Jadual Kandungan
Kuasa teknologi mengubah ekosistem bawa pulang
Sediakan penyelesaian kepada masalah sukar
Rumah Peranti teknologi AI Selesaikan kesesakan kecerdasan buatan dan menggalakkan pembangunan industri penghantaran makanan

Selesaikan kesesakan kecerdasan buatan dan menggalakkan pembangunan industri penghantaran makanan

Apr 09, 2023 pm 02:51 PM
AI pembelajaran yang mendalam bawa pulang

Dalam beberapa tahun kebelakangan ini, apabila Internet pengguna telah berkembang secara mendalam, Internet perindustrian telah menjadi lebih baik dan lebih baik, dan transformasi digital semua lapisan masyarakat sedang giat dijalankan. Dalam menghadapi persekitaran yang semakin kompleks, teknologi digital dan pintar dengan penembusan pasaran yang kukuh akan bekerjasama dan memainkan peranan besar dalam menggalakkan pembangunan ekonomi, memperkasakan perusahaan kecil dan mikro, dan memastikan kehidupan rakyat. Dalam kem teknologi baru muncul, dividen yang dikeluarkan oleh kecerdasan buatan menjadikan kehidupan orang ramai lebih baik.

Selesaikan kesesakan kecerdasan buatan dan menggalakkan pembangunan industri penghantaran makanan

Ambil "pesanan bawa pulang" sebagai contoh Penunggang, pengguna dan peniaga masing-masing merupakan lambang pekerjaan, mata pencarian dan ekonomi jika kecerdasan buatan dapat merealisasikan kawalan ketiga-tiga kumpulan utama ini Pemerkasaan boleh memenuhi keperluan penghantaran dalam senario yang berbeza, meningkatkan kecekapan penyampaian dan pengalaman pengguna, dan dengan itu merealisasikan visi "biar bawa pulang sampai ke setiap sudut dunia". Sebab kecerdasan buatan boleh memainkan peranannya tidak dapat dipisahkan daripada peningkatan infrastruktur ICT dan lonjakan dalam rangka kerja pembelajaran mendalam.

Kuasa teknologi mengubah ekosistem bawa pulang

A bawa pulang dihantar dalam masa 30 minit telah menjadi kebiasaan harian. Walau bagaimanapun, bukan mudah untuk melakukan ini: contohnya, jika penunggang menghantar 5 pesanan, ia akan menyasarkan 5 pedagang dan pengguna yang berbeza, dan akan terdapat berpuluh-puluh ribu kombinasi laluan penghantaran. Pada platform penghantaran makanan yang popular, jumlah pesanan harian semasa tempoh puncak adalah besar, melibatkan sejumlah besar penunggang Untuk mencapai matlamat penghantaran selama 30 minit, bilangan kombinasi laluan adalah sangat besar. Pada masa yang sama, untuk warga emas dan kanak-kanak, dapat menyelesaikan keseluruhan proses pesanan bawa pulang melalui operasi suara tanpa sebarang halangan menyerlahkan reka bentuk yang dimanusiakan.

Menurut Meituan, salah satu tugas penting projek "Technology Assists Life" syarikat adalah untuk mencari penyelesaian optimum untuk penjadualan penunggang. Walaupun lebih daripada 10,000 jurutera menggunakan teknologi kecerdasan buatan untuk meningkatkan kecekapan, mereka juga kerap bekerja sebagai penunggang untuk mengalami titik kesakitan dalam proses penghantaran makanan dan terus mengoptimumkan penyelesaian. Selain itu, enjin perkhidmatan syarikat digabungkan dengan teknologi "interaksi pintar" mempunyai keupayaan suara, membolehkan orang tua dan kanak-kanak mendapatkan perkhidmatan dalam cara komunikasi yang mudah. Terutama apabila keperluan pengguna dihantar kepada "Sistem Otak Super" syarikat, sistem penghantaran pengedaran pintar berbilang orang dan berbilang titik masa nyata berskala besar, sangat kompleks ini akan melakukan pengiraan pantas, membolehkan pengguna memperoleh pengalaman perkhidmatan yang tidak dijangka. . Sejak 2016, Meituan telah bergantung pada teknologi yang lebih pintar untuk membangunkan penghantaran tanpa pemandu dalam senario tertentu, yang telah diuji dan mencapai kemajuan semasa tempoh pencegahan dan kawalan wabak.

Dalam keseluruhan ekosistem penghantaran makanan, kumpulan pedagang merupakan satu lagi bidang teras pemerkasaan untuk Meituan. Dilaporkan bahawa dalam "Meituan Merchant Brain", terdapat analisis penilaian pengguna secara besar-besaran dan korelasi pengetahuan Pedagang hanya memerlukan versi profesional sistem juruwang SaaS untuk mendapatkan perubahan keluk emosi pengguna, tahap penggunaan, keutamaan alam sekitar dan pedagang yang serupa. , dsb. maklumat. Pada masa yang sama, dengan bantuan analisis pintar, peniaga juga boleh mendapatkan cerapan tentang status perkhidmatan, daya saing, daerah perniagaan, dll., memberikan rujukan untuk membuat keputusan daripada pembukaan kedai hingga pengurusan operasi kedai.

Sediakan penyelesaian kepada masalah sukar

Menurut laporan, penghantaran makanan hanyalah sebahagian daripada usaha Meituan untuk membina gambaran ekologi keseluruhan perkhidmatan kehidupan, dan senario kompleks yang terlibat dalam pemerkasaan teknologi jauh lebih daripada itu. Dalam beberapa tahun kebelakangan ini, Meituan telah menubuhkan pasukan teknologi kecerdasan buatan yang kukuh untuk menyediakan sokongan keupayaan AI yang kukuh untuk sistem perkhidmatan yang lengkap seperti pemilihan lokasi pedagang, lencongan trafik, penghantaran bawa pulang, pengurusan operasi, kewangan rantaian bekalan dan promosi pemasaran. Walau bagaimanapun, dengan pertumbuhan pesat pengguna, peningkatan berterusan perkhidmatan pintar, dan peningkatan berterusan dalam skala dan kerumitan model AI, sistem perniagaan syarikat menghadapi cabaran prestasi yang semakin teruk Bagaimana untuk menyelesaikan cabaran dari perspektif infrastruktur pembinaan semula dan pengoptimuman perisian adalah masalah yang mesti dihadapinya.

Ambil aplikasi rangka kerja pembelajaran mendalam sumber terbuka TensorFlow sebagai contoh: Meituan telah membuat penambahbaikan mendalam daripada pelbagai dimensi berdasarkan pemproses boleh skala Intel dan menerima pakai penyelesaian pengoptimuman teknikal yang disyorkan oleh syarikat. Untuk memperkasakan lagi aplikasi seperti sistem pengesyoran dengan AI, Meituan menggunakan TensorFlow untuk latihan model dan mengguna pakai kaedah pengkomputeran teragih untuk menyelesaikan masalah pengiraan model dan kemas kini parameter parameter besar-besaran. Walau bagaimanapun, dengan perkembangan pesat perniagaan, bukan sahaja skala dan kerumitan model sistem pengesyoran juga telah meningkat. Beberapa siri masalah juga akan didedahkan. Kemunculan kesesakan prestasi akan menyebabkan jumlah kos pemilikan melambung tinggi, yang mungkin memberi kesan negatif kepada perniagaan peringkat atasan.

Untuk menyelesaikan masalah kesesakan prestasi, terdapat dua jalan untuk dipilih: satu ialah mengembangkan skala pembinaan infrastruktur dengan cepat, tetapi ini akan meningkatkan tekanan kos dan meningkatkan kerumitan keseluruhan sistem; lain adalah bermula dari sistem dan perisian Optimumkan pada tahap yang berbeza untuk mencapai ekonomi dan kebolehlaksanaan yang lebih tinggi. Selepas menganalisis dan memposisikan rangka kerja dan perniagaan TensorFlow, Meituan mendapati bahawa pengimbangan beban kelompok TensorFlow dan mekanisme komunikasi, kependaman dan prestasi satu contoh kelompok teragih dalam perniagaan adalah semua bidang yang perlu dioptimumkan dengan segera sedang bekerjasama dengan Intel untuk meneroka yang kedua Laluan itu penting. Selepas menjelaskan arah, Meituan membina sistem TensorFlow pada kluster pelayan berdasarkan Pemproses Boleh Skala Intel, dan menggunakan CPU untuk latihan model TensorFlow Ia juga menggunakan mod latihan tak segerak TensorFlow PS dalam senario sistem pengesyoran untuk menyokong keperluan latihan diedarkan perniagaan. .

Difahamkan bahawa Meituan telah menjalankan amalan komprehensif dari pelbagai aspek seperti prestasi contoh tunggal dan pengoptimuman pengkomputeran teragih. Dari segi keupayaan sokongan, sistem baharu ini boleh mencapai ratusan bilion model parameter, pecutan hampir linear latihan teragih ribuan pekerja, melengkapkan latihan selama setahun penuh sampel dalam satu hari, dan menyokong pelbagai keupayaan pembelajaran mendalam dalam talian; seni bina dan antara muka juga telah dikemas kini Mesra dan diiktiraf oleh jabatan perniagaan Meituan.

Atas ialah kandungan terperinci Selesaikan kesesakan kecerdasan buatan dan menggalakkan pembangunan industri penghantaran makanan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Jun 28, 2024 am 03:51 AM

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Jun 10, 2024 am 11:08 AM

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Jun 11, 2024 pm 03:57 PM

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Jun 07, 2024 am 10:06 AM

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Lima sekolah pembelajaran mesin yang anda tidak tahu Lima sekolah pembelajaran mesin yang anda tidak tahu Jun 05, 2024 pm 08:51 PM

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Jul 25, 2024 am 06:42 AM

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

AlphaFold 3 dilancarkan, meramalkan secara menyeluruh interaksi dan struktur protein dan semua molekul hidupan, dengan ketepatan yang jauh lebih tinggi berbanding sebelum ini AlphaFold 3 dilancarkan, meramalkan secara menyeluruh interaksi dan struktur protein dan semua molekul hidupan, dengan ketepatan yang jauh lebih tinggi berbanding sebelum ini Jul 16, 2024 am 12:08 AM

Editor |. Kulit Lobak Sejak pengeluaran AlphaFold2 yang berkuasa pada tahun 2021, saintis telah menggunakan model ramalan struktur protein untuk memetakan pelbagai struktur protein dalam sel, menemui ubat dan melukis "peta kosmik" setiap interaksi protein yang diketahui. Baru-baru ini, Google DeepMind mengeluarkan model AlphaFold3, yang boleh melakukan ramalan struktur bersama untuk kompleks termasuk protein, asid nukleik, molekul kecil, ion dan sisa yang diubah suai. Ketepatan AlphaFold3 telah dipertingkatkan dengan ketara berbanding dengan banyak alat khusus pada masa lalu (interaksi protein-ligan, interaksi asid protein-nukleik, ramalan antibodi-antigen). Ini menunjukkan bahawa dalam satu rangka kerja pembelajaran mendalam yang bersatu, adalah mungkin untuk dicapai

Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Jul 17, 2024 pm 06:37 PM

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

See all articles