Périphériques technologiques
IA
Solution intelligente d'annotation de données : une plateforme de crowdsourcing qui accueille l'ère des grands modèles
Solution intelligente d'annotation de données : une plateforme de crowdsourcing qui accueille l'ère des grands modèles
Le 26 mai, la plateforme de crowdsourcing NetEase Fuxi Youling a fait ses débuts au China International Big Data Industry Expo. Cette plateforme est une plateforme de tâches en ligne de collaboration homme-machine développée par NetEase Fuxi sur la base de ses propres recherches et développements. Il s'agit actuellement de la seule plateforme de crowdsourcing sur le marché qui prend en charge l'annotation des interactions homme-machine en temps réel. L'objectif de la plateforme de crowdsourcing Fuxi Youling est de résoudre le problème de la pénurie de main-d'œuvre dans tous les domaines et de fournir à l'ensemble de la société des opportunités d'emploi en ligne plus pratiques et plus intéressantes. Les entreprises clientes peuvent rapidement modéliser et publier des tâches via cette plate-forme, tandis que chaque utilisateur de concert peut recevoir librement des tâches sans restrictions de temps et de géographie. De cette manière, la plateforme de crowdsourcing Fuxi Youling offre aux entreprises et aux particuliers un modèle de travail plus efficace et plus flexible.
À l’ère d’aujourd’hui, la technologie de l’intelligence artificielle change rapidement la façon dont les humains vivent et travaillent. Avec le développement rapide des technologies d'intelligence artificielle telles que les grands modèles de langage et les grands modèles multimodaux, le domaine de l'annotation de données a marqué le début d'une nouvelle ère de développement vigoureux. Une grande quantité de données apparaît constamment dans divers domaines. Cependant, dans cette époque passionnante, tant du côté de la demande que du côté des fournisseurs, ils sont confrontés à d’énormes défis. Ils doivent trouver un moyen efficace de fournir un support de données de haute qualité et à faible coût. Cela n'est pas seulement lié à la précision et à l'aspect pratique de la technologie de l'intelligence artificielle, mais également aux perspectives de développement de l'ensemble du secteur. Par conséquent, l’industrie de l’annotation de données a besoin d’une innovation et d’une amélioration continues pour répondre aux besoins de la technologie de l’intelligence artificielle et promouvoir le développement durable de l’industrie.
Afin de s'adapter à la tendance de l'ère du big data, de nombreuses entreprises d'intelligence artificielle ont commencé à mettre en place des systèmes de formation et de gestion pour les formateurs de données, et continuent de mener des innovations technologiques et d'améliorer la qualité des données. Cependant, à mesure que les coûts de main-d'œuvre augmentent, de plus en plus d'organisations recherchent des moyens plus efficaces et plus rentables pour annoter les données. La plateforme de crowdsourcing NetEase Fuxi Youling est née, basée sur l'idée deHITL (Human-in-the-Loop).
L'idée de collaboration homme-machine insuffle une nouvelle vitalité à l'industrie de l'annotation de données
Lors de cette exposition de données, la plateforme de crowdsourcing Fuxi Youling a démontré ses capacités et avantages uniques : combiner intelligence humaine et pouvoir de décision avec La puissance de calcul de l'apprentissage automatique est combinée pour obtenir une annotation de données de haute qualité. Grâce à un processus d'annotation détaillé et rigoureux et à un système de notation scientifique, la plateforme maintient l'exactitude et la fiabilité des données. Dans le même temps, Fuxi Youling a également adopté une série de mesures techniques de pointe, notamment la réduction des coûts, le raccourcissement du cycle d'annotation et la garantie de la qualité des données, pour améliorer l'efficience et l'efficacité.
Boucle fermée des données
Une fois que l'annotateur a terminé l'annotation des données, la plate-forme prend en charge la formation du modèle de redistribution en temps réel. L'émetteur de la tâche peut évaluer la comparaison des effets avant et après la formation du modèle, ressentir l'optimisation et l'amélioration. du modèle par les résultats de l'annotation des données et mettre automatiquement à jour le modèle. Le modèle mis à jour peut faciliter les tâches ultérieures d'annotation de données et améliorer encore la qualité et l'efficacité de l'annotation de données.
Inspection complète des données
La plate-forme prend en charge l'inspection automatique de la qualité de toutes les données de tâches. Les éditeurs de tâches peuvent configurer de manière flexible le processus d'inspection de la qualité. La plate-forme combinera l'historique des utilisateurs pour effectuer des niveaux de tâches et des portraits d'utilisateurs, ainsi qu'une inspection de la qualité des tâches. , et introduisez des modèles en même temps. Participez à l'inspection de la qualité, réalisez en même temps l'IA et la participation humaine au contrôle de la qualité et obtenez finalement une livraison de tâches de haute précision.
Portraits d'utilisateurs
La plate-forme dispose d'un mécanisme complet de portrait d'utilisateur et de correspondance de tâches, basé sur les performances passées des tâches de l'utilisateur et combiné avec les données d'étiquette personnelles de l'utilisateur, elle peut répondre aux divers besoins des différents types de tâches et les attribuer. tâches à Les meilleures personnes peuvent le faire pour répondre aux exigences de qualité, d'efficacité et de coût des tâches d'annotation de données.
Swarm Intelligence
La plateforme localisera des annotateurs diversifiés sur la base de portraits d'utilisateurs, introduira des formulaires d'annotation redondants et leur permettra de participer conjointement aux décisions d'annotation et d'obtenir des annotations finales grâce à des méthodes algorithmiques telles que l'estimation d'intervalle et l'inférence de valeur réelle. . résultats, garantissant l’objectivité et l’exactitude du résultat final.
Selon le responsable de la plateforme : La plateforme actuelle se concentre principalement sur le contenu du travail cognitif, qui provient de la collecte et de l'étiquetage de données multimodales telles que le texte, les images et la voix par des technologies d'intelligence artificielle telles que l'AIGC. ; avec le développement de communications telles que la 5G Avec l'application généralisée de la technologie, la plate-forme entreprendra à l'avenir davantage de tâches décisionnelles telles que le contrôle à distance. Sur la base de la technologie du jumeau numérique, le travail hors ligne sera numérisé et en ligne, permettant aux utilisateurs de. effectuez des tâches dans un environnement de jumeau numérique gamifié et travaillez avec bonheur.
La plateforme NetEase Fuxi Youling utilise la technologie d'IA et l'annotation manuelle pour garantir la qualité et l'exactitude de l'annotation des données et améliorer l'efficacité de l'annotation des données. Il fournit non seulement des services de données fiables et efficaces aux entreprises, mais contribue également au développement vigoureux de la technologie de l'IA.
La plateforme de crowdsourcing Youling aide la technologie de l'IA à prospérer
En même temps que l'exposition, le Dr Wu Runze de NetEase Fuxi Lab a également partagé sur le thème "NetEase Fuxi Data Crowdsourcing Empowering Large Model Application Practice".
Le Dr Wu a déclaré : NetEase Fuxi est profondément impliqué dans la technologie des grands modèles depuis 2019, prenant la pré-formation textuelle et la pré-formation multimodale comme principaux points d'entrée, en s'appuyant sur la plate-forme de crowdsourcing de données pour fournir des données de haute qualité. rétroaction en boucle fermée et surmonter la construction de représentation unifiée. Pour les défis techniques clés tels que le stockage d'objets distribués et les moteurs vectoriels à grande échelle, il a été sélectionné comme « projet pionnier » de la province du Zhejiang et a reçu une reconnaissance officielle pour son financement. Il a incubé avec succès deux. des produits verticaux majeurs dans le domaine du jeu, notamment la plateforme artistique Danqingyue et le Game Intelligent NPC.
Actuellement, la plateforme de crowdsourcing Fuxi Youling a été appliquée dans de multiples produits et scénarios au sein du groupe NetEase : dans le monde ouvert du jeu mobile "Backwater Cold", des personnes aux émotions délicates, aux réponses réactives, aux mouvements réels et riches expressions Les PNJ intelligents sont profondément appréciés des joueurs. Les PNJ intelligents ont besoin d’énormes quantités de données de feedback humain de haute qualité pour les prendre en charge.
NetEase Fuxi Youling Crowdsourcing fournit des services multi-données impliquant la collecte vocale, l'annotation de texte, le jugement émotionnel, l'annotation d'images et d'autres services de données pour le modèle de PNJ intelligent dans le jeu, et prend finalement en charge la création d'intelligence multidimensionnelle telle que texte, voix, expressions faciales, etc. jeu PNJ. Il s'agit de l'intégration profonde que NetEase a accumulée dans les domaines des moteurs de jeu et de l'IA pour résoudre le problème en boucle fermée des données de puissance de calcul à grande échelle et des modèles de pré-formation.
Actuellement, la plateforme de crowdsourcing NetEase Fuxi Youling a traité des centaines de millions de données tout en garantissant les performances de l'IA du jeu, elle peut collecter plus efficacement les commentaires des joueurs et améliorer encore les performances de l'IA, appliquant ainsi la technologie à davantage d'applications. Dans la méta-scène. Sur la base des concepts d'ouverture, de coopération et de gagnant-gagnant, NetEase Fuxi invitera des partenaires en amont et en aval de la chaîne industrielle à créer conjointement une nouvelle ère de numérisation de l'IA+.
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
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.
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
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.
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.
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
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
