Cara menggunakan kecerdasan buatan untuk mengurangkan sisa plastik
Menggunakan kecerdasan buatan dalam pengurusan sisa plastik untuk menjadikan proses lebih tepat dan lebih pantas
Sisa plastik merupakan salah satu cabaran yang paling lazim dalam hal kemampanan, iaitu kebimbangan utama bagi organisasi hari ini. Dalam usaha mereka untuk meminimumkan dan menghapuskan pencemaran, perniagaan dan kerajaan beralih kepada kecerdasan buatan (AI) sebagai alat yang berguna. Kurang daripada 10% daripada 400 juta tan sisa plastik yang dihasilkan di seluruh dunia setiap tahun dikitar semula. Walaupun menyelesaikan masalah ini memerlukan perubahan yang ketara dan kompleks, menggunakan kecerdasan buatan boleh memperoleh pengetahuan dan kecekapan yang diperlukan.
Rantaian bekalan plastik dioptimumkan
Kepintaran buatan boleh meningkatkan kecekapan operasi rantaian bekalan. Menggunakan analitik ramalan, syarikat boleh memperoleh pemahaman yang lebih jelas tentang perubahan permintaan dan mencegah pengeluaran berlebihan. AI boleh membantu syarikat menggunakan hanya jumlah plastik yang diperlukan, mengurangkan sisa dengan menyesuaikan pembuatan kepada perubahan kitaran permintaan.
Sesetengah syarikat cuba mencipta rantaian bekalan gelung tertutup yang merangkumi kitar semula dan pemulangan untuk menghapuskan sisa dalam pengeluaran. Faktor kompleks mesti dipertimbangkan semasa menentukan cara mereka bentuk dan melaksanakan sistem ini, tetapi AI boleh membantu.
Alat analisis boleh mengenal pasti lokasi penggunaan semula yang berpotensi untuk bahan atau cara paling berkesan untuk mengendalikan pemulangan. Perniagaan akan mendapati lebih mudah untuk menyusun semula rantaian bekalan mereka untuk mengurangkan sisa plastik.
Mencari cara baharu untuk membuangnya
Kecerdasan buatan boleh menghasilkan penyelesaian hijau kreatif untuk menyingkirkan plastik. Baru-baru ini, penyelidik menggunakan pembelajaran mesin untuk membangunkan enzim yang boleh merendahkan polimer PET kepada bahan kimia konstituennya dalam masa kurang daripada 24 jam. Syarikat boleh menukar bahan ini menjadi bahan baharu dan mengurangkan pembaziran.
Teknik penemuan tradisional adalah intensif buruh dan sumber, selalunya memerlukan beberapa eksperimen makmal. Algoritma ML boleh mempercepatkan proses ini dengan mensimulasikan interaksi sebatian yang berbeza. Mereka kemudiannya boleh menemui calon yang menjanjikan dengan lebih cepat dan lebih tepat daripada penyelidikan tradisional.
Kajian berbantukan AI yang serupa mungkin mendedahkan strategi lanjut untuk memecahkan plastik. Penemuan ini boleh memainkan peranan penting dalam menguruskan sisa plastik semasa dan mengelakkan sisa masa depan.
Mencari cara untuk mengurangkan penggunaan plastik
Pertama, mengurangkan penggunaan bahan ini adalah cara pertama kecerdasan buatan boleh membantu mengurangkan sisa plastik. Sesetengah syarikat telah mula menggunakan kecerdasan buatan untuk mensimulasikan dan menganalisis pelbagai susun atur pembungkusan untuk memahami cara mereka bentuk semula mereka untuk memberikan kekuatan yang sama dengan bahan yang kurang. Syarikat yang melaksanakan langkah ini menggunakan kurang plastik.
Kecerdasan buatan juga boleh mensimulasikan penggantian plastik dalam produk dan pembungkusan bahan alternatifnya. Menggunakan pengetahuan ini, syarikat boleh beralih kepada bahan yang lebih boleh dikitar semula, mesra alam tanpa melalui proses prototaip yang memakan masa dan mahal. Mencari pengubahsuaian terbaik secara manual boleh mengambil masa berbulan-bulan dan membawa kepada beberapa kesilapan yang mahal, tetapi kecerdasan buatan boleh melakukannya dengan cepat dan cekap.
Hapuskan kesilapan yang membazir
AI juga boleh meningkatkan lebih banyak teknik pemprosesan tradisional. Kemudahan kitar semula sering menggunakan teknik pengisihan manual untuk mengasingkan plastik kitar semula daripada sisa untuk tapak pelupusan. Kesilapan tidak dapat dielakkan kerana kerja berulang ini sering membebankan atau memenatkan manusia, tetapi AI boleh mengubahnya.
Sistem penglihatan mesin boleh mengasingkan bahan buangan daripada kitar semula dengan lebih cepat dan lebih tepat berbanding manusia. Mereka sentiasa mencapai kelajuan dan ketepatan yang sama seperti mereka yang bosan dan terganggu. Kemudahan kitar semula kemudiannya boleh menghentikan kesilapan yang boleh mengakibatkan plastik kitar semula dibuang ke tapak pelupusan sampah.
Begitu juga, ralat industri boleh dielakkan dengan menggunakan penglihatan mesin dan penyelesaian kecerdasan buatan lain dalam kemudahan pengeluaran. Dengan menjadikan pengeluar plastik kurang terdedah kepada kesilapan, alat ini akan mengurangkan sisa bahan.
Atas ialah kandungan terperinci Cara menggunakan kecerdasan buatan untuk mengurangkan sisa plastik. 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
1378
52
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
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
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
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
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
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
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.
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
