letzten Meile in die Innenstädte zu ändern.
„Stellen Sie sich vor, Sie fahren an einem Donnerstagmorgen in die Stadt und ohne Ihr Wissen ist Ihr Auto der einzige Motor, der in der Stadt dazu führt, dass die zulässigen Schadstoffwerte überschritten werden, was zu einer hohen Geldstrafe von der örtlichen Regierung führt. Stellen Sie sich das stattdessen vor.“ Geschieht dies nicht, erhalten Sie einen Vorschlag zum Parken an einem anderen, besseren Ort und erhalten einen freien Parkplatz. Das System zeigt Ihnen auch eine verkehrsarme Route zum freien Parkplatz an und der gesamte Service wird auf Sie zugeschnitten individuelle Bedürfnisse zu erfüllen und gleichzeitig dazu beizutragen, Netto-Null-Ziele zu erreichen
Dr. Tom Haines, Dozent für maschinelles Lernen an der Fakultät für Informatik in Bath und Kollege im KTP-Team, fügte hinzu: „Ein wichtiges Ziel dieses Projekts ist es, Transportdienste zugänglich zu machen Jeder reagiert schneller. Derzeit treffen die Menschen Entscheidungen, etwa wo sie parken, und die Regierung reagiert später. Der Echtzeitdienst stellt einen Strom gesammelter, aber ungenutzter Daten zum Fahrverhalten bereit. Durch den Einsatz künstlicher Intelligenz schaffen wir ein dynamisches System, das sich an die Bedürfnisse des Fahrers und der Umgebung anpasst und letztlich allen zugute kommt.
David Wright, Gründer von Chipside und Head of Industry bei KTP, sagte: „Die neuen Erkenntnisse aus der Partnerschaft werden für unser Unternehmen transformativ sein. Sie werden ein wesentlicher Bestandteil unserer zukünftigen Softwareentwicklungsstrategie sein und es uns ermöglichen, unsere zu erweitern.“ Die Fähigkeit, und was noch wichtiger ist, die Umweltverschmutzung zu reduzieren und Mobilitätsangebot und -nachfrage in Echtzeit zu steuern
Izaro Lopez Garcia, Business Partnership Manager bei den Forschungs- und Innovationsdiensten (RIS) der University of Bath, der die Partnerschaft ermöglichte, sagte: „Dies Projekt wird Es ist das erste Kommunalverwaltungsprojekt Großbritanniens, das grenzüberschreitende Park- und Mobilitätsdaten in Echtzeit austauscht. Das Chipside-System integriert bereits grenzüberschreitende Daten, und künstliche Intelligenz könnte einen Schritt weiter zur Erreichung des Netto-Null-Ziels der britischen Regierung beitragen.
Das obige ist der detaillierte Inhalt vonEntlasten Sie das Parken in geschäftigen Städten mithilfe von KI-Technologie. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
