Jadual Kandungan
Tinggi dan Rendah
Walaupun LinkedIn mempunyai lebih satu bilion ahli, kebanyakan ciri carian kerja untuk pekerjaan LLM yang bergantung pada LinkedIn pada asalnya disasarkan kepada ahli premium, kumpulan yang agak kecil. (LinkedIn enggan menyatakan bilangan ahli premium yang dimilikinya.)
Satu aspek Bottaro memanggil "penghalang" ialah kos. Begitu juga, kos bermaksud perkara yang berbeza pada peringkat projek yang berbeza, seperti yang ditunjukkan oleh pengalaman LinkedIn.
Cabaran Penilaian
Sebahagian daripada cabaran yang dihadapi oleh LinkedIn dalam usaha pemadanan tugasnya datang kepada isu kualiti data di kedua-dua pihak: majikan dan bakal pekerja.
Apabila berurusan dengan pangkalan ahli yang begitu besar, metrik ketepatan dan perkaitan boleh "memberi rasa selesa palsu," kata Bottaro. Sebagai contoh, jika LLM "membetulkannya 90 peratus daripada masa, itu bermakna 1 dalam 10 orang akan mengalami pengalaman buruk," katanya.
Skala besar LinkedIn mencipta satu lagi cabaran untuk pemadanan pekerjaan. Dengan satu bilion ahli, iklan kerja mungkin menerima ratusan atau bahkan ribuan respons dalam beberapa minit selepas disiarkan. Ramai pencari kerja mungkin tidak bersusah payah memohon jika mereka melihat bahawa beratus-ratus orang telah memohon. Ini memerlukan LLM mencari ahli yang sepadan dengan cepat dan bertindak balas sebelum pemohon yang kurang berkelayakan menyerahkan bahan. Selepas itu, sama ada ahli melihat pemberitahuan dan membalas tepat pada masanya masih menjadi persoalan.
Pangkalan data besar LinkedIn mengandungi banyak maklumat unik tentang individu, majikan, kemahiran dan kursus, tetapi LLMnya belum dilatih mengenai data ini. Oleh itu, menurut jurutera LinkedIn, mereka pada masa ini tidak dapat menggunakan aset ini untuk sebarang inferens atau aktiviti menjana tindak balas disebabkan oleh cara aset ini disimpan dan disampaikan.
Rumah Peranti teknologi AI Apa yang dipelajari oleh LinkedIn daripada menggunakan model bahasa yang besar untuk memberi perkhidmatan kepada satu bilion pengguna

Apa yang dipelajari oleh LinkedIn daripada menggunakan model bahasa yang besar untuk memberi perkhidmatan kepada satu bilion pengguna

Apr 26, 2024 pm 04:49 PM
AI linkedin genai

Apa yang dipelajari oleh LinkedIn daripada menggunakan model bahasa yang besar untuk memberi perkhidmatan kepada satu bilion pengguna

Dengan lebih daripada 1 bilion pengguna di seluruh dunia, LinkedIn terus mencabar had teknologi perusahaan hari ini. Beberapa syarikat beroperasi seperti LinkedIn, atau mempunyai sumber data yang sama luas.

Platform media sosial tertumpu perniagaan dan pekerjaan ini menghubungkan calon yang layak dengan bakal majikan, membantu mengisi kekosongan pekerjaan adalah perniagaan terasnya. Ia juga penting untuk memastikan siaran di platform mencerminkan keperluan majikan dan pengguna. Di bawah model LinkedIn, proses pemadanan ini sentiasa bergantung pada teknologi.

Menjelang musim panas 2023, apabila GenAI mula-mula mendapat sambutan, LinkedIn mula mempertimbangkan sama ada untuk memanfaatkan model bahasa besar (LLM) untuk memadankan calon dengan majikan dan menjadikan aliran maklumat lebih berguna.

Jadi gergasi media sosial itu memulakan perjalanan GenAI dan kini melaporkan hasil pengalamannya memanfaatkan perkhidmatan Azure OpenAI Microsoft. CIO merentas industri boleh mempelajari beberapa pengajaran daripada LinkedIn sepanjang perjalanan.

Tinggi dan Rendah

Seperti yang dialami oleh kebanyakan CIO, penggunaan teknologi baru muncul disertai dengan percubaan dan kemunduran. Situasi di LinkedIn tidak berbeza, dan menurut Juan Bottaro, jurutera perisian utama syarikat dan ketua teknologi, jalannya ke kerjasama LLM berjalan lancar.

Bottaro berkata keputusan awal "terasa tidak lengkap" dan "tidak menyambung titik yang mencukupi

Gelombang gembar-gembur awal yang mengelilingi GenAI tidak membantu.

"LLM adalah baharu dan merasakan ia menyelesaikan semua masalah," kata Bottaro. "Kami tidak bermula dengan idea yang sangat jelas tentang perkara yang boleh dilakukan oleh LLM." Atau sekurang-kurangnya terlalu literal.

"Adalah tidak praktikal untuk mengklik 'Nilai kesesuaian saya untuk kerja ini' dan mendapatkan 'Anda tidak sesuai sama sekali,'" kata Bottaro. "Kami mahu [tindak balas] tepat dari segi fakta tetapi juga empati. Sesetengah ahli mungkin mempertimbangkan untuk menukar kerjaya ke bidang yang mereka tidak sesuai untuk masa ini dan memerlukan bantuan untuk memahami jurang dan perkara yang perlu dilakukan seterusnya

Jadi, One daripada pelajaran awal utama yang dipelajari di LinkedIn adalah untuk menyesuaikan LLM untuk memenuhi jangkaan khalayak—dan untuk membantu LLM memahami cara bertindak balas dengan cara yang mungkin bukan manusia, tetapi sekurang-kurangnya manusia.

Speed ​​​​Matter

Walaupun LinkedIn mempunyai lebih satu bilion ahli, kebanyakan ciri carian kerja untuk pekerjaan LLM yang bergantung pada LinkedIn pada asalnya disasarkan kepada ahli premium, kumpulan yang agak kecil. (LinkedIn enggan menyatakan bilangan ahli premium yang dimilikinya.)

Apabila beroperasi pada skala yang besar, kelajuan adalah penting, terutamanya dalam sesuatu yang bernuansa memadankan calon dengan jawatan yang berkaitan. Di sini, telah difikirkan bahawa LLM akan membantu kerana kelebihan LLM yang sering disebut ialah kepantasannya, membolehkan mereka menyelesaikan langkah yang kompleks dengan cepat. Tetapi itu tidak berlaku dengan penggunaan LinkedIn, kata Bottaro.

"Saya tidak akan mengatakan LLM pantas. Saya tidak fikir kelajuan adalah satu kelebihan," katanya.

Kelajuan boleh ditakrifkan dalam pelbagai cara. Walaupun secara operasi LLM mungkin tidak sepantas yang diharapkan, Bottaro berkata pecutan keseluruhan proses penempatan adalah menakjubkan. "Kuasa besar teknologi baharu ini ialah anda boleh mencipta prototaip dengan sangat cepat, antara dua hingga tiga bulan. Sebelum teknologi ini, itu tidak mungkin," katanya.

Apabila ditanya berapa lama pelbagai aspek projek akan diambil tanpa LLM, Bottaro berkata sesetengahnya mungkin tidak dapat disiapkan sama sekali, manakala elemen lain "boleh mengambil masa beberapa tahun

Sebagai contoh, Bottaro menyebut bertujuan untuk memahami sistem niat." bahagian. Tanpa LLM, ini akan mengambil masa dua hingga tiga bulan, tetapi LLM menguasainya dalam masa "kurang daripada seminggu."

Pertimbangan Kos

Satu aspek Bottaro memanggil "penghalang" ialah kos. Begitu juga, kos bermaksud perkara yang berbeza pada peringkat projek yang berbeza, seperti yang ditunjukkan oleh pengalaman LinkedIn.

"Jumlah wang yang kami belanjakan untuk pembangunan adalah sangat kecil," kata Bottaro. Tetapi apabila ia datang untuk menyediakan data kepada pelanggan LinkedIn, kosnya melambung tinggi.

"Walaupun hanya untuk beberapa juta ahli," kata Bottaro, mungkin membayangkan jumlah ahli premium, harga telah melambung tinggi. Ini kerana harga LLM - sekurang-kurangnya perjanjian pelesenan LinkedIn dengan Microsoft (penyedia LLM dan syarikat induknya) - adalah berdasarkan penggunaan, khususnya penggunaan token input dan output.

Tarun Thummala, Ketua Pegawai Eksekutif vendor AI, menjelaskan dalam siaran LinkedIn yang tidak berkaitan dengan projek ini bahawa token input dan output LLM secara kasarnya bersamaan dengan 0.75 perkataan. Pembekal LLM biasanya menjual token sebanyak beribu-ribu atau berjuta-juta. Sebagai contoh, Azure OpenAI yang digunakan oleh LinkedIn mengenakan caj $30 setiap 1 juta token input 8K GPT-4 dan $60 setiap 1 juta token keluaran 8K GPT-4 di rantau AS Timur.

Cabaran Penilaian

Satu lagi matlamat ciri yang telah ditetapkan oleh LinkedIn untuk projeknya ialah penilaian automatik. Penilaian LLM dari segi ketepatan, kaitan, keselamatan dan kebimbangan lain sentiasa menjadi cabaran. Organisasi terkemuka dan pengeluar LLM telah cuba mengautomasikan beberapa tugas, tetapi menurut LinkedIn, keupayaan ini "masih dalam proses."

Tiada penilaian automatik dan LinkedIn melaporkan bahawa "jurutera hanya boleh bergantung pada pemeriksaan visual keputusan dan ujian pada set sampel terhad, dan selalunya terdapat kelewatan lebih daripada 1 hari sebelum mengetahui metrik." syarikat sedang membina model berdasarkan Penilai untuk membantu menganggarkan metrik LLM utama seperti skor kualiti keseluruhan, kadar halusinasi, koheren dan pelanggaran AI yang bertanggungjawab. Melakukannya akan mempercepatkan percubaan, dan sementara jurutera LinkedIn telah berjaya dengan pengesanan halusinasi, mereka masih belum selesai dalam bidang ini, kata jurutera syarikat itu.

Kualiti Data

Sebahagian daripada cabaran yang dihadapi oleh LinkedIn dalam usaha pemadanan tugasnya datang kepada isu kualiti data di kedua-dua pihak: majikan dan bakal pekerja.

LLM hanya boleh menggunakan data yang diberikan kepadanya dan kadangkala penyiaran pekerjaan tidak menggambarkan secara tepat atau menyeluruh kemahiran yang dicari oleh majikan. Sebaliknya, sesetengah pencari kerja menyiarkan resume buruk yang tidak menggambarkan pengalaman luas mereka dalam penyelesaian masalah dan bidang lain dengan berkesan.

Dalam hal ini, Bottaro melihat potensi LLM untuk membantu majikan dan bakal pekerja. Dengan menambah baik penulisan, kedua-dua majikan dan pengguna LinkedIn mendapat manfaat, kerana Job Matching LLM syarikat dapat berfungsi dengan lebih cekap apabila kemasukan data adalah berkualiti tinggi.

PENGALAMAN PENGGUNA

Apabila berurusan dengan pangkalan ahli yang begitu besar, metrik ketepatan dan perkaitan boleh "memberi rasa selesa palsu," kata Bottaro. Sebagai contoh, jika LLM "membetulkannya 90 peratus daripada masa, itu bermakna 1 dalam 10 orang akan mengalami pengalaman buruk," katanya.

Apa yang menjadikan penggunaan ini lebih sukar ialah nuansa dan pertimbangan melampau yang terlibat dalam memberikan jawapan yang berguna, membantu dan tepat.

"Bagaimana anda mentakrifkan apa yang baik dan apa yang buruk Kami menghabiskan banyak masa bekerja dengan ahli bahasa untuk membangunkan panduan tentang cara menyediakan perwakilan yang komprehensif," kata Bottaro. "Bagaimana anda melatih orang untuk menulis respons yang betul? Bagaimana anda mentakrifkan tugas, menentukan rupa tindak balas yang sepatutnya? Produk mungkin cuba membina atau membantu. Ia tidak cuba menganggap terlalu banyak, kerana di situlah ilusi bermula. Kami sangat berminat dengan respons Kami amat berbangga dengan konsistensi kami.”

Operasi dalam masa nyata

Skala besar LinkedIn mencipta satu lagi cabaran untuk pemadanan pekerjaan. Dengan satu bilion ahli, iklan kerja mungkin menerima ratusan atau bahkan ribuan respons dalam beberapa minit selepas disiarkan. Ramai pencari kerja mungkin tidak bersusah payah memohon jika mereka melihat bahawa beratus-ratus orang telah memohon. Ini memerlukan LLM mencari ahli yang sepadan dengan cepat dan bertindak balas sebelum pemohon yang kurang berkelayakan menyerahkan bahan. Selepas itu, sama ada ahli melihat pemberitahuan dan membalas tepat pada masanya masih menjadi persoalan.

Di pihak majikan, cabarannya ialah mencari calon yang paling sesuai – tidak semestinya mereka yang paling cepat bertindak balas. Sesetengah syarikat enggan menerbitkan julat gaji, merumitkan lagi usaha kedua-dua belah pihak kerana calon yang paling layak mungkin tidak berminat dengan jumlah yang akan dibayar oleh jawatan tersebut. Ini adalah masalah yang tidak dapat diselesaikan oleh LLM.

API & RAG

Pangkalan data besar LinkedIn mengandungi banyak maklumat unik tentang individu, majikan, kemahiran dan kursus, tetapi LLMnya belum dilatih mengenai data ini. Oleh itu, menurut jurutera LinkedIn, mereka pada masa ini tidak dapat menggunakan aset ini untuk sebarang inferens atau aktiviti menjana tindak balas disebabkan oleh cara aset ini disimpan dan disampaikan.

Di sini, Retrieval Augmented Generation (RAG) ialah penyelesaian biasa. Dengan membina saluran paip kepada API dalaman, perusahaan boleh "meningkatkan" gesaan LLM dengan konteks tambahan untuk membimbing dan mengekang respons LLM dengan lebih baik. Kebanyakan data LinkedIn didedahkan melalui API RPC, yang menurut jurutera syarikat adalah "mudah untuk manusia menghubungi secara pengaturcaraan" tetapi "tidak mesra LLM."

Untuk menyelesaikan masalah ini, jurutera LinkedIn "membungkus kemahiran" di sekeliling APInya, memberikan mereka "huraian mesra LLM tentang perkara yang API lakukan dan masa untuk menggunakannya," bersama dengan butiran konfigurasi, skema input dan output serta penyepaduan setiap versi LLM API memetakan semua logik yang diperlukan kepada versi RPC asasnya (sebenar).

Jurutera LinkedIn menulis dalam satu kenyataan: "Kemahiran seperti ini membolehkan LLM melakukan pelbagai tindakan yang berkaitan dengan produk kami, seperti melihat profil, mencari artikel/orang/pekerjaan/syarikat, dan juga menyoal sistem analitik dalaman " Mereka juga menyebut bahawa "teknologi yang sama digunakan untuk memanggil API bukan LinkedIn seperti carian dan berita Bing." Pendekatan ini bukan sahaja meningkatkan kefungsian LLM tetapi juga meningkatkan integrasinya dengan infrastruktur teknologi sedia ada, membolehkan LLM digunakan dengan lebih meluas dalam semua aspek perusahaan.

Atas ialah kandungan terperinci Apa yang dipelajari oleh LinkedIn daripada menggunakan model bahasa yang besar untuk memberi perkhidmatan kepada satu bilion pengguna. 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

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

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

See all articles