자동차 산업의 지능적 의사결정 기술 적용 사례
신에너지, 자율주행, 인공지능 기술의 발달로 자동차 산업의 지능화 수준도 높아졌습니다. 인공지능 분야의 '최고의 보석'인 의사결정 지능이 자동차 산업의 디지털 혁신을 어떻게 촉진합니까? 의사결정 인텔리전스의 실제 구현을 위한 문제점과 솔루션은 무엇입니까? 이 글은 10년간의 개인 데이터 분석 경험을 결합하고 실용적인 관점에서 자동차 산업의 운영 최적화에 대한 실질적인 탐구와 경험 요약을 소개할 것입니다. 이번 공유 세션에서는 다음 사항에 중점을 둘 것입니다. 4가지 포인트:
- 자동차 산업 체인 소개
- 운영 최적화는 자동차 산업에 힘을 실어줍니다.
- 운영 최적화 프로젝트 구현의 어려움
- 실용적인 탐구와 경험 요약
01 자동차 산업 체인 소개
자동차 산업 체인은 네 가지 핵심 부분으로 나눌 수 있습니다. 자동차 산업 체인 전체에 걸쳐 자동차의 제조, 판매 및 판매 후 서비스에 대한 부품 조달. 또 다른 부분은 부품 조달입니다. 일반적으로 자동차 회사는 많은 자동차 부품 회사의 지원을 받게 되는데, 이는 매우 중요합니다. 세 번째 영역은 자동차 제조사입니다. 자동차 제조사의 경우 일반 부품은 공급업체에서 지원하고, 엔진, 기어박스 등 핵심 부품은 자체 생산합니다. 네 번째 블록은 판매 및 서비스입니다. 전통적인 판매 모델에는 딜러가 있고, 딜러는 이제 다양한 고객에게 배포합니다. 판매 후에는 애프터 유지 관리, 보험, 중고차 및 일련의 애프터 서비스를 포함한 애프터 서비스 및 보험 서비스가 제공됩니다.
자동차 산업 체인이 매우 길기 때문에 역할을 할 수 있는 다양한 인공지능 기술이 있을 것입니다. 예를 들어, 자동차 부품에 대한 지식 그래프를 구축할 수 있는데, 제조 및 품질 측면에서는 예측 유지 관리 및 결함 감지는 물론 자동차 판매 과정에서 송장 식별, 자동차 장식 부품 식별 등이 있습니다. 인공지능 기술을 사용할 수 있다. 데이터 통계 분석, 기계 학습부터 자연어 처리, 지식 그래프, 지능형 상호 작용 및 컴퓨터 비전과 같은 인공 지능 분야의 다양한 기술에 이르기까지 자동차 산업 체인에서 많은 응용 시나리오를 찾을 수 있습니다. 많은 자동차 제조사들이 자동차 산업에 합류하고, 신에너지와 자율주행 기술이 발전함에 따라 자동차 산업은 점점 더 지능화될 것입니다.
02 운영 연구 최적화는 자동차 산업에 힘을 실어줍니다.
운영 연구 최적화는 제약 조건 하에서 하나 이상의 목표를 최적화할 수 있는 최적의 결정을 찾는 것입니다. 운영 연구 최적화는 모델링과 해결이라는 두 가지 주요 단계로 나뉩니다. 모델링의 첫 번째 단계는 실제 문제를 수학적 최적화 모델로 전환하는 것입니다. 모델에는 의사결정 변수, 목표 및 제약 조건 등을 포함한 몇 가지 핵심 요소가 포함되어 있습니다. 다음 단계는 해결하는 것입니다. 솔루션에는 많은 최적화 알고리즘이 포함되며, 그 중 일부는 정확한 솔루션을 위한 것이고 일부는 다른 최적화 알고리즘을 포함하는 부정확한 솔루션을 위한 것입니다. 경로 최적화, 위치 최적화, 공급망 최적화, 네트워크 레이아웃 등과 같은 운영 연구에는 전통적인 응용 프로그램이 많이 있습니다.
다음은 자동차 공급망에서의 운영 연구 최적화 적용을 소개합니다. 예를 들어, 터미널 수요 수집 측면에서 신에너지 포인트 정책은 자동차의 장기 계획과 국가 정책 요구 사항에 맞게 자동차를 계획하는 방법에 영향을 미칩니다. R&D 및 디자인 분야에서는 생산 스케줄링, 재고 관리 등의 R&D 및 디자인, 차량 배치 전략에 대한 주문 관리, 운송 계획 및 스케줄링 등의 물류 및 운송 등이 있습니다. 의사결정 수준과 실제 적용 범위에 따라 자동차 분야의 적용 시나리오는 세 가지 수준으로 나눌 수 있습니다.
- 첫 번째 수준은 전략적 수준의 최적화, 자동차 생산능력 계획, 부품 가공 기술 계획, 장기 재고 계획, 장기 창고 계획 등이 있습니다. 전략적 수준에서의 최적화는 적시성 및 안정성에 대한 요구 사항이 낮지만 결과 최적화에 대한 요구 사항은 더 높습니다.
- 두 번째 수준은 계획 수준의 최적화입니다 생산 계획, 유통 계획, 물류 계획, 자재 계획 등 최적의 솔루션, 적시성 및 안정성에 대한 특정 요구 사항이 있으며, 대개 매주 또는 매달 몇 가지 계획을 세웁니다.
- 세 번째 수준은 작업장 일정, 경로 선택, 재료 공급 등과 같은 실행 수준 최적화 입니다. 여기에는 정상적인 생산이 포함되며 최적화 결과는 최적화를 위해 즉시 영향을 미칩니다. 시스템 적시성 및 안정성에 대한 요구 사항은 매우 높습니다.
간단히 말하면, 전략적 수준은 최적의 최적화를 수행하는 경향이 있습니다. 계획 수준에는 최적성, 적시성 및 안정성 측면에서 특정 요구 사항이 있습니다. 성능은 상대적으로 약하지만 적시성과 안정성에 대한 요구 사항은 상대적으로 높습니다.
아래 공유는 운영 최적화의 세 가지 예입니다.
가공 공정 계획 최적화 엔진의 가공 계획을 설계할 때 기존의 가공 공정에서는 엔진을 완성하기 위해 수십 명의 수석 엔지니어와 수개월의 수작업 준비가 필요합니다. 작업이 완료되었고 작업량이 엄청납니다. 배치 결과는 실현 가능한 솔루션만 찾을 수 있을 뿐 최적의 솔루션을 찾을 방법은 없습니다. 이러한 가공 문제를 수학적으로 모델링하여 최적의 솔루션을 얻을 수 있으며, 이를 통해 실제 적용 시 안무 작업의 80%를 줄일 수 있습니다. 이는 중장기 계획이며, 주로 비용 최적화가 목표입니다. 이 목표에는 정확한 솔루션이 필요합니다. 규모가 상대적으로 큽니다. 수학적 모델이 구축된 후에는 이를 해결하는 데 솔버가 사용됩니다.
두 번째 예는 생산 계획의 최적화입니다 부품 생산, 테스트 차량 생산, 완성차 생산 등 자동차 분야의 생산 라인은 모두 생산 계획이 필요합니다. 일반적으로 생산기획의 목표는 컬러밸런스, 구성밸런스, 일일밸런스, 월간밸런스 등 생산의 밸런스를 맞추는 것입니다. 동시에 이러한 종류의 생산 계획을 최적화하려면 성능에 대한 요구 사항도 있습니다. 공장이 너무 많기 때문에 각 공장에는 생산 계획을 마련할 계획자가 있을 수 있습니다. 이는 일반적으로 시간 대응에 대한 특정 요구 사항도 필요합니다. 정수 프로그래밍 모델의 솔루션을 사용합니다.
세 번째 예는 재고 최적화입니다. 창고 재고, 딜러 재고, 차량 재고, 부품 재고 비용은 모두 매우 높습니다. 일반적으로 특정 서비스 수준을 충족시키면서 재고를 최대한 낮게 유지해야 합니다. 기존의 전통적인 모델은 재고 최적화 모델을 이용하여 판매량, 평균 수요, 만족도 목표, 품절 비용 등을 종합적으로 예측하여 재고 최적화 모델을 구축하고 최종적으로 안전 재고, 목표 재고 수준, 계획을 주문하고 포인트를 재주문합니다. 요즘 재고 최적화는 일반적으로 전통적인 방법을 기반으로 수행되고 기계 학습 알고리즘과 결합됩니다.
03 운영 연구 및 최적화 프로젝트 수행의 어려움
운영 연구 및 최적화 프로젝트 수행의 어려움 컨셉 검증부터 본 프로젝트 구현까지의 과정에 따르면 주요 내용은 다음과 같습니다.
- 비즈니스 로직이 상대적으로 복잡함: 비즈니스 로직의 복잡성은 다양한 비즈니스에 고유명사가 많다는 점이며, 비즈니스 수요자와 모델링 엔지니어 간의 의사소통이 매우 어렵습니다. 모델링 엔지니어는 성공적인 모델링을 위해 모든 세부 사항을 이해해야 하므로 비즈니스 요구 사항을 이해하는 것이 더욱 복잡해집니다.
- 모델링의 어려움: 한편으로는 비즈니스 목표와 제약 조건을 정량화할 수 없기 때문에 최단 처리 시간 요구 사항, 생산 계획은 가능한 한 균형을 이루도록 하는 것이 정량화할 수 없는 제약입니다. 반면 실제로는 많은 문제가 비선형적이어서 모델링과 구현이 어렵습니다.
- 해결 시 해결 방법 없음: 모델 해결 시 해결 방법이 없을 수 있습니다. 또한, 솔버의 성능 문제일 수도 있습니다. 일부 문제는 문제를 해결하는 데 많은 에너지가 필요합니다.
- 솔루션 수용은 사용자 습관에 영향을 받습니다.: 운영 최적화에서 직면하는 큰 문제는 솔루션 결과가 사용자 습관과 일치하지 않는다는 것입니다. 문제 아이디어를 받아들이지 않고 최적화 솔루션을 받아들이지 않습니다.
- 프로젝트가 반복적으로 반복되고 비용이 증가합니다: 프로젝트가 완료되면 갑자기 요청이 발생하는 경우가 많습니다. 비즈니스 배경이 탄탄하지 않으면 사용자가 상식이라고 생각하지만 전달되지 않는 요구사항이 누락되는 경우도 있습니다. 또한 운영 연구 및 최적화의 사용자 정의 수준이 매우 높으며 새로운 시나리오와 제약 조건으로 인해 모델이 반복적으로 반복됩니다.
04 실제 탐구 및 경험 요약
다음은 프로젝트의 여러 단계를 요약한 것입니다.
1. POC(개념 증명) 단계
POC 단계는 프로젝트 구현 전 개념 증명입니다.
- 일반 프로젝트에는 개념 증명이 없을 수 있으며, UI 인터페이스를 시연하고 요구 사항을 제출하기만 하면 됩니다.
- 분석 프로젝트의 알고리즘 결과는 프로젝트 성공의 핵심 요소입니다. 예를 들어 이미지 인식 프로젝트에서는 이러한 정확도를 달성할 수 있는지 여부가 더 중요합니다. 프로젝트의 성공이나 실패를 좌우합니다. 예측 프로젝트의 예측 정확도 역시 프로젝트 성공의 핵심 요소입니다. POC 단계에서는 기준이 합리적인지 검증하는 과정이 필요합니다.
- 운영 최적화 프로젝트의 경우 분석 프로젝트의 요소를 갖추는 것 외에도 사용자가 요구하는 분석 프로젝트의 정확성을 80% 검증하는 등 잠재 프로젝트 단계의 기능을 검증하는 것도 필요합니다. 이제 78%에 도달했습니다. 그러면 추가 최적화를 통해 달성할 수 있을 것입니다. 그러나 수요 변화가 계획에 미치는 영향으로 인해 POC 단계의 운영 연구 최적화 프로젝트 검증은 참고용으로만 사용될 수 있습니다. 예를 들어, 가장 낮은 비용의 최적의 솔루션이 필요한 경우 현재 요구 사항에 대해 이 솔루션을 사용하는 것이 가능하지만 프로젝트 구현 과정에서 더 많은 요구 사항과 더 많은 제약 조건이 제시되면 POC가 보장되지 않을 수 있습니다. .단계 검증 효과. 이는 운영 최적화 프로젝트에서 두드러진 어려움과 위험 지점입니다.
2. 단계 정의
- 일반 프로젝트에서는 현재 프로세스, 미래 프로세스, 보고 요구 사항, 비즈니스 역할 및 성과 요구 사항을 정의합니다.
- 분석 프로젝트는 비즈니스 문제점, 입력, 출력 및 표준을 정의합니다. 예를 들어 입력은 사진이고 출력은 인식된 필드와 정확도입니다.
- 운영 연구 최적화 프로젝트는 비즈니스 목표, 최대 이익, 최고 효율성, 생산 능력 제약, 순서 제약 등을 정의합니다. 모델러는 좋은 모델을 구축하기 위해 모든 제약 조건을 명확하게 파악해야 하며 다른 유형의 분석 프로젝트보다 요구 사항을 논의하는 데 더 많은 시간을 할애합니다.
3. 구축 단계
- 요구 사항이 명확하게 명시되어 있는 한, 일반 프로젝트는 요구 사항에 따라 직접 개발할 수 있습니다.
- 분석 프로젝트에는 일부 데이터 문제가 있습니다. 예를 들어 데이터가 정의 단계에서 분석 요구 사항을 지원하지 않는 경우가 있습니다.
- 운영 연구 및 최적화 프로젝트에서는 제약 조건 충돌로 인해 해결책이 없고 사용자가 제약 조건이 무엇인지 다시 정의해야 하거나 원래 이해한 제약 조건이 사용자가 명시한 제약 조건과 다른 등 더 많은 문제에 직면하게 됩니다. 되돌려야 합니다. 논리 점검을 수행하십시오. 또한 모델을 검증하고 모든 제약 조건을 충족하는 실행 가능한 솔루션을 준비하려면 완전한 데이터 세트가 필요합니다.
4. 테스트 단계
- 일반 프로젝트에는 기능별 테스트, 순방향 테스트, 역방향 테스트, 스트레스 테스트, 사용자 테스트 등이 포함됩니다.
- 분석 프로젝트에서는 일반 프로젝트에 필요한 테스트 테스트 외에도 실제 데이터를 사용하여 알고리즘 결과가 표준을 충족하는지 테스트해야 합니다.
- 운영 연구 최적화 프로젝트를 테스트한 결과 이전 제약 조건이 충족되어 결과를 해결할 수 있는 것으로 나타났습니다. 그러나 사용자는 갑자기 이때 일부 제약 조건을 잊어버렸을 수 있습니다. 다시 추가하고 개발 반복 단계에 다시 들어가야 하므로 운영 최적화 프로젝트의 테스트 단계에서 충분한 테스트 시간을 남겨야 합니다.
05 Wonderful Q&A
Q: 생산 기획 시 주문 삽입 계획은 어떻게 구현되나요?
A: 주문 접수 계획이 생산 계획 중인데 갑자기 새로운 계획이 나오네요. 생산 계획은 일반적으로 주 단위로 이루어집니다. 일주일 이내에 계획 시점이 지나면 주문이 고려되지 않습니다. 그러나 "특정 주의 색상 생산량을 미리 잠가야 함"과 같은 고정된 장기 요구 사항을 모델에 배치할 수 있으며 제약 조건으로 모델에 배치할 수 있습니다. 하지만 이번 주가 계획대로 생산되고, 생산 계획이 발효되어 임시 주문 접수일 뿐이라면 모델에 넣을 필요도 없고 수동으로 조정해야 할 수도 있습니다.
Q: 자동차 회사의 물류 연구 애플리케이션 현황은 어떻습니까? 일반 알고리즘으로 얻은 결과가 영업사원의 경험과 상반되는 경우 알고리즘으로 얻은 결과를 홍보할 수 있나요? 승급 후 실제 효과. 일반적으로 어떻습니까?
A: 여기에는 두 가지 질문이 있습니다. 첫 번째는 자동차 산업에서 운영 연구 애플리케이션의 현재 애플리케이션 상태는 무엇입니까? 두 번째는 모델 결과와 사용자 경험이 충돌할 경우 어떻게 해야 하는지에 대한 경험입니다.
먼저 첫 번째 질문에 대해 말씀드리겠습니다. 저는 개인적으로 자동차 산업의 운영 최적화 적용 시나리오가 다양한 전자상거래 산업을 포함한 전체 산업에서 가장 복잡하다고 생각합니다. 다른 산업에서 볼 수 있는 다양한 시나리오는 자동차 산업에서도 찾아볼 수 있으며, 제조사마다 구현 상황이 다릅니다. 공장을 설립한 지 오래되면 데이터 축적이 상대적으로 풍부하고 기본 시스템화가 상대적으로 성숙되어 있으며, 운영 최적화 구현은 더 쉬울 것입니다. 그러나 오래된 장비에는 문제가 있을 수도 있습니다. 예를 들어 일부 작업장의 장비는 상대적으로 오래되었고 추출된 데이터는 적시에 피드백을 받지 못하여 실시간 일정 조정이 어렵습니다.
두 번째 질문은 최적화 결과가 사용자와 충돌할 경우 모델러와 사용자 모두 타협해야 한다는 것입니다. 모델링에도 몇 가지 제한 사항이 있으므로 수학적 모델을 구현하기 전에 일부 복잡한 비즈니스 시나리오를 단순화해야 합니다. 비즈니스 사용자가 자신의 습관에 따라 일을 고집한다면 결과는 최적화 없이 그의 습관과 같을 수 있습니다. 또한 모델러도 비즈니스 관점에서 이해해야 합니다. 사용자에게는 이러한 작업이 정말로 필요하며 이를 도울 수 있는 방법을 최대한 많이 생각해야 합니다. 따라서 위의 내용을 바탕으로 성공적인 운영 최적화 프로젝트를 위해서는 수요 측면과 구현 측면 간의 조정이 필요합니다. 여러 당사자가 공통 목표를 중심으로 협력할 때만 상대적으로 성공적인 프로젝트가 구축될 수 있습니다.
Q: 자동차 산업의 재고 관리 및 보충 링크에서 강력한 최적화의 적용 상황은 무엇입니까?
A: 자동차 산업의 재고 최적화는 성숙한 부품, 새 부품, 수요가 적은 부품 등 다양한 상황에 따라 다양한 처리 방법을 사용합니다. 성숙한 부품이라면 기본적으로 시계열적으로 예측된 수요, 수요의 분포 변동을 바탕으로 재고 이론에 따라 목표 재고 수준과 안전 재고를 만들기에 충분합니다.
수요가 적은 부품의 경우 딜러는 일반적으로 한 달 또는 반년에 한 부품만 소비합니다. 일반적으로 재고는 한 개만 사용하면 이론이 필요하지 않습니다. , 교체하겠습니다. 실제로 모든 이론이 직접적으로 사용되는 것은 아니며 이 문제를 해결하기 위해 비즈니스 제한, 귀중한 실무 경험 및 기타 측면을 결합해야 하는 보다 유연한 방법이 있을 것입니다.
위 내용은 자동차 산업의 지능적 의사결정 기술 적용 사례의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

Video Face Swap
완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











DDREASE는 하드 드라이브, SSD, RAM 디스크, CD, DVD 및 USB 저장 장치와 같은 파일 또는 블록 장치에서 데이터를 복구하기 위한 도구입니다. 한 블록 장치에서 다른 블록 장치로 데이터를 복사하여 손상된 데이터 블록은 남겨두고 양호한 데이터 블록만 이동합니다. ddreasue는 복구 작업 중에 간섭이 필요하지 않으므로 완전히 자동화된 강력한 복구 도구입니다. 게다가 ddasue 맵 파일 덕분에 언제든지 중지하고 다시 시작할 수 있습니다. DDREASE의 다른 주요 기능은 다음과 같습니다. 복구된 데이터를 덮어쓰지 않지만 반복 복구 시 공백을 채웁니다. 그러나 도구에 명시적으로 지시된 경우에는 잘릴 수 있습니다. 여러 파일이나 블록의 데이터를 단일 파일로 복구

0. 이 글은 어떤 내용을 담고 있나요? 우리는 다재다능하고 빠른 최첨단 생성 단안 깊이 추정 모델인 DepthFM을 제안합니다. DepthFM은 전통적인 깊이 추정 작업 외에도 깊이 인페인팅과 같은 다운스트림 작업에서 최첨단 기능을 보여줍니다. DepthFM은 효율적이며 몇 가지 추론 단계 내에서 깊이 맵을 합성할 수 있습니다. 이 작품을 함께 읽어보아요~ 1. 논문 정보 제목: DepthFM: FastMoncularDepthEstimationwithFlowMatching 저자: MingGui, JohannesS.Fischer, UlrichPrestel, PingchuanMa, Dmytr

Google이 추진하는 JAX의 성능은 최근 벤치마크 테스트에서 Pytorch와 TensorFlow를 능가하여 7개 지표에서 1위를 차지했습니다. 그리고 JAX 성능이 가장 좋은 TPU에서는 테스트가 이루어지지 않았습니다. 개발자들 사이에서는 여전히 Tensorflow보다 Pytorch가 더 인기가 있습니다. 그러나 앞으로는 더 큰 모델이 JAX 플랫폼을 기반으로 훈련되고 실행될 것입니다. 모델 최근 Keras 팀은 기본 PyTorch 구현을 사용하여 세 가지 백엔드(TensorFlow, JAX, PyTorch)와 TensorFlow를 사용하는 Keras2를 벤치마킹했습니다. 첫째, 그들은 주류 세트를 선택합니다.

지연이 발생하고 iPhone의 모바일 데이터 연결 속도가 느립니까? 일반적으로 휴대폰의 셀룰러 인터넷 강도는 지역, 셀룰러 네트워크 유형, 로밍 유형 등과 같은 여러 요소에 따라 달라집니다. 더 빠르고 안정적인 셀룰러 인터넷 연결을 얻기 위해 할 수 있는 일이 몇 가지 있습니다. 수정 1 – iPhone 강제 다시 시작 때로는 장치를 강제로 다시 시작하면 셀룰러 연결을 포함한 많은 항목이 재설정됩니다. 1단계 – 볼륨 높이기 키를 한 번 눌렀다가 놓습니다. 그런 다음 볼륨 작게 키를 눌렀다가 다시 놓습니다. 2단계 - 프로세스의 다음 부분은 오른쪽에 있는 버튼을 누르는 것입니다. iPhone이 다시 시작되도록 하세요. 셀룰러 데이터를 활성화하고 네트워크 속도를 확인하세요. 다시 확인하세요 수정 2 – 데이터 모드 변경 5G는 더 나은 네트워크 속도를 제공하지만 신호가 약할 때 더 잘 작동합니다

테슬라의 로봇 옵티머스(Optimus)의 최신 영상이 공개됐는데, 이미 공장에서 작동이 가능한 상태다. 정상 속도에서는 배터리(테슬라의 4680 배터리)를 다음과 같이 분류합니다. 공식은 또한 20배 속도로 보이는 모습을 공개했습니다. 작은 "워크스테이션"에서 따고 따고 따고 : 이번에 출시됩니다. 영상에는 옵티머스가 공장에서 이 작업을 전 과정에 걸쳐 사람의 개입 없이 완전히 자율적으로 완료하는 모습이 담겨 있습니다. 그리고 Optimus의 관점에서 보면 자동 오류 수정에 중점을 두고 구부러진 배터리를 집어 넣을 수도 있습니다. NVIDIA 과학자 Jim Fan은 Optimus의 손에 대해 높은 평가를 했습니다. Optimus의 손은 세계의 다섯 손가락 로봇 중 하나입니다. 가장 능숙합니다. 손은 촉각적일 뿐만 아니라

세상은 미친 듯이 큰 모델을 만들고 있습니다. 인터넷의 데이터만으로는 충분하지 않습니다. 훈련 모델은 '헝거게임'처럼 생겼고, 전 세계 AI 연구자들은 이러한 데이터를 탐식하는 사람들에게 어떻게 먹이를 줄지 고민하고 있습니다. 이 문제는 다중 모드 작업에서 특히 두드러집니다. 아무것도 할 수 없던 시기에, 중국 인민대학교 학과의 스타트업 팀은 자체 새로운 모델을 사용하여 중국 최초로 '모델 생성 데이터 피드 자체'를 현실화했습니다. 또한 이해 측면과 생성 측면의 두 가지 접근 방식으로 양측 모두 고품질의 다중 모드 새로운 데이터를 생성하고 모델 자체에 데이터 피드백을 제공할 수 있습니다. 모델이란 무엇입니까? Awaker 1.0은 중관촌 포럼에 최근 등장한 대형 멀티모달 모델입니다. 팀은 누구입니까? 소폰 엔진. 런민대학교 힐하우스 인공지능대학원 박사과정 학생인 Gao Yizhao가 설립했습니다.

다중 모드 문서 이해 기능을 위한 새로운 SOTA! Alibaba mPLUG 팀은 최신 오픈 소스 작업인 mPLUG-DocOwl1.5를 출시했습니다. 이 작품은 고해상도 이미지 텍스트 인식, 일반 문서 구조 이해, 지침 따르기, 외부 지식 도입이라는 4가지 주요 과제를 해결하기 위한 일련의 솔루션을 제안했습니다. 더 이상 고민하지 말고 먼저 효과를 살펴보겠습니다. 복잡한 구조의 차트도 한 번의 클릭으로 인식하고 마크다운 형식으로 변환 가능: 다양한 스타일의 차트 사용 가능: 보다 자세한 텍스트 인식 및 위치 지정도 쉽게 처리 가능: 문서 이해에 대한 자세한 설명도 제공 가능: 아시다시피, " 문서 이해"는 현재 대규모 언어 모델 구현을 위한 중요한 시나리오입니다. 시장에는 문서 읽기를 지원하는 많은 제품이 있습니다. 그 중 일부는 주로 텍스트 인식을 위해 OCR 시스템을 사용하고 텍스트 처리를 위해 LLM을 사용합니다.

이번 주, 오픈AI(OpenAI), 마이크로소프트(Microsoft), 베조스(Bezos), 엔비디아(Nvidia)가 투자한 로봇 회사인 FigureAI는 약 7억 달러의 자금 조달을 받았으며 내년 내에 독립적으로 걸을 수 있는 휴머노이드 로봇을 개발할 계획이라고 발표했습니다. 그리고 Tesla의 Optimus Prime은 계속해서 좋은 소식을 받았습니다. 올해가 휴머노이드 로봇이 폭발하는 해가 될 것이라는 데는 누구도 의심하지 않는다. 캐나다에 본사를 둔 로봇 회사인 SanctuaryAI는 최근 새로운 휴머노이드 로봇인 Phoenix를 출시했습니다. 관계자들은 이 로봇이 인간과 같은 속도로 자율적으로 많은 작업을 완료할 수 있다고 주장한다. 인간의 속도로 자동으로 작업을 완료할 수 있는 세계 최초의 로봇인 Pheonix는 각 물체를 부드럽게 잡고 움직이며 우아하게 왼쪽과 오른쪽에 배치할 수 있습니다. 자동으로 물체를 식별할 수 있습니다.
