Inhaltsverzeichnis
Die Entwicklung von MLOps
Heim Technologie-Peripheriegeräte KI Wie können Unternehmen mithilfe von MLOps die Produktionseffizienz verbessern, um die KI-Entwicklung zu beschleunigen?

Wie können Unternehmen mithilfe von MLOps die Produktionseffizienz verbessern, um die KI-Entwicklung zu beschleunigen?

Apr 12, 2023 pm 12:31 PM
人工智能 idc mlops

Wie können Unternehmen mithilfe von MLOps die Produktionseffizienz verbessern, um die KI-Entwicklung zu beschleunigen?

Wenn Unternehmen zum ersten Mal künstliche Intelligenz einsetzen und maschinelle Lernprojekte aufbauen, konzentrieren sie sich oft auf die Theorie. Gibt es also ein Modell, das die notwendigen Ergebnisse liefern kann? Wenn ja, wie bauen und trainieren wir ein solches Modell?

Laut IDC-Daten dauert die Bereitstellung von Lösungen für künstliche Intelligenz oder maschinelles Lernen durchschnittlich mehr als 9 Monate. Vor allem, weil die Tools, die Datenwissenschaftler zum Erstellen dieser Proofs of Concept verwenden, oft nicht gut auf Produktionssysteme übertragen werden können. IDC-Analyst Sriram Subramanian sagte: „Wir nennen die für den F&E-Prozess benötigte Zeit ‚Modellgeschwindigkeit‘, also wie lange es von Anfang bis Ende dauert.“

Unternehmen können MLOps nutzen, um die oben genannten Probleme zu lösen. MLOps (Machine Learning Operations) ist eine Reihe von Best Practices, Frameworks und Tools, die Unternehmen bei der Verwaltung von Daten, Modellen, Bereitstellung, Überwachung und anderen Aspekten unterstützen können, die theoretische Konzepte nutzen, um KI-Systeme zu validieren und effektiv zu machen.

Subramanian erklärt weiter: „MLOps reduziert die Modellgeschwindigkeit auf Wochen – manchmal sogar Tage, genau wie der Einsatz von DevOps, um die durchschnittliche Zeit zum Erstellen einer Anwendung zu verkürzen, weshalb Sie MLOps benötigen, um mehr Multiples zu erstellen.“ Modelle, schnellere Innovation und mehr Nutzungsszenarien. „Das Wertversprechen von MLOps ist klar.“

Laut IDC werden bis 2024 60 % der Unternehmen MLOps zur Implementierung ihrer maschinellen Lernabläufe nutzen. Subramanian sagte, als sie die Befragten zu den Herausforderungen bei der Einführung von KI und maschinellem Lernen befragten, sei eines der größten Hindernisse das Fehlen von MLOps gewesen, gleich nach den Kosten.

In diesem Artikel untersuchen wir, was MLOps ist, wie es sich entwickelt hat und was Unternehmen erreichen und beachten müssen, um das Beste aus dieser neuen KI-Betriebsmethode herauszuholen.

Die Entwicklung von MLOps

Als Eugenio Zuccarelli vor ein paar Jahren mit der Entwicklung von Projekten für maschinelles Lernen begann, war MLOps nur eine Reihe von Best Practices. Seitdem hat Zuccarelli an KI-Projekten bei mehreren Unternehmen gearbeitet, darunter im Gesundheitswesen und im Finanzdienstleistungsbereich, und er hat beobachtet, wie sich MLOps im Laufe der Zeit weiterentwickelten und eine Vielzahl von Tools und Plattformen umfassten.

Heute bietet MLOps einen ziemlich leistungsstarken Rahmen für den Betrieb künstlicher Intelligenz, sagte Zuccarelli, jetzt innovativer Datenwissenschaftler bei CVS Health, und erwähnte ein früheres Projekt, an dem er gearbeitet hat, um ein System zu entwickeln, das unerwünschte Ergebnisse wie Wiedereinweisungen oder Krankheiten vorhersagen kann Progression.

„Wir untersuchen Datensätze und Modelle und kommunizieren mit Ärzten, um die Eigenschaften der besten Modelle herauszufinden. Damit diese Modelle jedoch wirklich nützlich sind, müssen Benutzer diese Modelle tatsächlich verwenden.“ Erstellen Sie eine zuverlässige, schnelle und stabile mobile Anwendung. Das Backend verfügt über ein maschinelles Lernsystem, das über eine API verbunden ist. „Ohne MLOps könnten wir dies nicht gewährleisten“, sagte er

Sein Team nutzte die H2O MLOps-Plattform und andere Tools, um ein Gesundheits-Dashboard für das Modell zu erstellen. „Sie möchten auf keinen Fall größere Änderungen am Modell vornehmen und keine Verzerrungen hervorrufen. Mithilfe von MLOps können wir auch erkennen, ob sich das System geändert hat.“ Plattform. Er sagte: „Es ist sehr schwierig, Dateien auszutauschen, ohne die Anwendungsarbeit zu stoppen. MLOps kann das System während der Produktion mit minimalen Auswirkungen auf das System austauschen.“

Er sagte, dass sich die MLOps-Plattform schrittweise weiterentwickelt gesamten Modellentwicklungsprozess, da Unternehmen das Framework nicht für jedes Projekt neu erfinden müssen. Auch Funktionen zur Datenpipeline-Verwaltung sind für die KI-Implementierung von entscheidender Bedeutung.

„Wenn wir über mehrere Datenquellen verfügen, die miteinander kommunizieren müssen, kommt MLOps ins Spiel. Sie möchten, dass alle Daten, die in das maschinelle Lernmodell einfließen, konsistent und von hoher Qualität sind Rein, Müll raus. Wenn die Informationen des Modells schlecht sind, werden auch die Vorhersagen selbst schlecht sein. Die Kernprinzipien von MLOps werden ignoriert. Unternehmen, die neu bei MLOps sind, sollten bedenken, dass es bei MLOps im Kern darum geht, eine starke Verbindung zwischen Data Science und Data Engineering herzustellen.

Zuccarelli sagte: „Um den Erfolg von MLOps-Projekten sicherzustellen, müssen Dateningenieure und Datenwissenschaftler im selben Team arbeiten.“

Darüber hinaus sind Voreingenommenheit zu verhindern, Transparenz zu gewährleisten, Erklärbarkeit bereitzustellen und ethische Plattformen zu unterstützen Die Tools befinden sich noch in der Entwicklung. „In diesem Bereich muss definitiv noch viel getan werden, da es sich um einen sehr neuen Bereich handelt.“ müssen ein gutes Verständnis dafür haben, wie MLOps alle Aspekte der künstlichen Intelligenz effektiv implementieren können. Das bedeute, Fachwissen im Großen und Ganzen aufzubauen, sagte Meagan Gentry, nationale Praxismanagerin für das KI-Team beim Technologieberatungsunternehmen Insight.

MLOps deckt das gesamte Spektrum von der Datenerfassung, -verifizierung und -analyse bis hin zur Verwaltung von Maschinenressourcen und der Verfolgung der Modellleistung ab. Es gibt viele Hilfstools, die lokal, in der Cloud oder am Edge bereitgestellt werden können Open Source und einige sind exklusiv.

Aber die Beherrschung der Technologie ist nur ein Aspekt, MLOps greift auch auf die agilen Methoden von DevOps und die Prinzipien der iterativen Entwicklung zurück, sagte Gentry. Darüber hinaus ist die Kommunikation, wie in jedem agilen Bereich, von entscheidender Bedeutung.

„Die Kommunikation in jeder Rolle ist sehr wichtig, die Kommunikation zwischen Datenwissenschaftlern und Dateningenieuren, die Kommunikation mit DevOps und die Kommunikation mit dem gesamten IT-Team.“

#🎜 🎜#Für Unternehmen, die gerade erst anfangen Allerdings kann MLOps verwirrend sein, es gibt viele allgemeine Prinzipien, Dutzende verwandter Anbieter und sogar viele Open-Source-Tool-Sets.

„Es gibt hier und da alle möglichen Fallstricke“, sagte Helen Ristov, Senior Manager für Unternehmensarchitektur bei Capgemini Americas. „Viele davon befinden sich noch in der Entwicklung und es gibt noch keine formellen Richtlinien. Wie DevOps handelt es sich hierbei um eine aufstrebende Technologie und es wird einige Zeit dauern, bis Richtlinien und zugehörige Richtlinien eingeführt werden.“ #Ristov schlägt vor, dass Unternehmen ihre MLOps-Reise mit einer Datenplattform beginnen sollten. „Vielleicht haben sie Datensätze, aber sie befinden sich an verschiedenen Orten und es gibt keine einheitliche Umgebung.“

Unternehmen müssen nicht alle ihre Daten auf eine Plattform verschieben, sagte sie, aber sie tun es Eine Methode muss Daten aus unterschiedlichen Datenquellen einführen, und unterschiedliche Anwendungen haben unterschiedliche Situationen. Data Lakes sind beispielsweise ideal für Unternehmen, die große Mengen an Analysen mit hoher Frequenz und kostengünstiger Speicherung durchführen. MLOps-Plattformen verfügen oft über Tools zum Aufbau und zur Verwaltung von Datenpipelines und zur Verfolgung verschiedener Versionen von Trainingsdaten, aber dies ist kein einheitlicher Ansatz. Dann gibt es noch andere Aspekte wie Modellerstellung, Versionskontrolle, Protokollierung, Messung von Funktionssätzen, Verwaltung des Modells selbst und mehr.

„Da ist viel Codierung erforderlich“, sagte Ristov. Der Aufbau einer MLOps-Plattform kann Monate dauern, und Plattformanbieter haben bei Integrationen viel zu tun.

„Es gibt noch viel Raum für Entwicklung in diese verschiedenen Richtungen, viele Tools befinden sich noch in der Entwicklung, das Ökosystem ist sehr groß und die Leute wählen einfach aus, was sie brauchen. MLOps steckt noch in der Entwicklung.“ „Adoleszenz“ und die meisten Unternehmensorganisationen sind immer noch auf der Suche nach der idealsten Konfiguration.“ von 185 Millionen US-Dollar im Jahr 2020. Ungefähr 700 Millionen US-Dollar bis 2025, aber dieser Markt dürfte auch deutlich unterbewertet sein, da MLOps-Produkte oft mit größeren Plattformen gebündelt sind. Er sagte, dass die tatsächliche Größe des MLOps-Marktes bis 2025 2 Milliarden US-Dollar überschreiten könnte.

Subramanian sagte, dass MLOps-Anbieter in der Regel in drei Hauptkategorien unterteilt werden: Die erste sind große Cloud-Anbieter wie AWS, Azure und Google Cloud. Solche Anbieter bieten MLOps-Funktionalität als Service an.

Die zweite Kategorie sind Hersteller von Plattformen für maschinelles Lernen, wie DataRobot, Dataiku, Iguazio usw.

„Die dritte Kategorie ist das, was wir früher Datenverwaltungsanbieter nannten, wie Cloudera, SAS, DataBricks usw. Ihre Vorteile liegen in Datenverwaltungsfunktionen und Datenoperationen und erstrecken sich dann auf maschinelle Lernfunktionen , und schließlich die MLOps-Fähigkeiten erweitern.“

Subramanian sagte, dass diese drei Bereiche ein explosives Wachstum gezeigt haben und was MLOps-Anbieter auszeichnen kann, ist, ob sie sowohl lokale Umgebungen als auch Cloud-Bereitstellungsmodelle unterstützen können Ob sie vertrauenswürdige und verantwortungsvolle künstliche Intelligenz implementieren können, ob sie Plug-and-Play-fähig ist und ob sie leicht erweiterbar ist, das ist der Aspekt, der den Unterschied widerspiegelt. ”

Laut einer aktuellen IDC-Umfrage ist der Mangel an verschiedenen Methoden zur Implementierung verantwortungsvoller KI eines der drei größten Hindernisse für die Verbreitung von künstlicher Intelligenz und maschinellem Lernen, gleichauf mit dem Mangel an zweitplatzierten Methoden „Diese Situation ist größtenteils auf die Tatsache zurückzuführen, dass es keine Alternative zur Einführung von MLOps gibt“, sagte Sumit Agarwal, Forschungsanalyst für künstliche Intelligenz und maschinelles Lernen bei Gartner. „Die anderen Methoden sind manuell, es gibt also wirklich keine andere Wahl.“ . Wenn Sie skalieren möchten, benötigen Sie Automatisierung. Sie benötigen Code-, Daten- und Modellrückverfolgbarkeit. „

Laut einer aktuellen Umfrage von Gartner hat sich die durchschnittliche Zeit, die ein Modell vom Proof of Concept bis zur Produktion benötigt, von 9 Monaten auf 7,3 Monate verkürzt. „Aber 7,3 Monate sind immer noch lang.“ Gleichzeitig gibt es für Unternehmen viele Möglichkeiten, MLOps zu nutzen. „

MLOps führt zu Veränderungen in der Unternehmenskultur

Amaresh Tripathy, globaler Analyseleiter bei Genpact, sagte, dass die Implementierung von MLOps auch einen kulturellen Wandel als Unternehmens-KI-Team erfordert 🎜#

„Ein Datenwissenschaftler wirkt oft wie ein verrückter Wissenschaftler, der versucht, die Nadel im Heuhaufen zu finden. Aber in Wirklichkeit sind Datenwissenschaftler Entdecker und Entdecker und keine Fabriken, die Widgets herstellen. „Unternehmen unterschätzen oft den Aufwand, den sie betreiben müssen.

„Die Leute können das Engineering besser verstehen und haben bestimmte Anforderungen an die Benutzererfahrung, aber ich weiß nicht warum, die Leute haben völlig unterschiedliche Bereitstellungsmodelle.“ Man würde annehmen, dass alle Datenwissenschaftler, die gut im Testen von Umgebungen sind, diese Modelle natürlich einsetzen oder ein paar IT-Mitarbeiter schicken können, um sie bereitzustellen, was falsch ist. Die Leute verstehen nicht, was sie brauchen. ”

Viele Unternehmen sind sich der Dominoeffekte, die MLOps auf andere Aspekte des Unternehmens haben können, nicht bewusst, was oft zu großen Veränderungen innerhalb des Unternehmens führt.

„Man kann MLOps in Callcentern einsetzen und die durchschnittliche Reaktionszeit wird sich tatsächlich erhöhen, weil die Handhabung einfacher Dinge Maschinen und der KI überlassen wird und Dinge, die Menschen überlassen werden, tatsächlich länger dauern, weil diese Dinge tendenziell komplexer sind, also.“ Sie müssen überdenken, was diese Jobs sind, welche Art von Leuten Sie brauchen und welche Fähigkeiten diese Leute haben sollten.“ Tripathy sagte, dass heute weniger als 5 % von ihnen in einer Unternehmensorganisation tätig sind. Entscheidungen werden von Algorithmen gesteuert, aber das hier verändert sich rasant. „Wir gehen davon aus, dass in den nächsten fünf Jahren 20 bis 25 % der Entscheidungen von Algorithmen gesteuert werden, und jede Statistik, die wir sehen, zeigt, dass wir uns an einem Wendepunkt in der rasanten Ausbreitung der künstlichen Intelligenz befinden.“

Das glaubt er MLOps ist ein Schlüsselelement. Ohne MLOps können Sie KI nicht konsequent nutzen. MLOps ist der Katalysator für die Skalierung der Unternehmens-KI.

Das obige ist der detaillierte Inhalt vonWie können Unternehmen mithilfe von MLOps die Produktionseffizienz verbessern, um die KI-Entwicklung zu beschleunigen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Beste grafische Einstellungen
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. So reparieren Sie Audio, wenn Sie niemanden hören können
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Wie man alles in Myrise freischaltet
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet Jun 28, 2024 am 03:51 AM

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

Kontexterweiterter KI-Codierungsassistent mit Rag und Sem-Rag Kontexterweiterter KI-Codierungsassistent mit Rag und Sem-Rag Jun 10, 2024 am 11:08 AM

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

Sieben coole technische Interviewfragen für GenAI und LLM Sieben coole technische Interviewfragen für GenAI und LLM Jun 07, 2024 am 10:06 AM

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

Kann LLM durch Feinabstimmung wirklich neue Dinge lernen: Die Einführung neuen Wissens kann dazu führen, dass das Modell mehr Halluzinationen hervorruft Kann LLM durch Feinabstimmung wirklich neue Dinge lernen: Die Einführung neuen Wissens kann dazu führen, dass das Modell mehr Halluzinationen hervorruft Jun 11, 2024 pm 03:57 PM

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

Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt Jul 25, 2024 am 06:42 AM

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

Fünf Schulen des maschinellen Lernens, die Sie nicht kennen Fünf Schulen des maschinellen Lernens, die Sie nicht kennen Jun 05, 2024 pm 08:51 PM

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

SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen Jul 17, 2024 pm 06:37 PM

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

GlobalFoundries erschließt Märkte wie KI und erwirbt die Galliumnitrid-Technologie von Tagore Technology und zugehörige Teams GlobalFoundries erschließt Märkte wie KI und erwirbt die Galliumnitrid-Technologie von Tagore Technology und zugehörige Teams Jul 15, 2024 pm 12:21 PM

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G

See all articles