Apakah aplikasi kecerdasan buatan dalam rantaian bekalan?
Menggunakan kecerdasan buatan (AI) ialah satu cara profesional rantaian bekalan dapat menyelesaikan masalah kritikal dan meningkatkan operasi global
Alat dipertingkatkan AI digunakan secara meluas merentasi rantaian bekalan untuk meningkatkan kecekapan dan mengurangkan kesan kekurangan buruh global , dan temui cara yang lebih baik dan selamat untuk mengalihkan barangan
Mengapa perniagaan harus menggunakan kecerdasan buatan
Aplikasi kecerdasan buatan boleh didapati di seluruh rantaian bekalan, dari peringkat pembuatan hingga penghantaran produk? Talian perkapalan menggunakan peranti IoT untuk mengumpul dan menganalisis data mengenai barang yang diangkut dan menjejaki kesihatan mekanikal dan lokasi berterusan kenderaan mahal dan kenderaan pengangkutan yang berkaitan.
Peruncit yang berhadapan dengan pelanggan menggunakan kecerdasan buatan untuk lebih memahami demografi utama mereka untuk meramalkan tingkah laku masa hadapan dengan lebih baik. Senarai ini berterusan—selagi terdapat barangan yang perlu diangkut dari titik A ke titik B, AI mungkin akan digunakan untuk meningkatkan, mengoptimumkan dan menganalisis operasi rantaian bekalan.
Dalam rantaian bekalan, faedah kecerdasan buatan tidak begitu ketara seperti faedah lain. Sebagai contoh, mungkin terdapat faedah menggunakan data rantaian bekalan untuk menentukan kesan analisis ramalan, tetapi sesetengah perniagaan melaporkan hubungan langsung antara perubahan dalam hasil dan penggunaan AI dalam rantaian bekalan
Tugas rantaian bekalan biasa yang boleh diautomasikan
Automasi AI bagi tugas rantaian bekalan boleh mengurangkan masa dan perbelanjaan yang dibelanjakan untuk tugas manual tradisional. Tugas rantaian bekalan yang boleh diautomasikan untuk perniagaan termasuk:
- Robot Gudang: Perniagaan boleh menggunakan sistem automatik dan perisian khusus untuk memindahkan bahan dan melaksanakan tugas lain.
- Internet Perkara: Automasi juga boleh menyediakan Internet Perkara, yang merupakan alat fizikal dengan penderia, kuasa pemprosesan dan perisian yang menyambung ke peranti lain atau rangkaian komunikasi lain dan menghantar atau menerima data.
- Kecerdasan Buatan/Pembelajaran Mesin: Kepintaran buatan (AI) dan pembelajaran mesin (ML) boleh membantu mengautomasikan pembelajaran rantaian bekalan dan meramalkan aktiviti pengguna.
- Analitis Ramalan: Analitis ramalan membantu automasi rantaian bekalan melalui perlombongan data, pemodelan ramalan dan pembelajaran mesin, menganalisis fakta masa lalu dan semasa untuk meramalkan perkara yang mungkin berlaku pada masa hadapan.
- Pengautomasian Proses Digital (DPA): DPA mengautomasikan pelbagai tugas untuk rantaian bekalan merentas aplikasi.
- Pengecaman Aksara Optik (OCR): OCR ialah satu bentuk pengecaman teks yang membantu rantaian bekalan.
- Automasi Kemasukan Data: Kemasukan data boleh memakan masa, tetapi melalui automasi, syarikat rantaian bekalan boleh mendapatkan maklumat yang mereka perlukan tanpa sebarang tugas manual.
Automasi dengan kecerdasan buatan sedang mengubah peraturan permainan dan telah menjadi satu keperluan bagi mana-mana industri rantaian bekalan untuk mengikuti perkembangan pesat
Faedah menggunakan kecerdasan buatan dalam rantaian bekalan
Perkembangan kecerdasan buatan semakin meningkat dalam perusahaan, kondusif untuk pembangunan dan perancangan perusahaan. Kecerdasan buatan digunakan untuk menemui dan mengenal pasti risiko dalam infrastruktur syarikat.
Disenaraikan di bawah adalah lebih banyak faedah menggunakan kecerdasan buatan dalam rantaian bekalan:
- Peningkatan produktiviti: Teknologi AI seperti automasi menjimatkan masa untuk perniagaan, membolehkan pekerja menumpukan pada tugas peringkat lebih tinggi dan bukannya menyelesaikannya melalui tugas automasi.
- Keterlihatan Berterusan: Jika perniagaan memerlukannya, alatan AI boleh berjalan tanpa sebarang rehat atau masa henti.
- Digunakan oleh Pakar dan Pemula: Kepintaran Buatan boleh meningkatkan keupayaan pekerja yang bukan pakar dalam alatan teknologi perniagaan.
- Membuat keputusan yang lebih mudah: Kepintaran buatan menjadikan proses membuat keputusan lebih mudah, meningkatkan kelajuan membuat keputusan dan membuat keputusan yang lebih bijak.
Cabaran menggunakan AI dalam rantaian bekalan
Walaupun AI mempunyai banyak faedah, tiada teknologi yang sempurna. Kecerdasan buatan berkembang dan berubah setiap hari, yang bermaksud teknologi akan menjadi ketinggalan zaman atau gagal memenuhi keperluan perniagaan.
Rantaian bekalan mungkin menghadapi cabaran AI berikut:
- Skala kesukaran: AI memerlukan sejumlah besar data untuk berfungsi dengan berkesan, jadi AI/Pembelajaran Mesin: boleh mencipta algoritma, model ramalan dan cerapan analitikal.
- Kurang kepercayaan terhadap AI: Dengan perkembangan terkini dalam AI, perniagaan mungkin teragak-agak untuk memasukkannya ke dalam rantaian bekalan mereka. Komputer juga tidak mempunyai keupayaan yang sama seperti manusia, menyebabkan penukaran sukar.
- Keterbatasan Teknologi AI: Walaupun AI ialah alat yang positif, ia adalah alat baharu dan belum dibangunkan sepenuhnya. Perniagaan mungkin mahu mengautomasikan tugas yang tidak boleh atau akan mengambil lebih banyak masa daripada masa yang ditolak.
- Kos Tinggi: Walaupun teknologi AI boleh menjimatkan masa dan wang, kos permulaan boleh menjadi mahal untuk banyak rantaian bekalan. Proses penyepaduan dan operasi juga boleh menelan kos lebih daripada jangkaan syarikat.
Mesin AI boleh menjadi rumit, terutamanya apabila ia perlu diganti atau dikemas kini. Walau bagaimanapun, dengan penyelesaian AI yang betul, rantaian bekalan boleh mendapat manfaat daripada alatan AI.
5 contoh aplikasi kecerdasan buatan dalam orang rantaian bekalan
(1) Ramalan permintaan meningkatkan pengurusan bekalan dan permintaan gudang
Melalui algoritma dan pemodelan berasaskan kekangan, pembelajaran mesin memainkan peranan dalam mengenal pasti corak dan faktor yang mempengaruhi dalam data rantaian bekalan memainkan peranan penting. Pemodelan berasaskan kekangan ialah kaedah matematik yang menentukan keputusan setiap keputusan berdasarkan kekangan julat minimum dan maksimum. Pemodelan yang kaya dengan data ini membolehkan pengurus gudang membuat keputusan yang lebih termaklum tentang pengurusan inventori
Jenis analitis ramalan data besar ini mengubah cara pengurus gudang mengendalikan inventori dengan memberikan pandangan mendalam yang mungkin mustahil Diselesaikan melalui proses yang dipacu manusia dan tidak berkesudahan gelung ramalan memperbaiki diri.
C3AI memanfaatkan teknologi kecerdasan buatan untuk menyokong platform pengoptimuman inventorinya, yang mampu menyediakan pengurus gudang dengan data tahap inventori masa nyata, termasuk maklumat tentang alat ganti dan barang siap. Dengan kemunculan era pembelajaran mesin, platform menjana cadangan inventori berdasarkan data daripada pesanan pengeluaran, pesanan pembelian dan penghantaran pembekal
(2) Kepintaran buatan mengoptimumkan kecekapan penghalaan dan logistik penghantaran
Hampir semua perkara boleh dilakukan dalam satu In dunia di mana pesanan dipesan dalam talian dan dihantar dalam data, syarikat yang tidak mengawal ketat risiko logistik mereka ketinggalan. Pelanggan hari ini mempunyai jangkaan yang lebih tinggi untuk penghantaran yang cepat dan tepat, dan apabila satu syarikat gagal memenuhi jangkaan pelanggan, mereka lebih bersedia untuk beralih kepada yang lain
McKinsey & Company melaporkan bahawa kira-kira 40% orang mencuba penghantaran barangan runcit buat kali pertama Pelanggan merancang untuk menggunakan perkhidmatan ini selama-lamanya. Pelanggan di pasaran utama seperti New York dan Chicago mempunyai berdozen pilihan
platform pengoptimuman laluan berkuasa AI dan alatan GPS seperti ORION, yang digunakan oleh peneraju logistik UPS. Alat ini mampu mencipta laluan paling cekap dari semua kemungkinan, satu tugas yang tidak dapat dicapai dengan kaedah tradisional yang tidak dapat menganalisis dengan secukupnya kemungkinan laluan yang tidak terkira banyaknya
(3) Pembelajaran Mesin Kepintaran Buatan meningkatkan kesihatan dan keselamatan Jangka hayat pengangkutan
Melalui data peranti IoT dan maklumat lain, kenderaan dalam rantaian bekalan pengangkutan boleh memberikan pandangan berharga tentang kesihatan dan jangka hayat peralatan mahal yang diperlukan untuk memastikan barang bergerak. Pembelajaran mesin boleh membuat pengesyoran penyelenggaraan dan ramalan kegagalan berdasarkan data masa lalu dan masa nyata, membolehkan syarikat mengalih keluar kenderaan daripada rantaian bekalan sebelum isu prestasi menyebabkan kelewatan berkala
Pengambilan berasaskan Chicago menggunakan kecerdasan buatan dan pembelajaran mesin untuk menganalisis data , untuk meramalkan kegagalan mekanikal dalam pelbagai kenderaan dan kontena, termasuk trak, kereta, kereta rel, penuai gabungan dan pesawat. Syarikat itu menggunakan data daripada peranti IoT, maklumat GPS dan data yang ditarik terus daripada rekod prestasi kenderaan untuk membuat ramalan, yang boleh mengurangkan masa henti dengan ketara.
(4)Cerapan AI meningkatkan kecekapan dan keuntungan proses pemuatan
Pengurusan rantaian bekalan merangkumi banyak analisis berorientasikan perincian, termasuk cara barang dimuatkan dan dipunggah dari bekas. Ia adalah seni dan sains untuk menentukan cara terpantas dan paling berkesan untuk membawa barang ke dalam trak, kapal dan kapal terbang.
Syarikat seperti Zebra Technologies menggunakan gabungan perkakasan, perisian dan analitik data untuk memberikan keterlihatan masa nyata ke dalam proses pemuatan. Cerapan ini boleh digunakan untuk mengoptimumkan ruang dalaman treler dan mengurangkan jumlah "udara" yang diangkut. Zebra juga boleh membantu syarikat mereka bentuk protokol pemprosesan yang lebih cepat, berisiko lebih rendah dan lebih cekap untuk mengurus pakej.
(5) Pengurus rantaian bekalan menggunakan kecerdasan buatan untuk mencari cara menjimatkan kos dan meningkatkan hasil
Penghantaran barangan ke seluruh dunia adalah mahal, dan semakin mahal. Sebagai contoh, kos penghantaran barangan melalui laut meningkat sebanyak 12% pada 2020, tahap terakhir dilihat lima tahun lalu, menurut Bloomberg.
Syarikat seperti EchoGlobal Logistics menggunakan AI untuk merundingkan harga penghantaran dan pembelian yang lebih baik, mengurus kontrak pembawa dan mengenal pasti perubahan rantaian bekalan yang membawa kepada keuntungan yang lebih baik. Pengguna mempunyai akses kepada pangkalan data terpusat yang mengambil kira hampir setiap aspek rantaian bekalan untuk menyediakan cadangan membuat keputusan kewangan.
Inovasi AI dalam rantaian bekalan membuka jalan untuk masa depan di mana seseorang akhirnya boleh mengharapkan untuk melihat kenderaan autonomi berkuasa AI digunakan di seluruh rantaian bekalan. Data yang dilombong dan dianalisis oleh platform ini hari ini akan terus meningkatkan kos dan kecekapan dalam rantaian bekalan global yang semakin kompleks.
Cara melaksanakan kecerdasan buatan dalam rantaian bekalan
Dalam rantaian bekalan, aplikasi kecerdasan buatan meningkatkan kecekapan, keterlihatan dan tahap pengoptimuman. Menggunakan teknologi kecerdasan buatan pada amalan perniagaan sebenar boleh membawa banyak faedah kepada perusahaan. Kecerdasan buatan telah menjadi bahagian penting dalam pembangunan syarikat rantaian bekalan dan boleh membantu menangani masalah rantaian bekalan
Cuba simulasi kecerdasan buatan
Salah satu faedah kecerdasan buatan ialah keupayaannya untuk meramalkan hasil tindakan. Rantaian bekalan boleh mencuba keupayaan ini untuk meningkatkan kecekapan operasi melalui simulasi kecerdasan buatan.
Dengan menggunakan simulasi, syarikat rantaian bekalan boleh memanfaatkan senario kehidupan sebenar dengan lebih fleksibel untuk mengoptimumkan operasi. Alat simulasi AI berkesan untuk banyak aspek rantaian bekalan
Dengan simulasi AI, pengurus rantaian bekalan boleh membuat replika digital tepat bagi gudang tempat mereka bekerja. Logistik AI kemudiannya boleh disimulasikan pada replika digital untuk mencuba strategi pengoptimuman yang berbeza.
Tentukan perkara yang harus diautomasikan
Jika rantaian bekalan berjalan dengan tidak cekap, ia boleh menyebabkan masalah serius di seluruh rantaian bekalan. Kepintaran buatan boleh membantu mengautomasikan bahagian gudang yang berlainan melalui pengurusan inventori dan, jika digunakan dengan betul, boleh menjimatkan masa dan wang.
IoT Tag ialah alat yang boleh digunakan untuk mengesan status item yang berbeza. Ia berkomunikasi dengan pusat kecerdasan buatan yang menguruskan kemas kini kepada semua data inventori. Dengan cara ini, AI boleh memaklumkan syarikat rantaian bekalan tentang sebarang isu
Semak manfaat AI dalam keselamatan siber
Keselamatan siber ialah komponen penting dalam mengendalikan data dan kini penting untuk mana-mana syarikat rantaian bekalan yang penting. Serangan siber adalah perkara biasa, dan penjenayah siber menggunakan strategi yang berbeza untuk mencuri data dan maklumat sensitif. Menggunakan kecerdasan buatan boleh membantu melindungi infrastruktur syarikat rantaian bekalan.
Kecerdasan buatan ialah alat yang sangat berkesan yang membantu kita mendahului perubahan atau risiko. AI dalam rantaian bekalan boleh mengenal pasti corak yang paling biasa dan meramalkan bila perubahan mungkin berlaku
Syarikat rantaian bekalan boleh memanfaatkan AI untuk memantau aktiviti log masuk, trafik dan sebarang proses yang tidak normal pada pelayan mereka. Kecerdasan buatan boleh segera mengingatkan syarikat tentang perubahan ini
(1) Analisis bekalan dan permintaan kecerdasan buatan
Menggunakan analisis data kecerdasan buatan, rantaian bekalan dapat memahami situasi penawaran dan permintaan dalam beberapa suku akan datang. Algoritma kecerdasan buatan boleh digunakan untuk menganalisis data dan meramalkan permintaan pasaran dan jenis produk
Ramalan permintaan boleh mengurangkan tekanan bekalan dalam pautan yang berbeza dalam rantaian bekalan. Setelah syarikat rantaian bekalan mengetahui kuantiti produk yang diperlukan, mereka dapat membuat keputusan yang lebih baik tentang kuantiti pembelian
(2) Mengurangkan risiko kesilapan untuk syarikat
Disebabkan kuasa pembelajaran mesin, sistem boleh belajar untuk membenarkan proses yang berbeza, seperti visi infrastruktur, untuk Belajar cara mengautomasikan berdasarkan keperluan syarikat rantaian bekalan anda.
Bersama-sama dengan pembelajaran mesin dan kecerdasan buatan, peranti IoT boleh mengumpul data tentang jumlah bahan yang digunakan. Algoritma analisis data AI boleh mengenal pasti tempat bahan digunakan dan bahan mana yang terbuang.
Ringkasan: Kepintaran Buatan dalam Rantaian Bekalan
Kecerdasan Buatan dalam rantaian bekalan akan menjadi sebahagian daripada inovasi proses rantaian bekalan yang lebih baik, dengan itu mewujudkan rantaian bekalan yang lebih cekap pada masa hadapan. Setiap bahagian rantaian bekalan boleh melaksanakan AI untuk mengautomasikan tugas, menambah baik operasi dan meningkatkan amalan keselamatan siber.
Dengan bantuan alat kecerdasan buatan, perusahaan rantaian bekalan boleh berkembang, membawa perubahan positif kepada perniagaan dan menghadapi cabaran rantaian bekalan baharu.
Atas ialah kandungan terperinci Apakah aplikasi kecerdasan buatan dalam rantaian bekalan?. 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

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

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

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
