Chatbots akan menjadikan pusat data lebih ramping dan lebih cekap
Kemajuan dalam pemprosesan bahasa semula jadi (NLP) telah membuka banyak kemungkinan untuk menggunakan chatbot di pusat data, termasuk mengurangkan kos operasi pusat data dan meningkatkan pengekalan bakat.
Pemodal teroka bukan satu-satunya yang mengharapkan kecerdasan buatan (AI) generatif untuk menjadi perkara besar seterusnya dalam teknologi. Pemimpin pusat data juga percaya bahawa chatbots lebih daripada sekadar kawasan hiper-niche AI generatif dan boleh menjadikan operasi lebih ramping sambil mencapai metrik pekerjaan dan kemampanan.
Sejak gelombang pertama pada 2016, chatbots telah membuat penemuan besar dalam kestabilan dan kemajuan. Pada masa itu, antara muka pengguna chatbot mengecewakan. Microsoft melancarkan chatbot yang dipanggil Tay di Twitter, dan ia dengan cepat menjadi tajuk utama. Dalam masa 16 jam selepas dilancarkan, chatbot menyiarkan 95,000 tweet, sebahagian besar daripadanya mengandungi penghinaan dan maklumat yang tidak sesuai
Walau bagaimanapun, chatbots hari ini boleh melakukan lebih daripada sekadar menyediakan perkhidmatan Pelanggan tetap dan respons berat sebelah. Pelaburan yang besar dalam kecerdasan buatan generatif dan pembelajaran mesin bermakna chatbots boleh melakukan lebih daripada sekadar meniru interaksi manusia dan tindak balas buatan. Beerud Sheth, pengasas dan Ketua Pegawai Eksekutif Gupshup, berkata terdapat peluang yang lebih luas untuk pusat data. Syarikat itu menawarkan perkhidmatan yang membolehkan perniagaan membina dan menggunakan chatbots untuk pelbagai aplikasi pemesejan
Dia berkata, "Kini ia boleh menjawab soalan yang sangat spesifik seperti 'Apa yang berlaku dengan pelayan atau perkhidmatan saya?' atau 'Bila ia akan berlaku. awak sudah kembali?" Bot sembang GPT-3 mempunyai beberapa keupayaan bahasa, tetapi ia juga mempunyai maklumat tepat daripada pusat data untuk menjawab soalan ini. ”
Chatbot Gold Rush
Terima kasih kepada memanfaatkan teknologi pemprosesan bahasa semula jadi (NLP), kebanyakan chatbot moden boleh memetakan input dan niat pengguna, mengkategorikan maklumat dan memberikan respons yang sesuai dan berperikemanusiaan kemungkinan untuk menggunakan chatbots di pusat data, terutamanya sekarang bahawa chatbots adalah perisian pelbagai guna dipacu AI yang membolehkan mesin bukan sahaja bertindak balas, tetapi juga memahami
Dalam laporan penyelidikan pasaran baharu yang dikeluarkan oleh GlobalmarketEstimates, pasaran chatbot dijangka berkembang pada kadar pertumbuhan tahunan kompaun sebanyak 25.2% dari 2023 hingga 2028, mencecah $10.5 bilion menjelang 2026. Industri ini dijangka menjana pendapatan $26.4 bilion menjelang 2024. Dan kisah kejayaan chatbots dalam pelbagai industri bukan lagi ramalan, ia telah menjadi kenyataan
Sheth menambah bahawa kecerdasan buatan perbualan boleh mengurangkan kos operasi pusat data dengan ketara, kerana chatbots boleh menyatakan diri mereka dengan jelas dan tepat,
Sheth berkata, “Setiap kali ada krisis atau sesuatu berlaku, anda. perlu mempunyai banyak perkara, seperti alat kawalan jauh, dan anda perlu meminta orang bertindak balas dengan cepat dan sentiasa bersedia untuk dihubungi, saya fikir kebanyakan perkara ini boleh diautomatikkan sepenuhnya atau sepenuhnya dan diskalakan dengan kecerdasan buatan. ”
Pusat data bahkan tidak perlu bergantung pada syarikat utama seperti Amazon, Google, Accenture atau OpenAI untuk mencipta bot sembang mereka sendiri, seterusnya mengurangkan pergantungan kepada tenaga kerja khusus untuk mencipta Chatbots juga boleh dibina dari awal
Selain itu, chatbots dalam pusat data boleh digunakan untuk mensimulasikan senario kehidupan sebenar, membolehkan pengendali pusat data mengenal pasti isu yang berpotensi dan menyelesaikannya secara proaktif sebelum ia berlaku kecerdasan buatan generatif dalam industri pusat data, dan mungkin terdapat lebih banyak penyelidikan dan pembangunan pada masa hadapan
Sheth berkata, "Model AI boleh mengesan isu ini dengan baik setelah mereka dilatih "
Tetapi chatbots bukanlah penamat. semua-semuanya untuk pusat data, walaupun pasukan telah menggunakan chatbots untuk mengoptimumkan kerja dan memendekkan masa dan usaha yang diperlukan untuk mendapatkan maklum balas Walaupun chatbots boleh membantu pusat data dengan kecekapan yang lebih tinggi, ia Hanya lebih baik daripada manusia dalam mensintesis maklumat Sheth berkata bahawa teknologi kecerdasan buatan mungkin dipandang remeh dan terlalu tinggi pada masa yang sama
Dia berkata, “Kecerdasan buatan akan mempercepatkan sintesis pengetahuan manusia. Tidak dinafikan bahawa ini akan datang, dan ia berguna. "Tetapi dia percaya bahawa aplikasi kecerdasan buatan pada dasarnya adalah pensintesis pengetahuan, bukan pencipta pengetahuan.
Pelabur telah meningkatkan pelaburan mereka dalam chatbots, pembantu maya dan robot suara, dan menjelang 2022, robot ini akan mempunyai prestasi tertinggi dalam bahasa semula jadi Jumlah data yang dijana di seluruh dunia dijangka melebihi 180ZB menjelang 2025, yang merupakan metrik utama untuk memahami kos operasi pengkomputeran awan moden atau pusat data skala besar Ini bersamaan dengan pertumbuhan tahunan 40% yang memerlukan lebih ramai kakitangan untuk mengendalikan teknikal bekerja
Pusat data perlu menyokong lebih ramai orang, tetapi trend pekerjaan menunjukkan kekurangan pekerja yang berkebolehan, bukan lebihan
Keringanan dan Kepegawaian Pusat Data
Sheth menunjukkan chatbots sebagai rahmat bagi pengendali pusat data dalam memanfaatkan keupayaan AI apabila industri terus mengalami masalah kakitangan IT
Dengan menganalisis kepuasan pekerja, Sheth berkata Faktor seperti tahap pengekalan, prestasi dan corak tingkah laku, pusat data chatbot khusus boleh menggunakan analisis ramalan untuk mengenal pasti risiko pengekalan bakat yang berpotensi. Maklumat ini boleh digunakan untuk membangunkan strategi pengekalan yang disasarkan untuk memastikan pekerja terlibat, produktif dan bermotivasi
AI Generatif juga boleh membantu mencari kesesuaian yang sesuai untuk pekerja dengan menganalisis kemahiran dan pengalaman mereka, serta keperluan untuk peranan kerja tertentu. Ini membantu memastikan pekerja ditempatkan dalam peranan yang sesuai dengan kekuatan dan minat mereka, meningkatkan kepuasan kerja dan mengurangkan pergeseran.
Dalam persekitaran pusat data, chatbots amat diperlukan. Menurut laporan Gartner, menjelang 2025, separuh daripada pusat data pengkomputeran awan akan menggunakan robot canggih dengan kecerdasan buatan dan keupayaan pembelajaran mesin, yang akan meningkatkan kecekapan operasi sebanyak 30%
Atas ialah kandungan terperinci Chatbots akan menjadikan pusat data lebih ramping dan lebih cekap. 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

Menurut berita dari laman web ini pada 18 Jun, Samsung Semiconductor baru-baru ini memperkenalkan pemacu keadaan pepejal gred data pusat generasi seterusnya BM1743 dilengkapi dengan memori kilat QLC (v7) terbaharunya di blog teknologinya. ▲Samsung QLC pemacu keadaan pepejal gred data pusat BM1743 Menurut TrendForce pada bulan April, dalam bidang pemacu keadaan pepejal gred data pusat QLC, hanya Samsung dan Solidigm, anak syarikat SK Hynix, telah lulus pengesahan pelanggan perusahaan di masa itu. Berbanding dengan v5QLCV-NAND generasi sebelumnya (nota di tapak ini: Samsung v6V-NAND tidak mempunyai produk QLC), memori denyar Samsung v7QLCV-NAND telah hampir dua kali ganda bilangan lapisan susun, dan ketumpatan storan juga telah dipertingkatkan dengan banyak. Pada masa yang sama, kelancaran v7QLCV-NAND

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 |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

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
