Périphériques technologiques
IA
Façons d'utiliser l'intelligence artificielle pour réduire les déchets plastiques
Façons d'utiliser l'intelligence artificielle pour réduire les déchets plastiques
L'utilisation de l'intelligence artificielle dans la gestion des déchets plastiques rend le processus plus précis et plus rapide
Les déchets plastiques sont l'un des défis les plus courants en matière de durabilité et constituent aujourd'hui une préoccupation majeure pour les organisations. Dans leur quête pour minimiser et éliminer la pollution, les entreprises et les gouvernements se tournent vers l’intelligence artificielle (IA) comme outil utile. Moins de 10 % des 400 millions de tonnes de déchets plastiques générés chaque année dans le monde sont recyclés. Bien que la résolution de ce problème nécessite des changements importants et complexes, le recours à l’intelligence artificielle peut permettre d’acquérir les connaissances et l’efficacité requises.
Chaîne d'approvisionnement en plastique optimisée
L'intelligence artificielle peut améliorer l'efficacité des opérations de la chaîne d'approvisionnement. Grâce à l’analyse prédictive, les entreprises peuvent mieux comprendre les changements de la demande et éviter la surproduction. L’IA peut aider les entreprises à utiliser uniquement la quantité nécessaire de plastique, réduisant ainsi les déchets en adaptant la fabrication à l’évolution des cycles de la demande.
Certaines entreprises tentent de créer une chaîne d'approvisionnement en boucle fermée incluant le recyclage et les retours afin d'éliminer les déchets lors de la production. Des facteurs complexes doivent être pris en compte pour déterminer comment concevoir et mettre en œuvre ces systèmes, mais l’IA peut aider.
Les outils d'analyse peuvent identifier les emplacements potentiels de réutilisation des matériaux ou le moyen le plus efficace de gérer les retours. Les entreprises auront plus de facilité à restructurer leurs chaînes d’approvisionnement pour réduire les déchets plastiques.
Trouver de nouvelles méthodes d'élimination
L'intelligence artificielle peut proposer des solutions vertes créatives pour se débarrasser du plastique. Récemment, des chercheurs ont utilisé l’apprentissage automatique pour développer une enzyme capable de dégrader le polymère PET en ses composants chimiques en moins de 24 heures. Les entreprises peuvent transformer ces ingrédients en nouveaux matériaux et réduire les déchets.
Les techniques de découverte traditionnelles nécessitent beaucoup de travail et de ressources, nécessitant souvent plusieurs expériences en laboratoire. Les algorithmes de ML peuvent accélérer ce processus en simulant les interactions de différents composés. Ils peuvent alors découvrir des candidats prometteurs plus rapidement et avec plus de précision que la recherche traditionnelle.
Une étude similaire, assistée par l'IA, pourrait révéler d'autres stratégies pour décomposer le plastique. Les résultats pourraient jouer un rôle important dans la gestion des déchets plastiques actuels et dans la prévention des déchets futurs.
Trouver des moyens de réduire l'utilisation du plastique
Premièrement, réduire l'utilisation de ce matériau est la première manière par laquelle l'intelligence artificielle peut contribuer à réduire les déchets plastiques. Certaines entreprises ont commencé à utiliser l’intelligence artificielle pour simuler et analyser diverses présentations d’emballages afin de comprendre comment les repenser afin d’offrir la même résistance avec moins de matériaux. Les entreprises qui mettent en œuvre ces mesures utilisent moins de plastique.
L'intelligence artificielle est également capable de simuler la substitution des plastiques dans les produits et le conditionnement de ses matériaux alternatifs. Grâce à ces connaissances, les entreprises peuvent passer à des matériaux plus recyclables et plus respectueux de l’environnement sans passer par un processus de prototypage long et coûteux. Trouver manuellement les meilleures modifications peut prendre des mois et entraîner plusieurs erreurs coûteuses, mais l’intelligence artificielle peut le faire rapidement et efficacement.
Éliminer les erreurs inutiles
L'IA peut également améliorer les techniques de traitement plus traditionnelles. Les installations de recyclage utilisent souvent des techniques de tri manuel pour séparer les plastiques recyclables des déchets destinés à la mise en décharge. Les erreurs sont inévitables car ce travail répétitif est souvent onéreux ou fastidieux pour les humains, mais l’IA peut changer cela.
Les systèmes de vision industrielle sont plus rapides et plus précis que les humains pour séparer les déchets des matières recyclables. Ils atteignaient toujours la même vitesse et la même précision que ceux qui s'ennuyaient et étaient distraits. Les installations de recyclage peuvent alors éviter les erreurs qui pourraient entraîner le rejet de plastique recyclable dans les décharges.
De même, les erreurs industrielles peuvent être évitées en utilisant la vision industrielle et d’autres solutions d’intelligence artificielle dans les installations de production. En rendant les fabricants de plastique moins sujets aux erreurs, ces gadgets réduiront le gaspillage de matériaux.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
SK Hynix présentera de nouveaux produits liés à l'IA le 6 août : HBM3E à 12 couches, NAND à 321 hauteurs, etc.
Aug 01, 2024 pm 09:40 PM
Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière
