Jadual Kandungan
Dalaman pusat pengisihan
Rumah Peranti teknologi AI Aplikasi kecerdasan buatan dalam pengasingan sampah

Aplikasi kecerdasan buatan dalam pengasingan sampah

Apr 12, 2023 pm 01:55 PM
AI robot Pengasingan sampah

Hari Selasa malam dan tong besar berwarna biru di hadapan rumah anda dipenuhi dengan surat khabar, kadbod, botol, tin, dulang kerajang dan cawan yogurt kosong. Anda mungkin berasa seperti anda melakukan sesuatu yang hebat dan melakukan bahagian anda untuk mengurangkan pembaziran. Tetapi sebaik sahaja anda membilas cawan yogurt dan membuangnya ke dalam tong sampah, anda mungkin tidak akan memikirkannya lagi.

Di banyak bahagian di Amerika Syarikat dan sebahagian besar Eropah, realiti kitar semula amat membimbangkan. Keesokan paginya, kandungan tong kitar semula akan dibuang ke dalam lori dan dibawa ke depoh kitar semula untuk diasingkan. Kebanyakan bahan akan diproses dan akhirnya digunakan dalam produk baharu. Tetapi kebanyakannya berakhir sebagai sisa di tapak pelupusan sampah.

Jadi, berapa banyak bahan yang masuk ke dalam tong sampah biasa boleh disimpan daripada tapak pelupusan sampah? Walaupun tiada data yang tersedia secara meluas, di negara dengan kitar semula yang dipermudahkan, angka ini (dipanggil "kadar kitar semula") purata sekitar 70% hingga 90%. Keputusan ini nampaknya tidak buruk. Tetapi kadar kitar semula di sesetengah bandar boleh serendah 40%.

Lebih teruk lagi, hanya peratusan kecil bahan kitar semula yang dimasukkan ke dalam tong sampah, hanya 32% di Amerika Syarikat dan hanya 10 hingga 15% di seluruh dunia. Iaitu, banyak bahan yang diperbuat daripada sumber terhad tidak perlu dibazirkan.

Kita perlu melakukan yang lebih baik. Industri kitar semula kini sedang menghadapi krisis kewangan berikutan kejatuhan harga untuk pengasingan kitar semula dan dasar China 2018 yang menyekat import banyak bahan kitar semula dan menutup kebanyakan bahan kitar semula yang berasal dari Amerika Syarikat.

Ada cara untuk membantu kami melakukan yang lebih baik. Menggunakan penglihatan komputer, pembelajaran mesin dan robot untuk mengenal pasti dan mengisih bahan kitar semula, kami boleh meningkatkan ketepatan penyusun automatik, mengurangkan keperluan untuk campur tangan manusia dan meningkatkan kadar kitar semula keseluruhan.

Syarikat kami, Amp Robotics, yang beribu pejabat di Louisville, Colorado, sedang membangunkan perisian dan perkakasan untuk mengisih barang kitar semula yang bergantung pada analisis imej untuk mencapai ketepatan tertinggi dan kadar pemulihan yang lebih tinggi daripada sistem tradisional. Syarikat lain mengambil pendekatan yang sama, menggunakan kecerdasan buatan dan robotik untuk kitar semula, seperti Sistem Pengendalian Pukal, Machinex dan Tomra. Setakat ini, ratusan stesen pengisihan di seluruh dunia telah menggunakan teknologi ini. Memperluaskan penggunaannya menghalang pembaziran dan membantu alam sekitar dengan menjauhkan bahan kitar semula daripada tapak pelupusan, menjadikannya lebih mudah untuk diproses semula dan digunakan semula.

Sebelum melihat cara kecerdasan buatan akan mempertingkatkan kitar semula, kita boleh melihat cara pengasingan bahan kitar semula telah dilakukan pada masa lalu dan cara ia diisih di kebanyakan bahagian dunia hari ini.

Kitar semula bermula pada tahun 1960-an, apabila pengguna dikehendaki mengisih, seperti meletakkan surat khabar dalam satu bungkusan, kadbod dalam bungkusan lain, dan meletakkan kaca dan tin ke dalam tong yang berasingan. Ini terbukti terlalu menyusahkan ramai orang dan mengehadkan jumlah bahan kitar semula yang boleh dikumpul.

Pada tahun 1970-an, banyak bandar telah menghapuskan berbilang tong sampah dan menggantikannya dengan satu tong sampah, dengan pengasingan berlaku di hilir. Pendekatan "aliran tunggal" untuk kitar semula ini telah meningkatkan penyertaan dan kini merupakan bentuk kitar semula yang dominan di negara maju.

Mengalih tugas pengisihan lebih jauh ke hilir telah membawa kepada pembinaan stesen pengisihan. Untuk pengisihan yang tepat, usahawan kitar semula menyesuaikan peralatan perlombongan dan pertanian, ditambah dengan tenaga kerja apabila perlu. Sistem pengisihan ini tidak menggunakan kecerdasan komputer, sebaliknya bergantung pada sifat fizikal bahan untuk memisahkannya. Sebagai contoh, pecahkan kaca kepada kepingan kecil, kemudian ayak dan kumpulkan. Kadbod, yang keras dan ringan, meluncur pada satu siri cakera cam mekanikal, manakala bahan lain yang lebih tumpat jatuh di antara cakera. Kemagnetan boleh digunakan untuk memisahkan logam ferus daripada bahan lain, arus pusar yang besar juga boleh digunakan untuk mendorong kemagnetan dalam barangan logam bukan ferus seperti aluminium.

Pada tahun 1990-an, teknologi pengimejan hiperspektral yang dibangunkan oleh NASA dan pertama kali dilancarkan pada satelit pada tahun 1972 menjadi berdaya maju secara komersial dan mula muncul dalam bidang kitar semula. Tidak seperti mata manusia, yang terutamanya melihat gabungan merah, hijau dan biru, penderia hiperspektral dapat membahagikan imej kepada lebih banyak jalur spektrum. Teknologi ini mengubah industri kitar semula dengan dapat membezakan antara pelbagai jenis plastik, membawa penderiaan optik dan kecerdasan komputer ke dalam proses kitar semula. Selain itu, penyusun optik boleh atur cara telah dibangunkan untuk memisahkan produk kertas, contohnya, daripada surat khabar kepada surat sampah.

Oleh itu, kebanyakan pengisihan kini automatik. Ketulenan pengisihan sistem ini biasanya 80 hingga 95 peratus, bermakna 5 hingga 20 peratus bahan kitar semula tidak sepatutnya ada. Walau bagaimanapun, untuk kitar semula menguntungkan, ketulenan pengisihan mestilah melebihi 95% di bawah ambang ini, nilainya berkurangan dan selalunya tidak bernilai. Akibatnya, manusia membersihkan aliran kerja individu secara manual, memilih item yang disusun secara tidak betul sebelum bahan dimampatkan dan dibungkus untuk penghantaran.

Walaupun pengasingan automatik dan manual, kira-kira 10% hingga 30% bahan yang memasuki stesen pengasingan berakhir di tapak pelupusan. Dalam kebanyakan kes, lebih separuh daripada bahan ini boleh dikitar semula dan berharga, tetapi hanya tergelincir melalui retakan.

Kami telah menolak sistem sedia ada kami ke hadnya. Hanya kecerdasan buatan boleh melakukan lebih baik.

Membawa kecerdasan buatan ke dalam perniagaan kitar semula bermakna menggabungkan robot pilih-dan-tempat dengan pengesanan objek masa nyata yang tepat. Dalam pembuatan, robot pilih dan letak ditambah dengan sistem penglihatan komputer digunakan untuk menangkap objek tertentu, tetapi mereka biasanya hanya berulang kali mencari satu item atau sebilangan kecil item bentuk yang diketahui di bawah keadaan pencahayaan terkawal. Walau bagaimanapun, item yang terlibat dalam kitar semula bergerak ke bawah tali pinggang penghantar dengan variasi tidak terhingga dalam jenis, bentuk dan orientasi, memerlukan pengenalan hampir serta-merta dan penyerahan pantas trajektori baharu ke lengan robotik.

Aplikasi kecerdasan buatan dalam pengasingan sampah

Pada tahun 2016, syarikat kami mula-mula menggunakan kecerdasan buatan untuk mengambil kotak kadbod kosong daripada barang kitar semula yang lain di stesen penyisihan di Colorado hari ini, kami telah memasang sistem sedemikian di lebih 25 negeri A.S. dan 6 negara. Walaupun kami bukan syarikat pertama yang bereksperimen dengan pengisihan kecerdasan buatan, teknologi itu belum tersedia secara komersial sebelum ini. Kami telah terus mengembangkan jenis kitar semula yang sistem kami dapat mengenal pasti dan mengisih.

Secara teorinya, kecerdasan buatan boleh memulihkan semua kitar semula daripada aliran bahan campuran dengan hampir 100% ketepatan, berdasarkan sepenuhnya analisis imej. Sistem pengisihan AI boleh mengisih item dengan tepat selagi mereka dapat melihatnya.

Ambil polietilena berketumpatan tinggi (HDPE), plastik yang biasa digunakan dalam botol detergen dan jag susu, sebagai contoh, yang amat mencabar untuk penyisih kitar semula semasa . (Produk HDPE disenaraikan sebagai yang kedua paling boleh dikitar semula di Amerika Syarikat, Eropah dan China.) Dalam sistem yang bergantung pada pengimejan hiperspektral, kumpulan HDPE sering dicampur dengan plastik lain dan mungkin mempunyai tag sisa kertas atau plastik, menjadikannya sukar untuk pengimej hiperspektral untuk mengesan komposisi kimia item asasnya.

Sebaliknya, sistem penglihatan komputer dipacu AI boleh menentukan sama ada botol diperbuat daripada HDPE dengan mengenal pasti pembungkusannya. Sistem sedemikian juga boleh memanfaatkan atribut seperti warna, kelegapan dan faktor bentuk untuk meningkatkan ketepatan pengesanan malah boleh mengisih mengikut warna atau produk tertentu, mengurangkan jumlah pemprosesan semula yang diperlukan. Walaupun sistem tidak cuba memahami maksud teks pada label, teks adalah sebahagian daripada sifat visual item.

Kami di Amp Robotics telah membina sistem yang boleh melakukan pengisihan seperti ini. Pada masa hadapan, sistem AI juga akan dapat mengisih mengikut gabungan bahan dan kegunaan asal, mengasingkan bahan gred makanan daripada bekas pembersih isi rumah dan kertas yang tercemar oleh sisa makanan daripada kertas bersih.

Aplikasi kecerdasan buatan dalam pengasingan sampah

Melatih rangkaian saraf untuk mengenal pasti item dalam aliran kitar semula bukanlah tugas yang mudah. Sekurang-kurangnya beberapa susunan magnitud lebih sukar daripada mengenal pasti wajah dalam foto kerana bahan kitar semula mempunyai bilangan ubah bentuk yang hampir tidak terhingga yang mesti dikenali oleh sistem.

Melatih rangkaian saraf untuk mengenali semua jenis botol detergen dobi yang berbeza di pasaran hari ini adalah cukup sukar, tetapi memandangkan ubah bentuk fizikal barang-barang ini mungkin mengalami apabila mereka mencapai kitar semula bin adalah satu lagi cabaran yang sama sekali berbeza. Mereka mungkin dilipat, koyak atau dihancurkan. Apabila dicampur ke dalam aliran item lain, kita mungkin hanya dapat melihat sudut botol. Cecair atau sisa makanan juga mungkin mengaburkan bahannya.

Kami melatih sistem kami menggunakan imej pelbagai bahan daripada tong kitar semula di seluruh dunia. Syarikat kami kini mempunyai set data terbesar di dunia bagi imej bahan kitar semula yang tersedia untuk pembelajaran mesin.

Menggunakan data ini, model kami boleh belajar mengenal pasti kitar semula dengan cara yang sama manusia lakukan, dengan mengenal pasti corak dan ciri yang membezakan bahan yang berbeza. Kami terus mengumpul sampel rawak daripada semua stesen pengisihan menggunakan sistem kami, menganotasikannya, menambahkannya pada pangkalan data kami dan melatih semula rangkaian saraf kami. Kami juga menguji rangkaian saraf untuk mencari model yang berprestasi terbaik pada bahan sasaran dan melaksanakan latihan tambahan yang disasarkan pada bahan yang sistem tidak mengenal pasti dengan betul.

Secara umumnya, rangkaian saraf cenderung untuk mempelajari perkara yang salah. Sebagai contoh, gambar lembu dikaitkan dengan pembungkusan susu, yang biasanya diperbuat daripada papan gentian atau bekas HDPE. Tetapi produk tenusu juga boleh datang dalam pembungkusan plastik lain, contohnya, botol susu pakai buang mungkin kelihatan seperti jag gelen HDPE, tetapi selalunya diperbuat daripada polietilena terephthalate (PET) legap yang digunakan dalam botol air. Dalam erti kata lain, corak lembu tidak selalu bermaksud serat atau HDPE.

Menjejaki perubahan berterusan dalam pembungkusan produk pengguna juga boleh menjadi satu cabaran. Sebarang mekanisme yang bergantung pada pemerhatian visual untuk memahami hubungan antara pembungkusan dan jenis bahan perlu menggunakan aliran data yang stabil untuk memastikan pengelasan item yang tepat.

Kami boleh menjadikan sistem ini berfungsi. Pada masa ini, sistem kami berfungsi dengan baik dalam beberapa kategori, mengenal pasti tin aluminium dengan ketepatan lebih 98%, dan semakin baik dalam membezakan perbezaan halus seperti warna, kelegapan dan penggunaan awal (mengenal pasti plastik gred makanan).

Aplikasi kecerdasan buatan dalam pengasingan sampah

Sekarang sistem berasaskan AI bersedia untuk melaksanakan tugas menyusun barang kitar semula, apakah perubahan yang akan dibawanya? Sudah tentu, ini akan meningkatkan penggunaan robotik, yang pada masa ini sangat rendah dalam industri kitar semula. Memandangkan kekurangan pekerja yang kronik dalam industri yang membosankan dan kotor ini, automasi adalah jalan yang patut diambil.

AI juga boleh membantu kami memahami prestasi proses pengisihan sedia ada kami dan cara kami boleh memperbaikinya. Pada masa ini, kami mempunyai idea yang sangat kasar tentang cara pengisihan stesen beroperasi dengan cekap, di mana kami menimbang trak semasa ia masuk dan mengitar semula apabila ia keluar. Tiada stesen pengisihan tunggal boleh menjamin ketulenan sesuatu produk hanya boleh mengaudit kualiti secara berkala dengan membuka pakej secara rawak. Walau bagaimanapun, jika sistem penglihatan AI digunakan pada input dan output bahagian berkaitan proses pengisihan, kami akan mendapat pandangan holistik ke mana bahan itu mengalir. Beratus-ratus stesen pengisihan di seluruh dunia baru mula menggunakan tahap penelitian ini, dan ia sepatutnya menjadikan operasi kitar semula lebih cekap. Mendigitalkan aliran masa nyata kitar semula dengan cara yang tepat dan konsisten juga akan membantu kami memahami dengan lebih baik bahan kitar semula khusus yang sedang dikitar semula dan bahan yang tidak dikitar semula pada masa ini, dan kemudian mengenal pasti jurang untuk meningkatkan prestasi keseluruhan sistem kitar semula di stesen pengasingan.

Namun, untuk benar-benar melepaskan kuasa AI dalam proses kitar semula, kita perlu memikirkan semula keseluruhan proses pengisihan. Hari ini, operasi kitar semula sering mengurangkan aliran bahan bercampur dengan mengalih keluar bahan bukan sasaran—dengan kata lain, mereka melakukan "isihan negatif." Walau bagaimanapun, menggunakan sistem penglihatan AI dengan robot pemilih, kami boleh melakukan "isihan positif", di mana setiap item dalam aliran kerja dikenal pasti dan bahan sasaran dipilih dan bukannya mengalih keluar bahan bukan sasaran.

Apa yang pasti pemulihan dan kesucian kami adalah sebaik algoritma kami. Memandangkan sistem kami memperoleh lebih banyak pengalaman di seluruh dunia dan set data latihan kami terus berkembang, jumlah ini akan terus bertambah baik. Kami berharap akhirnya mencapai 100% kesucian dan pemulihan.

Peralihan daripada lebih banyak sistem mekanikal kepada kecerdasan buatan mempunyai implikasi yang meluas. Daripada pengisihan kasar kepada 80% ketulenan dan kemudian kemasan manual untuk meningkatkan ketulenan kepada 95%, stesen pengisihan boleh mencapai ketulenan sasaran dalam jenis pertama. Dan pengisih tidak memerlukan mekanisme pengisihan yang unik untuk setiap bahan, hanya menukar algoritma boleh menukar sasaran.

Penggunaan kecerdasan buatan juga bermakna kita boleh mengitar semula bahan yang telah lama diabaikan atas sebab ekonomi. Sehingga kini, stesen pengasingan telah mengejar barangan bernilai tinggi yang paling banyak dalam aliran sisa hanya jika ia boleh dilaksanakan dari segi ekonomi. Tetapi dengan sistem pembelajaran mesin yang mengisih pelbagai jenis bahan secara positif, kita boleh mula mengitar semula kepelbagaian bahan yang lebih besar dengan sedikit atau tanpa kos. Ini bagus untuk planet ini.

Memandangkan teknologi syarikat kami mula beroperasi dalam talian di Denver pada penghujung tahun 2020, beberapa stesen kitar semula menengah berasaskan kecerdasan buatan mula beroperasi. Sistem ini sedang digunakan di mana bahan telah diisih secara tradisional, mencari bahan bernilai tinggi atau bahan bernilai rendah yang hilang yang boleh diisih dengan cara baharu, dengan itu mencari pasaran baharu.

Dengan bantuan kecerdasan buatan, industri secara beransur-ansur mengurangkan jumlah kitar semula yang berakhir di tapak pelupusan setiap tahun Berbilion tan bahan kitar semula mewakili berbilion dolar dan sumber tidak boleh diperbaharuiSumber.

Dalaman pusat pengisihan

Stesen kitar semula semasa menggunakan pengisihan mekanikal, pengisihan hiperspektral optik dan operasi manual. Inilah yang biasanya berlaku selepas trak kitar semula pergi dengan tong birunya.

Tri akan memunggah di atas tapak konkrit yang dipanggil "tapak pembuangan." Pemuat bahagian hadapan mengumpul bahan dalam kuantiti yang banyak dan membuangnya ke tali pinggang penghantar, biasanya pada kelajuan 30 hingga 60 tan sejam.

Peringkat pertama ialah pra- pengisihan. Pekerja bermula dengan mengalihkan barang besar atau bermasalah yang tidak sepatutnya ada pada trak pengumpulan, seperti basikal, kepingan besar filem plastik, tangki propana dan transmisi kereta.

Bergantung pada pengimejan hiperspektral optik atau mesin pengisihan manual untuk memisahkan gentian (kebanyakannya produk 2D rata seperti kertas pejabat, kadbod, majalah, dll.) daripada baki plastik dan logam . Dalam penyusun optik, kamera merenung ke bawah pada bahan yang bergolek di sepanjang tali pinggang penghantar, melihat item yang dibuat daripada bahan sasaran, dan kemudian menghantar mesej untuk mengaktifkan satu set solenoid dikawal secara elektronik untuk memindahkan item ke dalam tong pengumpulan.

Bahan tidak berserabut melalui sistem mekanikal dengan sesondol padat. Barang-barang besar akan meluncur, manakala barang-barang kecil (seperti garpu kitar semula yang anda campak dengan teliti ke dalam tong biru) akan terlepas dan terus ke tapak pelupusan kerana ia terlalu kecil untuk diisih. Mesin juga menghancurkan kaca dan kaca pecah jatuh ke bawah dan diayak keluar.

Barang-barang yang selebihnya kemudiannya melalui magnet atas (yang mengumpul barang-barang yang diperbuat daripada logam ferus) dan mesin aruhan arus pusar (yang mengejutkan logam bukan ferus ke kawasan pengumpulan yang lain).

Pada ketika ini, kebanyakan plastik masih ada. Lebih banyak pengisih hiperspektral yang disambungkan secara bersiri boleh menyusun satu jenis plastik pada satu masa, seperti botol detergen HDPE atau botol air PET.

Akhirnya, baki barang (10% hingga 30% daripada muatan lori) akan dibuang.

Aplikasi kecerdasan buatan dalam pengasingan sampah


Pada masa hadapan, sistem pengisihan robot dan sistem pengesanan kecerdasan buatan yang digerakkan oleh kecerdasan buatan boleh menggantikan Buruh ini digunakan dalam kebanyakan peringkat proses. Dalam rajah tersebut, ikon merah menunjukkan tempat sistem robotik berkuasa AI boleh menggantikan manusia, dan ikon biru menunjukkan tempat sistem audit AI boleh melakukan semakan akhir pada kerja pengisihan.

Atas ialah kandungan terperinci Aplikasi kecerdasan buatan dalam pengasingan sampah. 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

Video Face Swap

Video Face Swap

Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

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

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

SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. Aug 01, 2024 pm 09:40 PM

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

See all articles