


AutoNavi mengeluarkan model besar untuk perjalanan selamat untuk meningkatkan keupayaan pengurusan keselamatan pengangkutan dalam talian
Amap baru-baru ini mengumumkan pelancaran model perjalanan selamat, yang menggunakan teknologi termaju Amap seperti data besar peta, data besar lokasi, data besar navigasi dan sistem membuat keputusan pintar untuk membantu platform panggilan dalam talian meningkatkan pengurusan keselamatan Keupayaan untuk mengurangkan risiko keselamatan
Model perjalanan selamat menggunakan teknologi data besar AutoNavi untuk menyediakan sokongan komprehensif untuk platform pengangkutan dalam talian dari segi pengenalpastian risiko, amaran risiko, perlindungan masa nyata dan tadbir urus biasa. Dengan mengenal pasti pelbagai senario risiko seperti persekitaran trafik yang berbahaya, pemanduan yang lemah, jadual perjalanan yang tidak normal dan pemanduan dalam keadaan mabuk, model perjalanan selamat boleh memberikan amaran risiko masa nyata kepada platform panggilan dalam talian dan mengingatkan pemandu untuk mengelakkan risiko tepat pada masanya melalui pelbagai kaedah.
Menurut laporan, model perjalanan selamat telah berjaya disambungkan kepada lebih daripada 100 platform pengangkutan dalam talian, dan boleh melengkapkan lebih daripada 10 juta amaran keselamatan jalan raya setiap hari, mengurangkan had kelajuan pemandu sebanyak 18.4%. Di samping itu, berdasarkan potret tingkah laku pemanduan yang dibentuk oleh model besar itu, platform panggilan kereta dalam talian boleh menguruskan pemandu secara sistematik yang kerap menunjukkan tingkah laku pemanduan yang buruk, dan menganjurkan lebih daripada 1,000 sesi latihan pemandu setiap bulan untuk menggesa peningkatan tingkah laku pemanduan
Amap bukan sahaja Ia membantu platform ride-hailing dalam talian meningkatkan keupayaan pengurusan keselamatan mereka dan juga menyediakan penumpang dengan beberapa langkah keselamatan. Langkah-langkah ini termasuk 110 penggera satu klik, hubungan kecemasan, perkongsian jadual perjalanan, gesaan IVR dan fungsi perlindungan masa nyata yang lain, serta "Fare Bodyguard" yang dinaik taraf sepenuhnya
"Fare Bodyguard" ialah komitmen perkhidmatan AutoNavi untuk "Berani duduk. dan berani membayar" Peningkatan penting untuk menyediakan pengguna dengan pelbagai jaminan seperti pengiring masa nyata, pemprosesan peringkat kedua dan pampasan pendahuluan. Ia secara bijak mengenal pasti dan memintas secara automatik pesanan dengan tambang tidak normal, dan menyegerakkan platform panggilan tumpangan dalam talian untuk menggesa pemandu menyemak tambang, menemui tambang yang tidak munasabah sebelum penumpang melakukannya, dan mengurangkannya secara automatik. Apabila penumpang menemui soalan tambang sendiri dan memberikan maklum balas dalam Apl Amap, Fare Bodyguard boleh membuat pertimbangan dalam beberapa saat, membayar pampasan tambang yang tidak munasabah dalam beberapa saat dan memberikan penjelasan yuran dalam beberapa saat untuk pesanan dengan caj biasa.
Menurut laporan, AutoNavi kini telah dapat menangani 90% isu tambang dalam beberapa saat, dan berjanji untuk membuat pampasan pendahuluan dalam masa 36 jam. Ini meletakkan Amap dalam kedudukan utama dalam industri. Untuk memastikan isu tambang yang agak rumit dapat dikendalikan tepat pada masanya, AutoNavi berjanji untuk menyelesaikan pemprosesan semua isu tambang dalam masa 36 jam. Jika masa pemprosesan tamat, tidak kira siapa yang bertanggungjawab, pampasan akan dibayar lebih awal
Usaha Amap dalam memastikan keselamatan perjalanan pengguna layak mendapat pengiktirafan kami. Saya percaya ini juga akan mendorong seluruh industri pengangkutan dalam talian untuk memberi lebih perhatian dan mengukuhkan pengurusan keselamatan, memberikan pengguna perkhidmatan perjalanan yang lebih selamat dan boleh dipercayai.
Atas ialah kandungan terperinci AutoNavi mengeluarkan model besar untuk perjalanan selamat untuk meningkatkan keupayaan pengurusan keselamatan pengangkutan dalam talian. 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

Pada 30 Mei, Tencent mengumumkan peningkatan menyeluruh model Hunyuannya Apl "Tencent Yuanbao" berdasarkan model Hunyuan telah dilancarkan secara rasmi dan boleh dimuat turun dari kedai aplikasi Apple dan Android. Berbanding dengan versi applet Hunyuan dalam peringkat ujian sebelumnya, Tencent Yuanbao menyediakan keupayaan teras seperti carian AI, ringkasan AI, dan penulisan AI untuk senario kecekapan kerja untuk senario kehidupan harian, permainan Yuanbao juga lebih kaya dan menyediakan pelbagai ciri , dan kaedah permainan baharu seperti mencipta ejen peribadi ditambah. "Tencent tidak akan berusaha untuk menjadi yang pertama membuat model besar, Liu Yuhong, naib presiden Tencent Cloud dan orang yang bertanggungjawab bagi model besar Tencent Hunyuan, berkata: "Pada tahun lalu, kami terus mempromosikan keupayaan untuk Model besar Tencent Hunyuan Dalam teknologi Poland yang kaya dan besar dalam senario perniagaan sambil mendapatkan cerapan tentang keperluan sebenar pengguna

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

1. Latar Belakang Pengenalan Pertama, mari kita perkenalkan sejarah pembangunan Teknologi Yunwen. Syarikat Teknologi Yunwen...2023 ialah tempoh apabila model besar berleluasa Banyak syarikat percaya bahawa kepentingan graf telah dikurangkan dengan ketara selepas model besar, dan sistem maklumat pratetap yang dikaji sebelum ini tidak lagi penting. Walau bagaimanapun, dengan promosi RAG dan kelaziman tadbir urus data, kami mendapati bahawa tadbir urus data yang lebih cekap dan data berkualiti tinggi adalah prasyarat penting untuk meningkatkan keberkesanan model besar yang diswastakan Oleh itu, semakin banyak syarikat mula memberi perhatian kepada kandungan berkaitan pembinaan pengetahuan. Ini juga menggalakkan pembinaan dan pemprosesan pengetahuan ke peringkat yang lebih tinggi, di mana terdapat banyak teknik dan kaedah yang boleh diterokai. Dapat dilihat bahawa kemunculan teknologi baru tidak mengalahkan semua teknologi lama, tetapi mungkin juga mengintegrasikan teknologi baru dan lama.

Menurut berita pada 13 Jun, menurut akaun awam “Volcano Engine” Byte, pembantu kecerdasan buatan Xiaomi “Xiao Ai” telah mencapai kerjasama dengan Volcano Engine Kedua-dua pihak akan mencapai pengalaman interaktif AI yang lebih pintar berdasarkan model besar beanbao . Dilaporkan bahawa model beanbao berskala besar yang dicipta oleh ByteDance boleh memproses sehingga 120 bilion token teks dengan cekap dan menjana 30 juta keping kandungan setiap hari. Xiaomi menggunakan model besar Doubao untuk meningkatkan keupayaan pembelajaran dan penaakulan modelnya sendiri dan mencipta "Xiao Ai Classmate", yang bukan sahaja memahami keperluan pengguna dengan lebih tepat, tetapi juga menyediakan kelajuan tindak balas yang lebih pantas dan perkhidmatan kandungan yang lebih komprehensif. Contohnya, apabila pengguna bertanya tentang konsep saintifik yang kompleks, &ldq

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
