


Comment l'intelligence artificielle, l'edge computing, l'IoT et le cloud remodèlent la gestion de flotte
Utilisez un environnement informatique distribué qui optimise l'échange et le stockage de données pour économiser de la bande passante pour une expérience de données rapide.
Les avantages des voitures connectées pourraient devenir la nouvelle norme en matière de gestion de flotte, d'autant plus que les entreprises cherchent à moderniser leurs véhicules. En fait, 86 % des exploitants de flottes connectées déclarent que leur investissement dans la technologie de flotte connectée a permis d'obtenir un retour sur investissement significatif en un an grâce à la réduction des coûts d'exploitation.
Les flottes connectées utilisent une technologie télématique avancée pour offrir des avantages supplémentaires pour la gestion et la maintenance des véhicules. Une autre étude a montré une réduction de 13 % des coûts de carburant tout en améliorant la maintenance préventive. L'étude a également montré une réduction de 40 % des freinages d'urgence, ce qui suggère que changer les habitudes de conduite peut à la fois contribuer à prolonger la durée de vie des composants et à améliorer la sécurité du conducteur.
Une grande quantité de données est difficile à gérer
Les flottes de flottes, les compagnies d'assurance et les sociétés de maintenance après-vente sont toutes désireuses d'utiliser un traitement des données télématiques plus intelligent. Cependant, la quantité de données générées ne cesse de croître. En conséquence, ces entreprises disposent de plus de données que jamais pour les aider à prendre des décisions commerciales éclairées. La gestion d’une telle quantité de données crée de nouveaux défis pour capturer, digérer et analyser toutes les informations de manière rentable.
Afin de générer les bonnes informations, les données doivent être suivies, gérées, nettoyées, protégées et enrichies tout au long du processus pour les rendre vraiment efficaces et utiles. En conséquence, les propriétaires de flottes de véhicules recherchent de nouvelles solutions pour traiter et comprendre ces données.
La technologie des systèmes embarqués est devenue la norme
Les systèmes télématiques traditionnels s'appuient sur des systèmes embarqués conçus pour accéder, collecter, analyser (embarquer) et contrôler les données des appareils électroniques afin de résoudre une série de problèmes. Les systèmes embarqués sont déjà largement utilisés, notamment dans les appareils électroménagers, et la tendance à utiliser cette technologie pour analyser les données des véhicules se développe.
Les solutions existantes sur le marché profitent de la faible latence de la 5G. Grâce à l'IA et à l'accélération GPU sur AWS Wavelength ou Azure Edge Zone, les équipementiers automobiles peuvent transférer les processeurs automobiles vers le cloud lorsque cela est possible. Cette approche permet au trafic entre les appareils 5G et les serveurs de contenu ou d'applications hébergés dans la région de longueur d'onde de contourner Internet, réduisant ainsi la variabilité et la perte de contenu.
Pour garantir une précision et une richesse optimales de l'ensemble de données et maximiser la convivialité, des capteurs intégrés dans le véhicule sont utilisés pour collecter les données et les transmettre sans fil entre le véhicule et une agence cloud centrale, le tout en temps quasi réel. Avec un nombre croissant de cas d'utilisation orientés en temps réel tels que l'assistance routière, l'ADAS, la notation active des conducteurs et les rapports de notation des véhicules, une faible latence et un débit élevé sont requis pour les flottes, les compagnies d'assurance et autres entreprises exploitant les données deviennent de plus en plus importantes. Même si la 5G résout dans une large mesure ce problème, le coût de la transmission de ces données vers le cloud reste prohibitif. Pour maximiser l’efficacité du traitement de pointe, des capacités informatiques embarquées avancées doivent être identifiées à l’intérieur de la voiture.
L'essor de la communication véhicule-cloud
Pour améliorer l'efficacité de la bande passante et atténuer les problèmes de latence, il est préférable d'effectuer le traitement des données critiques en périphérie (à l'intérieur du véhicule) et de partager uniquement les informations liées aux événements vers le cloud. L'informatique de pointe embarquée est essentielle pour garantir que les véhicules connectés peuvent fonctionner à grande échelle, car les applications et les données sont plus proches de la source, ce qui permet des délais d'exécution plus rapides et améliore considérablement les performances du système.
Les progrès technologiques agiles ont permis une communication efficace et efficiente entre les systèmes et capteurs embarqués automobiles et les serveurs cloud dans le véhicule. Tirant parti d'un environnement informatique distribué qui optimise l'échange et le stockage des données, l'IoT automobile améliore les temps de réponse et économise la bande passante pour une expérience de données rapide. L'intégration de cette architecture avec des plates-formes basées sur le cloud contribue en outre à créer un système de communication robuste de bout en bout pour des décisions commerciales rentables et des opérations efficaces. Dans l’ensemble, l’intelligence Edge/Cloud et intégrée connecte les appareils Edge (capteurs intégrés dans les véhicules) à l’infrastructure informatique, ouvrant ainsi la voie à une gamme de nouvelles applications centrées sur l’utilisateur et basées sur des environnements du monde réel.
Cette technologie a de nombreuses applications dans les domaines verticaux et les constructeurs OEM peuvent en tirer des avantages en tirant parti des informations qui en découlent. Les cas d'utilisation les plus évidents sont le marché secondaire et la maintenance des véhicules, où des algorithmes efficaces peuvent analyser l'état d'un véhicule en temps quasi réel pour suggérer des mesures correctives en cas de pannes imminentes du véhicule concernant les actifs du véhicule tels que le moteur, l'huile, la batterie, les pneus, etc. Étant donné que la plupart des diagnostics sont effectués à la volée, les flottes peuvent utiliser ces données pour permettre aux équipes de maintenance d'entretenir les véhicules de manière plus efficace.
De plus, l'assurance et les garanties prolongées peuvent bénéficier d'une analyse proactive du comportement du conducteur afin que des modules de formation adaptés aux besoins de chaque conducteur puissent être créés sur la base de l'historique de conduite réel et de l'analyse. Pour les flottes, la surveillance proactive des évaluations des véhicules et des conducteurs peut réduire le TCO (coût total de possession) d'un opérateur de flotte en réduisant les pertes dues au vol et à la négligence tout en offrant une formation proactive aux conducteurs.
Propulser l'avenir de la gestion de flotte
Les analyses d'IA tirant parti de l'Internet des objets, de l'informatique de pointe et du cloud changent rapidement la manière dont la gestion de flotte est effectuée, la rendant plus efficiente et efficace que jamais. . La capacité de l’IA à analyser de grandes quantités d’informations provenant d’appareils télématiques fournit aux gestionnaires des informations précieuses pour améliorer l’efficacité de la flotte, réduire les coûts et optimiser la productivité. La manière dont les flottes sont gérées est modifiée par l'intervention de l'intelligence artificielle, couvrant tous les aspects depuis l'analyse en temps réel jusqu'à la gestion de la sécurité des conducteurs.
L'intelligence artificielle peut améliorer ses capacités prédictives à mesure que le nombre d'ensembles de données collectés par les OEM pour traitement augmente via le cloud. Cela signifie que les futures voitures autonomes seront plus sûres et plus faciles à utiliser, avec des itinéraires plus précis et un meilleur diagnostic du véhicule en temps réel.
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

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

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)

Sujets chauds

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

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.

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.

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

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.

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

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

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
