Kepintaran buatan membantu melindungi spesies terancam
Misi organisasi bukan untung WPS (Program Pemuliharaan Hidupan Liar) ialah menggunakan teknologi untuk melindungi spesies dan ekosistem terancam. Untuk tujuan ini, platform wpsWatch sedang dibina menggunakan kecerdasan buatan pada imej kamera jauh. Sokong pemasangan lebih banyak kamera di habitat hidupan liar yang kritikal di seluruh dunia dan kembangkan kerja mereka daripada mengenal pasti ancaman, mengklasifikasikan spesies dan membantu anti-pemburuan haram kepada mencegah konflik manusia-hidupan liar.
Organisasi ini menangkap lebih 25,000 foto daripada kamera setiap hari. "Tiada siapa yang boleh melihat setiap gambar dan segera memahami apa yang ada di dalamnya, tetapi ia penting untuk operasi kami," kata Matt Hron, pengarah produk dan akaun di Wildlife Solutions "Dan AI boleh melakukannya.
Di luar skop kerja analisis imej ini, organisasi memperluaskan penggunaan teknologi ke kawasan aplikasi lain. Ia memerlukan keupayaan untuk membina dan menggunakan model AI baharu dengan pantas untuk memenuhi pelbagai keperluan usaha ini.
Platform wpsWatch organisasi menganalisis dan memantau sejumlah besar imej daripada kamera jauh yang terletak di lebih 100 tapak di hampir 20 wilayah. Ia dikuasakan oleh Microsoft Azure VMs (mesin maya) dan GPU NVIDIA (unit pemprosesan grafik) dan pada mulanya tertumpu pada matlamat keselamatan dan anti pemburuan haram dalam misi organisasi.
Untuk tujuan ini, WPS bekerjasama dengan pasukan Microsoft AI for Earth untuk menyediakan imej untuk MegaDetector, model AI yang dibangunkan oleh pasukan AI for Earth untuk mempercepatkan pengesanan pengawasan gambar kamera berurusan dengan. Ia merupakan perhubungan yang saling menguntungkan, dengan WPS menggunakan MegaDetector untuk membantu mempertingkat dan memperhalusi penyelesaian pemantauan wpsWatchnya, yang menyediakan suntikan imej yang menyumbang kepada peningkatan berterusan model. WPS menyediakan perkhidmatan dan platformnya ke kawasan yang dilindungi secara percuma.
Gunakan MegaDetector, model pengesanan anomali penglihatan komputer, untuk mengesan haiwan, manusia dan kenderaan pada kamera. Ia direka bentuk dengan cara yang menyokong keinginan organisasi untuk mencapai matlamat baru. "Oleh kerana ia adalah aplikasi berasaskan standard, ramai pengguna lapangan kami dapat memilih perkakasan yang betul berdasarkan keperluan khusus mereka," kata pengarah eksekutif WPS Eric Schmidt "Ia memberi kami kelonggaran untuk menggunakan pelbagai cara pintar untuk menyesuaikan sistem pihak ketiga supaya kami boleh bekerjasama dengan sistem tersebut untuk menjadikannya lebih seperti ekosistem tertutup." MegaDetector Versi baharu (V5) telah dikeluarkan tahun lepas, dan WPS menyaksikan peningkatan dalam ketepatan serta-merta selepas melaksanakan versi baharu.
Satu metrik prestasi platform wpsWatch ialah masa yang diambil daripada menerima imej kepada mengenal pasti perkara yang mencetuskan imej. Sebaik sahaja imej diterima, ia mengambil masa beberapa saat untuk mendapatkan data inferens AI untuk memahami apa yang ada dalam foto. MegaDetector v5 berjalan pada infrastruktur dan analisis imej berjalan 50% hingga 60% lebih pantas daripada sebelumnya. Secara khusus, purata masa pemprosesan menggunakan MegaDetector v4 ialah kira-kira 2 saat. Purata masa untuk versi baharu ialah antara 500 dan 700 milisaat. "Ini adalah peningkatan yang besar, terutamanya apabila kami meningkatkan jumlah imej yang dianalisis secara mendadak," kata James Goodheart, pembangun perisian di WPS. Satu lagi peningkatan menggunakan v5 adalah untuk meningkatkan ketepatan. "Kami mengeluarkan beberapa imej lama yang mungkin tidak dikesan atau dibenderakan untuk latihan semula. Beberapa telah berjaya dikesan dalam versi AI yang lebih baharu," kata Goodheart
Selain itu analisis imej, WPS menggunakan elemen infrastruktur Microsoft lain dalam platformnya. Contohnya, apabila kamera jauh dimulakan, data imej dihantar melalui e-mel daripada kamera jauh melalui perkhidmatan SendGrid dan kemudian dihuraikan menggunakan API WPS. (Masa yang diperlukan untuk memindahkan imej berbeza-beza bergantung pada perkhidmatan komunikasi yang tersedia. Kebanyakan menggunakan perkhidmatan mudah alih tempatan, manakala sesetengah kamera bersambung melalui Wi-Fi.)
Foto disimpan menggunakan Microsoft Azure Blob , metadata dihantar ke WPS oleh Microsoft SQL Server. Foto-foto itu kemudiannya dimajukan kepada pelbagai penyelesaian pengecaman imej AI untuk menentukan perkara yang ada dalam foto, seperti kenderaan, seseorang atau spesies haiwan yang diminati, yang kemudiannya boleh memberi amaran kepada pasukan yang berkaitan di tapak berdasarkan perkara yang terdapat dalam imej.
Meluaskan ke domain baharu
Satu bidang yang WPS berharap untuk memanfaatkan infrastruktur AInya ialah menyokong usahanya dalam mencegah konflik manusia-hidupan liar. Ini memerlukan keupayaan untuk mencari spesies dalam imej dan kemudian menyedari bahawa, sebagai contoh, gajah mungkin mengembara di sepanjang koridor ke arah penempatan manusia, di mana mereka mungkin merosakkan tanaman. Atau cari singa atau serigala yang menghampiri kawasan ternakan dan amaran penduduk tempatan untuk mengambil langkah berjaga-jaga.
Selain itu, WPS sedang menjalankan lebih banyak pengesanan spesies invasif. Apa yang diperlukan ialah keupayaan untuk memantau tikus, kucing, anjing, kambing atau mana-mana spesies invasif tempatan, digabungkan dengan kaedah yang sesuai untuk memastikan tiada lagi pencerobohan di kawasan itu. Dalam setiap kes, WPS menggunakan apl dan kamera yang sama untuk mencari ancaman, sama ada ia adalah manusia atau hidupan liar.
WPS mahu melakukan segala yang boleh untuk menggalakkan orang ramai terlibat dengan isu hidupan liar global. “Salah satu perkara yang sangat menarik ialah orang di seluruh dunia dapat mengambil bahagian secara langsung dalam pemuliharaan hidupan liar antarabangsa Dengan alatan yang kami sediakan, sesiapa sahaja boleh memantau data kami sebagai sukarelawan dan menjadi penyumbang kepada insiden pemburuan haram dan pemuliharaan hidupan liar di seluruh dunia. . Responder Pertama Jenayah Haiwan "Dengan teknologi berasaskan awan dan aliran data, individu boleh memberi kesan global. Semua orang boleh memberi impak untuk pemuliharaan alam semula jadi di seluruh dunia.
Atas ialah kandungan terperinci Kepintaran buatan membantu melindungi spesies terancam. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



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

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

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

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

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

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

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

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
