Technologie-Peripheriegeräte
KI
Das Open-Source-Projekt YLearn für kausales Lernen hilft der künstlichen Intelligenz dabei, auf eine neue Stufe zu gelangen
Das Open-Source-Projekt YLearn für kausales Lernen hilft der künstlichen Intelligenz dabei, auf eine neue Stufe zu gelangen
Am 12. Juli 2022 veröffentlichte die Jiuzhang Yunji DataCanvas Company eine weitere bahnbrechende Errungenschaft der Open-Source-Technologie – das Open-Source-Projekt YLearn für kausales Lernen und hielt erfolgreich eine Online-Pressekonferenz ab.
Die Konferenz steht unter dem Motto „Von der Vorhersage zur Entscheidungsfindung, verständliche KI“ und lädt insbesondere Experten auf dem Gebiet des kausalen Lernens und der künstlichen Intelligenz ein: Jiuzhang Yunji DataCanvas Mitbegründer und CTOShang Mingdong, CSDN-Gründer und Vorsitzender, Jiang Tao, Gründungspartner von GeekBang Venture Capital, Cui Peng, ständiger außerordentlicher Professor und Doktorvater der Fakultät für Informatik an der Tsinghua-Universität, und das YLearn R&D-Team diskutierten gemeinsam die neuesten Forschungsergebnisse zum kausalen Lernen in der Wissenschaft und Industrie fördern gemeinsam die rasche Entwicklung der Kausalwissenschaft.
YLearn – der KI-Schlüssel, der die Tür zur „automatisierten Entscheidungsfindung“ öffnet.
YLearn Causal Learning Open Source Project ist das weltweit erste One-Stop-Open-Source-Algorithmus-Toolkit, das den gesamten Prozess abwickelt des kausalen Lernens und ist der erste, der das Problem löst. Die fünf Schlüsselthemen beim kausalen Lernen sind „kausale Entdeckung, kausale Quantitätsidentifizierung, kausale Wirkungsschätzung, kontrafaktische Schlussfolgerung und Strategielernen“ Es hat die Eigenschaften von aus einer Hand , neu und umfassend, mit breitem Einsatzspektrum und wird von „Entscheidungsträgern“ genutzt. Der Schwellenwert wird auf das niedrigste Niveau gesenkt, was Regierungen und Unternehmen hilft, ihre automatisierten „Entscheidungsfindung“-Fähigkeiten effektiv zu verbessern. YLearn Causal Learning Open Source Project
ist nach demDAT Automatic Machine Learning Toolkit und der DingoDB Real-Time Interactive Analysis Database das dritte Open Source Tool, das von der Firma Jiuzhang Yunji DataCanvas veröffentlicht wurde. Seitdem hat die Open-Source-Basissoftware von Jiuzhang Yunji DataCanvas ihr Einsatzgebiet weiter ausgebaut. Die Reihe von Open-Source-Basistools, die modernste KI-Technologien wie AutoML und kausales Lernen integrieren, wird die Freisetzung des Werts der Datenintelligenz weiter beschleunigen Regierung und die gesamte Industrie. Durch die Kombination innovativer Erkenntnisse aus hochmodernen akademischen Bereichen und Marktanwendungsfeldern stellte das Forschungs- und Entwicklungsteam des Open-Source-Projekts Jiuzhang Yunji DataCanvas fest, dass die derzeit weit verbreiteten Geschäftsprognoseergebnisse auf der Grundlage maschinellen Lernens zwar wirksam zur Verbesserung des Geschäftseinkommens beigetragen haben. Es liegt auf der Hand, aber angesichts der steigenden Nachfrage von Regierungen und Unternehmen nach „autonomer KI“ und „intelligenter Entscheidungsfindung“ benötigen Entscheidungsträger einen verständlichen „Grund“, der erklären kann, warum eine Entscheidung getroffen wird. Die Darstellung „kausaler Zusammenhänge“ ist damit zu einer unverzichtbaren Funktion für die Datenanalyse und intelligente Entscheidungsfindung geworden, maschinelles Lernen, das nur Daten „Korrelation“ liefert, kann dies jedoch nicht leisten. Die Integration von
mit der „Causal Learning“-Technologie wird die beste Lösung für dieses Problem sein, und das Open-Source-Projekt YLearn Causal Learning wurde geboren.Das Open-Source-Projekt YLearn für kausales Lernen (im Folgenden als „YLearn“ bezeichnet) verfügt auch über das Gen „Open Source, flexibel und automatisch“ des DataCanvas-Produkts von Jiuzhang Yunji. Basierend auf der Open-Source-Community zielt YLearn darauf ab, die Marktlücke zu schließen, in der ein vollständiges, umfassendes End-to-End-Toolkit für kausales Lernen fehlt, und mit globalen Open-Source-Mitwirkenden zusammenzuarbeiten, um ein 
End-to-End-Toolkit zu schaffen Das vollständige und systematischste
Derzeit besteht YLearn aus CausalDiscovery, CausalModel, EstimatorModel, Policy, Interpreter und anderen Komponenten. Jede Komponente unterstützt die unabhängige Verwendung und einheitliche Verpackung. Durch diese flexiblen Komponenten implementiert YLearn Funktionen wie die Verwendung von Kausaldiagrammen zur Darstellung von Kausalbeziehungen in Datensätzen, die Identifizierung von Kausaleffekten, Wahrscheinlichkeitsausdrücken und verschiedenen Schätzmodellen und wird die Leistung nach neuesten Forschungsergebnissen weiter steigern und verbessern.
Um die Nutzungsschwelle weiter zu senken und den Nutzungsprozess klar, einfach und benutzerfreundlich zu gestalten, wird YLearn auch die Kerntechnologie der Jiuzhang Yunji DataCanvas Company integrieren – automatisches maschinelles Lernen von AutoML. Mit der Unterstützung der AutoML-Technologie wird YLearn erweiterte „automatisierte“ Funktionen wie automatische Parameteranpassung, automatische Optimierung und die automatische Generierung mehrerer Entscheidungslösungen entsprechend dem Ergebnis „Y“ realisieren Erstellen Sie eine visuelle Entscheidungskarte auf der Grundlage kausaler Zusammenhänge, z. B. das Festlegen von Betriebsindikatoren für den Unternehmensbetrieb, und leiten Sie auf interaktive Weise die Auswirkungen und Vorteile verschiedener Entscheidungen ab. Das Open-Source-Projekt YLearn für kausales Lernen, das eine automatisierte Kausalitätsanalyse bereitstellt, wird Entscheidungsträgern wichtige Unterstützung bieten, um die Logik der KI-Entscheidungsfindung zu verstehen und die Glaubwürdigkeit der KI-Entscheidungsfindung zu erhöhen Schlüssel, um die Tür zur „automatisierten Entscheidungsfindung“ in Regierungen und Unternehmen zu öffnen. Kausales Lernen – führt künstliche Intelligenz auf eine neue StufeDas Potenzial des kausalen Lernens und sein Einfluss auf die zukünftige Ausrichtung der Technologie der künstlichen Intelligenz wurden von Wissenschaft und Industrie erkannt. Judea Pearl, Gewinnerin des Turing-Preises 2011 und Vater der Bayes’schen Netzwerke, erwähnte einmal, dass „die Entwicklung der KI ohne die Fähigkeit, über kausale Zusammenhänge nachzudenken, grundsätzlich begrenzt sein wird.“Fakultät für Informatik der Tsinghua-Universität, ständiger außerordentlicher Professor und DoktorvaterCui Peng wies auf dieser Pressekonferenz darauf hin, dass „kausale Statistiken eine wichtige Rolle bei der theoretischen Grundlage der neuen Generation spielen werden.“ der künstlichen Intelligenz.“ Die Hauptursache für die aktuellen Einschränkungen der künstlichen Intelligenz liegt darin, „sie zu wissen, aber nicht zu wissen, warum“. Unter ihnen bezieht sich „ran“ in „wissen“ auf die „Korrelationsbeziehung“ zwischen Daten und „so-ran“ auf die „kausale“ Beziehung zwischen Daten. Durch jahrelange Forschung zur Einführung von Kausalstatistiken in maschinelles Lernen stellte das Team von Professor Cui fest, dass Kausalstatistiken eine hervorragende Leistung bei der Lösung der Stabilitätsprobleme, Interpretierbarkeitsprobleme und Algorithmus-Fairness-Probleme des maschinellen Lernens erbringen.
Der kommerzielle Markt erfordert auch eine Beschleunigung der industriellen Anwendung der Technologie des kausalen Lernens. In Gartners neuestem Innovationsbericht zum kausalen Lernen „Innovation Insight: Causal
AI“ heißt es: „Künstliche Intelligenz muss über korrelationsbasierte Vorhersagen hinaus auf kausalitätsbasierte Lösungen übergehen, um eine bessere Entscheidungsfindung und eine stärkere Automatisierung zu ermöglichen … Kausale KI ist von entscheidender Bedeutung.“ in die Zukunft.“
Kausale Lerntechnologie wird die Autonomie, Erklärbarkeit, Anpassungsfähigkeit und Robustheit der Technologie der künstlichen Intelligenz erheblich verbessern. Diese Funktionen werden die Kosten weiter senken und die Effizienz für Regierungen und Unternehmen steigern, die digitale Intelligenz-Upgrades auf der Grundlage von KI-Technologie implementieren und einen unerwarteten Datenwert erzielen.
Schweres Open-Source-Tool – der Motor der innovativen Anwendung der KI-Technologie
Eine Spitzentechnologie kann eine erfolgreiche groß angelegte Anwendung auf dem kommerziellen Markt erzielen, und sie ist untrennbar miteinander verbunden von leistungsstarken Open-Source-Tools erleichtern und katalysieren.
Genau wie Sklearn (eines der bekanntesten Programmiermodule im Bereich maschinelles Lernen) für die Anwendung maschineller Lerntechnologie sowie TensorFlow und PyTorch (zwei voll funktionsfähige Frameworks für den Aufbau von Deep Learning). Modelle) Angesichts der großen Bedeutung und des Wertes der Anwendung der Deep-Learning-Technologie besteht auch ein dringender Bedarf an einem „Open-Source-Tool“, um Anwendungsengpässe im Bereich des kausalen Lernens zu überwinden.
Das Aufkommen des Open-Source-Toolkits für kausales Lernen von YLearn löst das „steckengebliebene“ Problem des Fehlens eines leistungsstarken und vollständigen Toolkits für kausales Lernen auf dem Markt und beschleunigt die Einführung der Technologie für kausales Lernen von „ Labor“ „Industrielle Anwendungen“. Gründer und Vorsitzender von CSDN und Gründungspartner von GeekBang Venture Capital江洋 sagte: „Es ist Zeit für Open Source in China, und es wird einen größeren Markt geben, wenn die Technologie zivilisiert wird. YLearn ist sehr optimistisch Die Anwendung der KI-Technologie in verschiedenen Branchen wird große Impulse geben.
Die Entwicklung der Softwareindustrie meines Landes ist die Grundlage für das Wachstum der Open-Source-Branche mit Wachstumsboden. Das Land legt großen Wert auf die Entwicklung der Open-Source-Industrie und fördert sie erstmals im „14. Fünfjahresplan“. Yunji DataCanvas Mitbegründer und CTO 山明东 sagte in seiner Rede auf der Pressekonferenz: „2022 ist das Jahr des Aufschwungs von Open Source.“ Wir glauben, dass Software im Bereich der KI im Vergleich zu Anwendungssoftware das „Hauptschlachtfeld“ für Basissoftware ist. ”
Jiuzhang Yunji DataCanvas hält an der Produktkultur des Unternehmens Jiuzhang Yunji DataCanvas fest, das sich eng auf das technologische Innovationskonzept „Datenintelligenz“ und „Integration und Anwendung von KI-Technologie in tatsächlichen Geschäftsszenarien“ konzentriert, und ist Open Source Projekt-Forschungs- und Entwicklungsteam Während wir Open-Source-Tools innovieren und iterieren, nehmen wir weiterhin die Bedürfnisse und Rückmeldungen aus praktischen Anwendungen in verschiedenen Szenarien von der Regierung und der Industrie auf. Gleichzeitig wird die KI-Basissoftware-Produktreihe von Jiuzhang Yunji DataCanvas kontinuierlich weiterentwickelt Durch die Integration und Anwendung mit unabhängig entwickelten Open-Source-Tools können Regierungs- und Unternehmenskunden schneller von dem Geschäftswert profitieren, der durch die Anwendung der KI-Fusionstechnologie entsteht
.Das obige ist der detaillierte Inhalt vonDas Open-Source-Projekt YLearn für kausales Lernen hilft der künstlichen Intelligenz dabei, auf eine neue Stufe zu gelangen. 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
1377
52
In diesem Artikel erfahren Sie mehr über SHAP: Modellerklärung für maschinelles Lernen
Jun 01, 2024 am 10:58 AM
In den Bereichen maschinelles Lernen und Datenwissenschaft stand die Interpretierbarkeit von Modellen schon immer im Fokus von Forschern und Praktikern. Mit der weit verbreiteten Anwendung komplexer Modelle wie Deep Learning und Ensemble-Methoden ist das Verständnis des Entscheidungsprozesses des Modells besonders wichtig geworden. Explainable AI|XAI trägt dazu bei, Vertrauen in maschinelle Lernmodelle aufzubauen, indem es die Transparenz des Modells erhöht. Eine Verbesserung der Modelltransparenz kann durch Methoden wie den weit verbreiteten Einsatz mehrerer komplexer Modelle sowie der Entscheidungsprozesse zur Erläuterung der Modelle erreicht werden. Zu diesen Methoden gehören die Analyse der Merkmalsbedeutung, die Schätzung des Modellvorhersageintervalls, lokale Interpretierbarkeitsalgorithmen usw. Die Merkmalswichtigkeitsanalyse kann den Entscheidungsprozess des Modells erklären, indem sie den Grad des Einflusses des Modells auf die Eingabemerkmale bewertet. Schätzung des Modellvorhersageintervalls
Identifizieren Sie Über- und Unteranpassung anhand von Lernkurven
Apr 29, 2024 pm 06:50 PM
In diesem Artikel wird vorgestellt, wie Überanpassung und Unteranpassung in Modellen für maschinelles Lernen mithilfe von Lernkurven effektiv identifiziert werden können. Unteranpassung und Überanpassung 1. Überanpassung Wenn ein Modell mit den Daten übertrainiert ist, sodass es daraus Rauschen lernt, spricht man von einer Überanpassung des Modells. Ein überangepasstes Modell lernt jedes Beispiel so perfekt, dass es ein unsichtbares/neues Beispiel falsch klassifiziert. Für ein überangepasstes Modell erhalten wir einen perfekten/nahezu perfekten Trainingssatzwert und einen schrecklichen Validierungssatz-/Testwert. Leicht geändert: „Ursache der Überanpassung: Verwenden Sie ein komplexes Modell, um ein einfaches Problem zu lösen und Rauschen aus den Daten zu extrahieren. Weil ein kleiner Datensatz als Trainingssatz möglicherweise nicht die korrekte Darstellung aller Daten darstellt. 2. Unteranpassung Heru.“
Die Entwicklung der künstlichen Intelligenz in der Weltraumforschung und der Siedlungstechnik
Apr 29, 2024 pm 03:25 PM
In den 1950er Jahren wurde die künstliche Intelligenz (KI) geboren. Damals entdeckten Forscher, dass Maschinen menschenähnliche Aufgaben wie das Denken ausführen können. Später, in den 1960er Jahren, finanzierte das US-Verteidigungsministerium künstliche Intelligenz und richtete Labore für die weitere Entwicklung ein. Forscher finden Anwendungen für künstliche Intelligenz in vielen Bereichen, etwa bei der Erforschung des Weltraums und beim Überleben in extremen Umgebungen. Unter Weltraumforschung versteht man die Erforschung des Universums, das das gesamte Universum außerhalb der Erde umfasst. Der Weltraum wird als extreme Umgebung eingestuft, da sich seine Bedingungen von denen auf der Erde unterscheiden. Um im Weltraum zu überleben, müssen viele Faktoren berücksichtigt und Vorkehrungen getroffen werden. Wissenschaftler und Forscher glauben, dass die Erforschung des Weltraums und das Verständnis des aktuellen Zustands aller Dinge dazu beitragen können, die Funktionsweise des Universums zu verstehen und sich auf mögliche Umweltkrisen vorzubereiten
Implementierung von Algorithmen für maschinelles Lernen in C++: Häufige Herausforderungen und Lösungen
Jun 03, 2024 pm 01:25 PM
Zu den häufigsten Herausforderungen, mit denen Algorithmen für maschinelles Lernen in C++ konfrontiert sind, gehören Speicherverwaltung, Multithreading, Leistungsoptimierung und Wartbarkeit. Zu den Lösungen gehören die Verwendung intelligenter Zeiger, moderner Threading-Bibliotheken, SIMD-Anweisungen und Bibliotheken von Drittanbietern sowie die Einhaltung von Codierungsstilrichtlinien und die Verwendung von Automatisierungstools. Praktische Fälle zeigen, wie man die Eigen-Bibliothek nutzt, um lineare Regressionsalgorithmen zu implementieren, den Speicher effektiv zu verwalten und leistungsstarke Matrixoperationen zu nutzen.
Mit einer einzelnen Karte läuft Llama 70B schneller als mit zwei Karten, Microsoft hat gerade FP6 in A100 integriert |
Apr 29, 2024 pm 04:55 PM
FP8 und die geringere Gleitkomma-Quantifizierungsgenauigkeit sind nicht länger das „Patent“ von H100! Lao Huang wollte, dass jeder INT8/INT4 nutzt, und das Microsoft DeepSpeed-Team begann, FP6 auf A100 ohne offizielle Unterstützung von NVIDIA auszuführen. Testergebnisse zeigen, dass die FP6-Quantisierung der neuen Methode TC-FPx auf A100 nahe an INT4 liegt oder gelegentlich schneller als diese ist und eine höhere Genauigkeit aufweist als letztere. Darüber hinaus gibt es eine durchgängige Unterstützung großer Modelle, die als Open-Source-Lösung bereitgestellt und in Deep-Learning-Inferenz-Frameworks wie DeepSpeed integriert wurde. Dieses Ergebnis wirkt sich auch unmittelbar auf die Beschleunigung großer Modelle aus – in diesem Rahmen ist der Durchsatz bei Verwendung einer einzelnen Karte zum Ausführen von Llama 2,65-mal höher als der von Doppelkarten. eins
Erklärbare KI: Erklären komplexer KI/ML-Modelle
Jun 03, 2024 pm 10:08 PM
Übersetzer |. Rezensiert von Li Rui |. Chonglou Modelle für künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden heutzutage immer komplexer, und die von diesen Modellen erzeugten Ergebnisse sind eine Blackbox, die den Stakeholdern nicht erklärt werden kann. Explainable AI (XAI) zielt darauf ab, dieses Problem zu lösen, indem es Stakeholdern ermöglicht, die Funktionsweise dieser Modelle zu verstehen, sicherzustellen, dass sie verstehen, wie diese Modelle tatsächlich Entscheidungen treffen, und Transparenz in KI-Systemen, Vertrauen und Verantwortlichkeit zur Lösung dieses Problems gewährleistet. In diesem Artikel werden verschiedene Techniken der erklärbaren künstlichen Intelligenz (XAI) untersucht, um ihre zugrunde liegenden Prinzipien zu veranschaulichen. Mehrere Gründe, warum erklärbare KI von entscheidender Bedeutung ist. Vertrauen und Transparenz: Damit KI-Systeme allgemein akzeptiert und vertrauenswürdig sind, müssen Benutzer verstehen, wie Entscheidungen getroffen werden
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
Ist Flash Attention stabil? Meta und Harvard stellten fest, dass die Gewichtsabweichungen ihrer Modelle um Größenordnungen schwankten
May 30, 2024 pm 01:24 PM
MetaFAIR hat sich mit Harvard zusammengetan, um einen neuen Forschungsrahmen zur Optimierung der Datenverzerrung bereitzustellen, die bei der Durchführung groß angelegten maschinellen Lernens entsteht. Es ist bekannt, dass das Training großer Sprachmodelle oft Monate dauert und Hunderte oder sogar Tausende von GPUs verwendet. Am Beispiel des Modells LLaMA270B erfordert das Training insgesamt 1.720.320 GPU-Stunden. Das Training großer Modelle stellt aufgrund des Umfangs und der Komplexität dieser Arbeitsbelastungen einzigartige systemische Herausforderungen dar. In letzter Zeit haben viele Institutionen über Instabilität im Trainingsprozess beim Training generativer SOTA-KI-Modelle berichtet. Diese treten normalerweise in Form von Verlustspitzen auf. Beim PaLM-Modell von Google kam es beispielsweise während des Trainingsprozesses zu Instabilitäten. Numerische Voreingenommenheit ist die Hauptursache für diese Trainingsungenauigkeit.
