• [AI家园] 边缘人工智能的梦想与挑战
    人工智能正在进一步进入我们的日常生活,但重点主要集中在“大型机器”上,例如自动驾驶汽车。 也许现在也是“小机器”人工智能革命的时候了。在本文中,我们主要探讨两个主要问题,即在“小型机器”中实现人工智能的理由,以及开发人工智能小型机器将面临哪些挑战?未来,在人工智能方面,我们应该有飞行汽车和机器人管家。甚至还可能遇到有感知能力的机器人决定起来反抗我们。虽然我们还没有发展到这种程度,但显然人工智能(AI)技术已经进入了我们的世界。每次当我们让智能语音助手做一件事是,机器学习技术就会先搞明白你说了什么,并试图对你想让它做什么做出最好的决定。例如,每次视频网站或电商平台向你推荐“你可能喜欢的电影”或“你可能需要的商品”时,它都是基于复杂的机器学习算法,尽可能地向你提供具有说服力的建议,这显然比过去的促销活动更有吸引力。虽然我们可能不是所有人都有自动驾驶汽车,但我们敏锐地意识到这一领域的发展以及自动导航提供的潜力。人工智能技术承载着一个伟大的希望——机器可以根据周围的世界做出决定,像人类一样处理信息,甚至以一种优于人类的方式。但如果我们考虑一下上面的例子,就会发现只有“大型机器”才能实现人工智能的承诺,这些设备往往没有功率、尺寸或成本的限制。或者换句话说,它们会发热,有线路供电,体积很大,而且很昂贵。例如,Alexa 和 Netflix 这些全球领先的IT巨头企业依靠云中的大型耗电服务器(数据中心)来推断用户的意图。虽然自动驾驶汽车很可能依赖电池,但考虑到这些电池必须转动车轮和转向,它们的能量容量是巨大的。与最昂贵的人工智能决策相比,它们是巨大的能源支出。因此,尽管人工智能前景广阔,但“小机器”却被抛在了后面 。由较小电池供电或具有成本和尺寸限制的设备无法参与机器可以看到和听到的想法。今天,这些小机器只能利用简单的人工智能技术,也许是听一个关键词,或者从心率分析低维信号,如光电体积描记术 (PPG)。如果小机器能看能听会怎样?但是,小型机器能够看到和听到是否有价值?可能很多人很难想象像门铃摄像头这样利用自动驾驶或自然语言处理等技术的小设备。尽管如此,诸如词汇识别、语音识别和图像分析之类的不太复杂、处理密集程度较低的 AI 计算仍然存在机会:门铃摄像头和消费级安全摄像头通常会触发一些无趣的事件,例如风引起的植物运动、云引起的剧烈光线变化,甚至是狗或猫在镜头前面动等事件。这可能导致错误警报触发,导致房主开始忽略掉一些重要事件。因为,房主可能在世界不同的地方旅行,也可能正在睡觉,而他们的安全摄像机却对日出、云和日落引起的照明变化频繁发出警报。而更智能的摄像机则可以更加精准是识别物体变化,如人体的轮廓,进而避免误报干扰。门锁或其他接入点可以使用面部识别甚至语音识别来验证人员访问权限,在很多情况下无需钥匙或IC卡。许多摄像头希望在某些事件上触发:例如,跟踪摄像头可能希望在画面中出现某一种动物时触发,安全摄像头可能希望在画面中出现人或开门或脚步声等噪音时触发,并且有些摄像机可能想要通过语音命令触发等等。大词汇量命令在许多应用中都很有用。虽然有很多类似 “Hey Alexa”、“Hey Siri” 解决方案,但如果开始考虑 20 个或更多单词的词汇,则可以在工业设备、家庭自动化、烹饪用具和许多其他设备中找到用于简化人机交互的用途。这些例子只是表面上的。让小型机器看到、听到和解决以前需要人工干预的问题的想法是一个强大的想法,我们每天都在继续寻找创造性的新用例。让小型机器能看和听的挑战是什么?那么,如果人工智能对小型机器如此有价值,为什么我们还没有广泛应用呢?答案是计算能力。人工智能推理是神经网络模型计算的结果。把神经网络模型想象成你的大脑如何处理图片或声音的一个粗略的近似,把它分解成非常小的片段,然后当这些小片段组合在一起时识别出模式。现代视觉问题的主力模型是卷积神经网络 (CNN)。这些模型在图像分析方面非常出色,在音频分析中也非常有用。挑战在于此类模型需要数百万或数十亿次数学计算。传统上,这些应用很难选择实施:使用廉价且低功耗的微控制器解决方案。虽然平均功耗可能很低,但 CNN 可能需要几秒钟的时间来计算,这意味着 AI 推理不是实时的,因此会消耗大量电池电量。购买可以在所需延迟内完成这些数学运算的昂贵且高性能的处理器。这些处理器通常很大,需要大量外部组件,包括散热器或类似的冷却组件。但是,它们执行 AI 推理的速度非常快。无法实施。低功耗微控制器解决方案将太慢而无法使用,而高性能处理器方法将打破成本、尺寸和功率预算。我们需要的是一种嵌入式的人工智能解决方案,从头开始构建,以最大限度地减少CNN计算的能源消耗。与传统的微控制器或处理器解决方案相比,AI推断需要在一个数量级上执行,并且不需要内存等外部组件的帮助,这些外部组件会消耗能量、体积和成本。如果人工智能推理解决方案可以消除机器视觉的能量损失,那么即使是最小的设备也可以看到并识别周围世界发生的事情。幸运的是,我们正处于这场“小机器”革命的开端。现在的产品几乎可以消除人工智能推断的能源成本,并实现电池驱动的机器视觉。例如,一个微控制器可用于执行 AI 推理,同时仅消耗微焦耳的能量。责任编辑:庞桂玉    来源: 千家网
  • [AI家园] 在人工智能时代,人类智能是否必不可少?
    作者:Mihir Kittur与人类不同的是,人工智能能够以无与伦比的效率和准确性分析、预测和解决业务问题。今天的企业正在快速转型。仅仅依靠人类的智慧来做决定是远远不够的。因此,商业领袖正在大幅增加对人工智能(AI)的投资,以推动更好的决策。据2022年IBM全球AI采用指数显示,AI应用在2022年继续以稳定的速度增长,超过三分之一(35%)的公司报告称其业务中使用了AI,比2021年增加了4个百分点。与人类不同的是,人工智能能够以无与伦比的效率和准确性分析、预测和解决业务问题。因此,重复的工作就过时了。这就引出了一个令人生畏的概念——人工智能正在取代人类智能吗?答案恰恰相反。在人工智能的帮助下,一些人类工作已经实现了自动化,如分析庞大的数据集,提供客户服务等。因此,将人力资源解放出来,专注于研究、创新和增长等更具创造性的方面。话虽如此,如果没有人类的帮助,单靠人工智能是无法实现绝对自主的。有效的人工智能系统与人类智慧的结合,将为未来企业的成功铺平道路。成功将是人类智能和人工智能的结合随着人工智能的发展,它有可能变成一个难以解读的“黑匣子”。因此,数据科学家已经开始使用框架来解释他们的模型。可解释AI允许人类用户理解机器学习算法的意图、推理和决策过程,从而提高用户对模型及其决策的信任。此外,它促进和确保遵守关于基本价值的明确的道德准则,如个人权利、隐私、不歧视和不操纵。以银行系统中的欺诈检测为例。假设一个欺诈系统拒绝合法客户的信用卡交易。“黑匣子”人工智能模型只会提供一个风险评分,而不会给出解释。而可解释的人工智能将帮助调查人员理解为什么会出现假阳性,并帮助进一步完善模型。另一个漏洞是人工智能缺乏情感和做出人类决策的能力。随着人工智能主导的技术在未来不断发展和进化,将人类置于所有进步的核心至关重要。我们可能会迎来人工智能能够独立思考的时代。但它将继续依赖人类的参与来做出有意识的决定。以自动驾驶汽车为例,它使用无线电频率来确定汽车周围的物体。许多因素可能会干扰它,包括来自另一辆自动驾驶汽车的无线电波,从而导致事故。这表明,没有人类的参与,人工智能是有限的。因此,今天建立正确的基础是至关重要的。作为社会、政府和行业,我们需要围绕人工智能制定正确的伦理、法规和保障措施,以确保100年后,人工智能的未来是造福人类而不是损害人类的未来。由人工智能增强的人类智能可以引领未来,在未来,人工智能更像是一个促成者,而不是破坏者。重点应该更多地放在开发“智能”系统上,而不是人工系统,以帮助企业取得成功。责任编辑:庞桂玉    来源: 千家网
  • [技术干货] 专家视点:通用人工智能的可能性
    作者:Byron Reese术语AI的另一个用途是描述我们所谓的通用AI,或通常称为AGI。除了在科幻小说中,它还不存在,而且没有人知道如何制造它。关注人工智能领域发展新闻的挑战之一是,“人工智能”一词经常被不加区别地用来表示两个不相关的事物。术语 AI 的第一次使用更准确地称为狭义 AI。它是一项强大的技术,但也非常简单明了:您获取一堆关于过去的数据,使用计算机对其进行分析并找到模式,然后使用该分析来预测未来。这种类型的人工智能每天都会多次触及我们的生活,因为它会从我们的电子邮件中过滤垃圾邮件并通过流量引导我们。但是因为它是用过去的数据训练的,所以它只适用于未来与过去相似的地方。这就是它可以识别猫和下棋的原因,因为它们在基本层面上不会每天发生变化。术语AI的另一个用途是描述我们所谓的通用AI,或通常称为AGI。除了在科幻小说中,它还不存在,而且没有人知道如何制造它。通用人工智能是一种像人类一样智能多样的计算机程序。它可以自学之前从未接受过训练的全新事物。狭义AI和通用AI的区别在电影中,AGI 是《星际迷航》中的数据、《星球大战》中的 C-3PO 和《银翼杀手》中的复制人。虽然从直觉上看,狭义 AI 与一般 AI 是同一类东西,只是一种不太成熟和复杂的实现,但事实并非如此。通用 AI 有所不同。例如,识别垃圾邮件在计算上并不等同于真正的创造性,而通用智能则可以做到这一点。我曾经主持过一个关于人工智能的播客,叫做“人工智能中的声音”。这很有趣,因为大多数伟大的科学实践者都是平易近人的,也愿意上播客。因此,我最终得到了超过100位伟大的AI思考者对这个话题的深入讨论。有两个问题我会问大多数客人。第一个问题是,“通用人工智能可能吗?”几乎所有人——只有四个例外——都说有可能。然后我会问他们我们什么时候能造出来。这些答案五花八门,有的五年就有了,有的长达500年。为什么会这样?为什么几乎所有的客人都说通用人工智能是可能的,但却提供了如此广泛的估计,我们将何时实现?这个问题的答案要回到我之前说过的一句话:我们不知道如何构建通用智能,所以你的猜测和其他人的一样好。“但等等!你可能会这么说。“如果我们不知道如何制造,为什么专家们压倒性地同意这是可能的?”我也会问他们这个问题,而我通常得到的是相同答案的不同版本。他们相信我们会造出真正智能的机器,这是基于一个核心信念:人是智能机器。因为我们是机器,推理是这样的,并且拥有通用的智能,制造具有通用智能的机器一定是可能的。人与机器可以肯定的是,如果人是机器,那么那些专家是对的:通用智能不仅是可能的,而且是不可避免的。然而,如果事实证明人不仅仅是机器,那么人的某些东西可能无法在硅中复制。有趣的是,这数百名 AI 专家与其他所有人之间的脱节。当我就这个话题向普通观众发表演讲并问他们谁认为自己是机器时,大约之后 15% 的人举手,而 AI 专家却高达96%。在我的播客上,当我反驳这种关于人类智能本质的假设时,我的客人通常会指责我——当然是非常礼貌的——沉迷于某种以反科学为核心的神奇思维。“如果不是生物机器,我们还能成为什么?”这是一个公平且重要的问题。我们只知道宇宙中具有一般智力的一件事,那就是我们。我们怎么会碰巧拥有如此强大的创造力?我们真的不知道。智慧是一种超级力量试着回忆你第一辆自行车的颜色或者你一年级老师的名字。也许你已经多年没有想过这两件事了,但你的大脑可能不费什么力气就能把它们找回来,当你考虑到“数据”不像存储在硬盘上那样存储在你的大脑里时,这就更令人印象深刻了。事实上,我们不知道它是如何储存的。我们可能会发现,你大脑中的一千亿个神经元中的每一个都像我们最先进的超级计算机一样复杂。但这正是我们智慧的奥秘所在。从那以后就变得更棘手了。事实证明,我们有一种叫做心灵的东西,它与大脑不同。头脑是你脑子里的三磅粘稠物能做的一切,就像拥有幽默感或坠入爱河,这似乎是它不应该做的。你的心脏不会,肝脏也不会。但不知怎么的,你做到了。我们甚至不确定心智只是大脑的产物。很多人在出生时就失去了高达 95% 的大脑,但仍然拥有正常的智力,而且往往直到晚年进行诊断检查时才知道自己的状况。此外,我们似乎有很多智能没有储存在我们的大脑中,而是分布在我们的全身。通用人工智能:意识的复杂性尽管我们不了解大脑或思想,但实际上从那里开始就变得更加困难:一般的智力很可能需要意识。意识是你对世界的体验。温度计可以准确地告诉你温度,但它感觉不到温暖。知道和体验的区别,就是意识,我们几乎没有理由相信电脑能像椅子一样体验世界。所以现在我们有了我们无法理解的大脑,无法解释的心灵,至于意识,我们甚至没有一个好的理论来解释仅仅是物质如何可能有一种体验。然而,尽管如此,相信通用人工智能的人工智能人士相信,我们可以在计算机中复制人类的所有能力。在我看来,这似乎是一种魔幻思维。我这样说并不是轻视任何人的信仰。他们很可能是正确的。我只是认为通用人工智能的想法是一个未经证实的假设,而不是一个明显的科学真理。建造这样一个生物,然后控制它的欲望,是人类古老的梦想。在现代,它已经有几个世纪的历史了,也许始于玛丽·雪莱的《弗兰肯斯坦》,然后体现在后来的1000个故事中。但实际上它比那要古老得多。早在我们有文字的时候,我们就有这样的想象,比如塔洛斯的故事,一个由希腊科技之神赫菲斯托斯创造的机器人,以保卫克里特岛。我们内心深处的某个地方渴望创造这种生物并控制其强大的力量,但到目前为止,还没有任何迹象表明我们确实可以。责任编辑:姜华     来源: 千家网
  • [技术干货] 元宇宙技术能否提高人机交互效率?
    元世界是数字连接新时代的先驱,其将区块链与AI(人工智能)、VR(虚拟现实)和AR(增强现实)相结合,统称为XR(扩展现实)体验。1、什么是元宇宙?元世界是数字连接新时代的先驱,其将区块链与AI(人工智能)、VR(虚拟现实)和AR(增强现实)相结合,统称为XR(扩展现实)体验。元世界是一个通过VR头戴设备访问的3D虚拟世界。用户可以通过眼球运动、语音命令和反馈控制器来导航这个世界。通过耳机,用户可以感受到身临其境的世界,并看到元宇宙的行动。人们通过虚拟形象与他人互动、参与游戏、购物等活动。根据EmergentResearch的一份报告,到2028年,元宇宙市场规模将超过8000亿美元。元宇宙技术的应用包括游戏、教育、商业、政府服务、社交等等。2、什么是人工智能?人工智能是指模拟人类智能过程的机器。人工智能是计算机科学的一个分支,专注于制造能够模仿人类智能的智能机器。支持人工智能系统的算法分析大量标记训练数据的相关性和模式,并使用这些模式进行预测。人工智能系统处理数据的速度比人类快得多,也更准确。人工智能的应用包括像Alexa这样的智能助手、自动驾驶汽车、对话机器人、机器人顾问、垃圾邮件过滤器等,现在还有元数据。因此,人工智能将如何塑造元宇宙已经成为科技圈的一个常规讨论话题。3、人工智能、区块链和XR是如何协同工作的?所涉及的技术在元世界中注入了大量的潜在用例,使想象力成为唯一的限制。XR创造了一个前所未有的虚拟世界。区块链带来了去中心化,从而消除了集中的治理权威、透明度和不可逆的交易。不可替换代币(NFT)是元域的核心组件,是区块链的产物。元宇宙中的所有物体——土地、车辆、船只、礼物物品——基本上也是NFT。取消NFT,元宇宙就会崩溃。元世界中的人工智能能够克服交互质量差等障碍,并创建实时虚拟会议等新产品。其增加了元域的直观界面和预测能力。这不仅让虚拟人物的生活更轻松,还让游戏更加动态,互动更引人入胜,企业更成功。4、阻碍元宇宙的挑战是什么?元宇宙技术一直面临着来自其巨大增长潜力的挑战。作为技术,上一个时代的VR和AR都有其局限性,如缺乏对周围环境的视觉和图像的限制。元世界中的活动不像现实世界中的活动,甚至不像常规的在线游戏。自力更生是许多元宇宙苦苦挣扎的另一个方面。在元系统的初始阶段,根本没有足够的技术复杂性和足迹来创建足够的用例来保持经济的运转。得以VR和AR的进步,以及元世界与AI的整合,用例不断增加,随后并出现了货币化选项。像任何新技术一样,元宇宙也面临着采用问题。尽管随着像Decentraland(MANA)、Sandbox(SAND)和现在的MeetKai元宇宙等项目的出现,这种情况正在逐渐改变。在Decentraland上,参与者可以在探索令人兴奋的游戏的同时买卖虚拟房地产。Sandbox提供了一个游戏生态系统,使用户能够创建、共享和变现游戏资产;而Meetkai则创建了一个比现实世界质量更好的现实元世界,这要归功于其与AI的集成。XR和AI技术的复杂集成带来了更有吸引力的虚拟世界,从而更好的采用,从而为生态系统中的所有利益相关者带来更多收入。5、什么是混合现实元宇宙?人工智能与XR的融合产生了混合现实(MR)元世界现象。迄今为止,人机交互通常仅限于B2B领域。然而,现在出现了一些展示AI与B2C集成的项目。例如,Meetkai展示了人类与AI集成的高效生活。利用人工智能技术,Meetkai增强了常规的现实生活体验,如购物、在办公室工作和从事户外活动,如徒步旅行等。当用户躺在床上时,不仅可以在自己喜欢的品牌的网店里试穿衣服,和卖家现场讨价还价,还可以将购买的商品送到家门口。甚至还可以在虚拟办公室中使用一整套高效的工具。环顾四周,能发现数量惊人的游戏元宇宙项目,如《Roblox》、《Blocktopia》和《Nakamoto》等。这表明,混合现实元宇宙的到来是元宇宙领域一个划时代的事件。6、对话式AI将如何塑造元宇宙?元宇宙中的对话式人工智能系统类似于人与人之间的交流。语音助手AI已进入新时代,为生活方式辅助和个性化推荐等用例提供了支持。例如,用户不用开车去旅行社的办公室,也不用和他们不堪重负的客服交谈,而是可以在人工智能机器人的帮助下,跳上元宇宙,游览多个令人惊叹的地点。元世界中的AI礼宾员是一个拟人化机器,可根据虚拟人物的偏好提供独特的建议。考虑到每个人的可用数据量,会发现这个用例的潜力。元世界中的自然语言处理使其比现实世界更加个性化。语音人工智能可以用一种更人性化、更自然的语言来解释虚拟人物的请求,同时考虑到个人的品味和偏好。语音技术变得更加语境化和个性化,使得元域界面在这个过程中更加智能。例如,Meetkai上的第一位AI礼宾员Kai已经让语音辅助变得像与朋友交谈一样简单。如,想要一份“牛排”的食谱,可以说:“嘿,Kai,能给我找一份不错的食谱吗?”随后,将在几秒钟内收到世界上最美味的牛排食谱。7、XR如何在元宇宙中创建深度协作?XR促进了元世界的动态协作,使白领能够在私密的办公环境中工作。由AI驱动的元世界能够让用户承担更有趣、更吸引人、更有影响力的任务。例如,在各种现实中关于不同话题的自然对话中,MeetKai的对话式AI可以理解更复杂的语言,提供个性化的结果,并通过记住用户的偏好和情景快速做出反应。此外,XR设备提供了数据叠加,打开了一系列应用程序。在元宇宙中,这对于构建或制造用例非常有用。xr背景的环境创造了一种团结的感觉,这是紧密团结的办公氛围的关键组成部分。当需要满足一小组标准时,XR特别有效。例如,在做像玩棋盘游戏这样简单的事情时,可能需要昏暗的灯光和特定的音乐。交互式XR氛围可以确定用户想要什么,并为之安排。虚拟会议室可以比现实生活中的会议室更好。责任编辑:庞桂玉    来源: 千家网
  • [其他] AI助力,视频分析全面进入智能时代
    ---## 视频数据量激增,数据处理和内容运营成本居高不下云计算、大数据、物联网、人工智能等信息技术飞速发展及传统产业数字化的转型,一方面媒体数据量呈现几何级增长,据IDC预测,全球数据总量预计2020年达到44ZB,我国数据量将达到8060EB,占全球数据总量的18%;另一方面,媒体的生产、传播和消费形式升级。巨量数据中,70%将会以图片和视频的形式存储和传播。这些数据从生产、传播到用户消费,传统方式运营成本居高不下。人工智能在视觉领域发展趋于成熟,基于人工智能的视频内容分析能从根本上解决传统内容分析方法性能低下的问题。AI助力,视频分析将全面进入智能时代。## 视频从生产到消费全流程智能化视频从生产到消费的全流程升级,如图1所示。!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/20226/24/1656085403060672665.png)图1 视频生产、编辑、分发和消费流程升级华为云EI助力视频分析全面进入智能时代。!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/20226/24/1656085413043240334.png)**生产****视频采集**,从专业设备到移动终端,视频内容采集大众化。华为云EI在采集阶段可提供美颜、个性化等特效处理技术,助力视频采集即处理。 **内容审核**,用户采集内容上传存储前,华为云EI提供视频内容智能审核能力,包括视频质量评估、黄/暴/恐鉴别、重复/相似鉴别及版权指纹分析等,解决重复/疑似不安全内容进入传播流程。!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/20226/24/1656085449637981434.png)**编辑****结构化分析**,华为云EI针对各种类型的长、短视频,提供智能结构化分析,将视频以镜头、内容片段等结构化形式进行描述,便于后续的内容分析、存储和分发。**内容分析**,对结构化表示的视频内容,华为云EI从场景识别、主体识别、行为/事件检测、语音/文本分析及内容描述等方面对其进行智能化分析,支持多维护内容查询和检索。 **智能编辑**,基于智能内容分析,初步提供以下智能视频编辑技术:**(1)**  **视频拆条**相比较长视频,短视频更有利于在互联网传播,对传统媒体的节目进行拆条是不可或缺的。华为云EI基于人物、场景、语音、OCR字幕等多模态信息分析技术,快速精确地把长视频分割成不同主题的片段。面向海量多媒体视频,大幅提高视频识别、剪辑、检索等处理的效率,降低人工运营的成本。整体效率相对人工提升10+倍,新闻类视频拆条准确率超过95%,特定场景准确率超过98%。!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/20226/24/1656085458788136836.png)**(2)**  视频摘要静态摘要,基于视频镜头变换、内容理解技术,华为云EI针对不同类型的长、短视频提供视频静态摘要服务,能够将1个小时视频压缩成5分钟的摘要内容,可用于运营管理人员的内容快速浏览及用户快速内容播放。视频浓缩,使用背景建模、主体检测、运动轨迹跟踪、前/背景融合技术,华为云EI提供视频浓缩服务,将极长的视频中的事件提取出来,浓缩到较短的视频片段,便于视频内容中事件的快速观看。**(3)**  **视频封面**基于视频镜头变换、内容理解和分析技术,快速提取内容相关、构图优美的关键帧作为封面吸引用户进一步观看。相比于人工选取封面,智能封面选取速度提高20+倍,大幅降低运营成本;同时精彩的封面能够吸引用户的注意,大幅提高视频点击率。!(https://bbs-img.huaweicloud.com/blogs/img/1591963599979024655.png "1591963599979024655.png")**(4)**  **视频内容标签**视频OCR,视频物体识别,视频人物识别,从多维度对视频内容进行提取,将非结构化的视频文件,转换为结构化的数据,为视频搜索,视频推荐,视频运营等提供了必不可少的信息。!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/20226/24/1656085479373429085.png)**(5)**  **水印处理**用户上传的内容除了新采集的视频,还有很大一部分为已有视频的重新传播。而重复传播的这部分视频极有可能已经打上了不同的水印。为了便于企业内容管理,华为云EI提供水印检测和处理技术,能够智能检测水印位置、重构水印并对水印进行处理。**(6)**  **音视频指纹**视频指纹具有极大的使用场景,包括:(1) 对用户上传的内容进行重复检测;(2) 可对内容进行版权追踪;(3) 支持多维度、多粒度内容存储和检索;华为云基于音频、视频内容分析技术,提供音、视频指纹生成、存储及检索技术。**(7)**  **自动唱词**在新闻媒体、教育等领域往往只有视频和对应的音频信息,自动唱词技术可以根据视频自动添加字幕,相比人工添加字幕,可以极大提高视频发布的及时性,提高生产效率。**分发**,基于前述的视频结构化和智能分析,视频内容可按照多维度进行存储,结合用户行为日志分析,支持快速检索和关联推荐,将内容以最快的速度推送到相应的用户。**消费**,在用户消费视频的过程中,华为云EI提供自动评论及交互播放技术方案,提升终端用户体验。转载自华为云社区 大道无形 https://bbs.huaweicloud.com/blogs/175010
  • [其他] 从AI Gallery订阅的Workflow如何使用
    登录AI Gallery的Workflow案例库。从AI Gallery选择并订阅一个Workflow。订阅完成后,单击“运行”后跳转到ModelArts控制台界面,选择资产版本和云服务区域,单击“导入”,进入该Workflow的详情页面。图1 导入Workflow单击右上角的“配置”后进入配置页面,根据您所订阅的工作流,配置Workflow需要的部分输入项和参数,单击右上角的“保存配置”。保存成功后,单击右上角的“启动”,启动Workflow。Workflow进入运行页面,等待Workflow运行。Workflow完成运行。图2 完成运行
  • [业界动态] 行业资讯 | 谷歌云计算在巴西投资3亿美元,新开分支机构和工程中心;2021年AI公有云服务市场规模达……
    行业资讯一览俞敏洪:带货主播需要文化培训,未来开新东方电商学院新东方创始人俞敏洪20日在一场直播中提到,未来可能会开电商学院。现在做电商直播的网红、主播,其实都需要一种文化培训,而这种文化培训由新东方来做再好不过。我们打算开电商学院,倒不是为了挣钱,而是为了让中国主播的整体水平得到一个层次的提高。如果成立了,我会亲自去上课,也会让董宇辉等著名主播去上课。(中**)谷歌云计算在巴西投资3亿美元,新开分支机构和工程中心谷歌公司云计算部门周二宣布,自从2017年以来,已经在南美 国家巴西投资了3.1亿美元,建设云计算基础设施,谷歌还宣布将会在巴西开设一个新的分支机构,并且启动一个工程技术中心。高层介绍说,谷歌云计算在巴西的投资,目的是为了帮助谷歌的巴西客户扩大服务产品线,提升数字运营能力,开拓新的商机。(来源:新浪科技)Meta、微软、英特尔等科技巨头创建元宇宙标准组织,华为、阿里加入,苹果缺席美东时间周二,Meta、微软等多家科技巨头宣布成立了一个名为“元宇宙标准论坛”的组织,以促进行业标准的发展,使这些公司各自推动的新兴数字世界能够相互兼容。元宇宙标准论坛在宣布成立的声明中表示,该论坛的参与者包括Meta、微软、Epic、英伟达、高通、索尼等36家投身元宇宙领域的科技巨头,行业覆盖芯片制造商、游戏公司以及像万维网联盟(W3C)这样的老牌标准制定机构等。中国的华为和阿里巴巴达摩院也在创始成员名单之中。不过苹果、Roblox、Niantic、The sandbox等公司缺席。英伟达高管Neil Trevett担任元宇宙标准论坛主席,他表示欢迎任何人加入,也包括加密货币行业的参与者。(来源:和讯网)机构:2021年AI公有云服务市场规模达44.1亿元据市场研究机构IDC消息,2021全年,AI公有云服务市场规模达44.1亿元人民币,占AI软件整体市场的13.4%。从年度增速的角度来看,AI公有云服务市场增速依然远超AI软件整体市场增速。IDC中国助理研究总监卢言霞表示:作为中国AI市场上重要的创新力量,AI云服务厂商近几年不断加快推进技术突破与商业落地,贡献了越来越大的市场规模。未来人工智能市场AI场景化解决方案相比单点AI能力更受青睐,云服务厂商在开放AI能力的同时,亦应注重通过生态构建解决方案,以助力行业用户进行系统的数字化转型。(来源:央广网)SaaS 云服务提供商「和创科技」通过北交所辅导验收新三板创新层公司「和创科技」发布公告称,公司6月22日通过北交所上市辅导验收,辅导机构为中信建投。公司提示称,2020年度、2021年度经审计的主营业务收入分别为1.08亿元、1.45亿元,营业收入增长率为34.01%,2021年度经营活动产生的现金流量净额为3187万元,符合北交所上市财务标准二。据了解,和创科技成立于2009年,是一家具备自主研发PaaS能力的SaaS云服务提供商,公司致力于为建筑工程、装备制造、泛快消等行业的企业级客户提供数字化解决方案,产品和服务覆盖工程项目管理、客户关系管理等领域。(来源:牛透社)沃尔玛增强云计算能力,减少对科技巨头的依赖《华尔街日报》6月24日报道,沃尔玛周四表示,已开发出在云供应商和自己的服务器之间无缝切换的能力,节省了数以百万计的美元,并为其他希望减少对巨型技术公司依赖的组织提供了路线图。沃尔玛使用自己的服务器和软件部署了现有的最大的混合云之一,该混合云系统利用了微软和谷歌的第三方平台,以及它在全国各地的沃尔玛设施中迅速建立的内部服务器网络。沃尔玛全球首席技术官说:“混合云使我们能够吸取公共云供应商所能提供的最好的东西,并能够将其与真正为我们量身定做的东西相结合。”(来源:界面新闻)云商店一周动态华为云聚焦四大亮点,重磅打造用户首选的企业应用平台近日,在“华为伙伴暨开发者大会2022”上,华为云CEO张平安重磅发布新品牌——华为云云商店KooGallery。新品牌的发布也伴随着商业模式的迭代升级,从“云市场”向更多元、丰富、高效的“云商店”跨越。点击查看新品牌4大亮点:华为云云商店品牌全新发布 4大亮点都在这儿华为云云商店联合数码大方,提供CAXA PLM协同管理解决方案福建侨龙应急装备有限公司,是国家专精特新“小巨人”企业、制造业单项冠军企业。对于侨龙应急装备这样的制造企业来说,快速解决异地协同难题,对提升生产效率起着至关重要的作用。云端部署CAXA PLM协同管理解决方案让侨龙应急装备快速实现了低投入、高效率!且支持远程实施,不怕疫情阻隔,更省去了传统的部署和运维难题。数码大方是如何解决侨龙的难题的?点击了解:【用户案例-智能制造】数码大方“云”协同,飞跃千山 “保”生产 !华为云推出“医码平川”,帮助药品零售企业记录追溯码数据医码平川医药追溯平台,帮助药品经营企业提供药品追溯、经营管理、消费者营销等一体化解决方案,同时满足监管部门追溯监管要求。助力药品经营企业数字化升级,保障企业高效、合规经营。点击了解“药品打假”黑科技:【上云精品】“医码平川”,助力药企建立完善药品追溯制度,数字化经营更进一步!编辑 | 一只大月亮
  • [干货汇总] 机器学习实践:基于支持向量机算法对鸢尾花进行分类
    【摘要】 @[toc] 一.前言 1.1 本文原理支持向量机(SVM)是一种二元分类模型。它的基本模型是在特征空间中定义最大区间的线性分类器,这使它不同于感知器;支持向量机还包括核技术,这使得它本质上是一个非线性分类器。支持向量机的学习策略是区间最大化,它可以形式化为求解凸二次规划的问题,等价于正则化铰链损失函数的最小化。支持向量机的学习算法是求解凸二次规划的优化算法。Scikit learn(skl...本文分享自华为云社区《支持向量机算法之鸢尾花特征分类【机器学习】》,作者:上进小菜猪。一.前言1.1 本文原理支持向量机(SVM)是一种二元分类模型。它的基本模型是在特征空间中定义最大区间的线性分类器,这使它不同于感知器;支持向量机还包括核技术,这使得它本质上是一个非线性分类器。支持向量机的学习策略是区间最大化,它可以形式化为求解凸二次规划的问题,等价于正则化铰链损失函数的最小化。支持向量机的学习算法是求解凸二次规划的优化算法。Scikit learn(sklearn)是机器学习中常见的第三方模块。它封装了常见的机器学习方法,包括回归、降维、分类、聚类等。1.2 本文目的List item使用scikit-learn机器学习包的支持向量机算法,使用全部特征对鸢尾花进行分类;使用scikit-learn机器学习包的支持向量机算法,设置SVM对象的参数,包括kernel、gamma和C,分别选择一个特征、两个特征、三个特征,写代码对鸢尾花进行分类;使用scikit-learn机器学习包的支持向量机算法,选择特征0和特征2对鸢尾花分类并画图,gamma参数分别设置为1、10、100,运行程序并截图,观察gamma参数对训练分数(score)的影响,请说明如果错误调整gamma参数会产生什么问题?二.实验过程2.1 支持向量机算法SVM实例的特征向量(以2D为例)映射到空间中的一些点,如下图中的实心点和空心点,它们属于两个不同的类别。支持向量机的目的是画一条线来“最好”区分这两类点,这样,如果将来有新的点,这条线也可以很好地进行分类。2.2List item使用scikit-learn机器学习包的支持向量机算法,使用全部特征对鸢尾花进行分类;首先引入向量机算法svm模块:from sklearn import svm还是老样子,使用load_iris模块,里面有150组鸢尾花特征数据,我们可以拿来进行学习特征分类。如下代码:from sklearn.datasets import load_irisiris = load_iris()X = iris.dataprint(X.shape, X)y = iris.targetprint(y.shape, y)下面使用sklearn.svm.SVC()函数。C-支持向量分类器如下:svm=svm.SVC(kernel='rbf',C=1,gamma='auto')使用全部特征对鸢尾花进行分类svm.fit(X[:,:4],y)输出训练得分:print("training score:",svm.score(X[:,:4],y))print("predict: ",svm.predict([[7,5,2,0.5],[7.5,4,7,2]]))使用全部特征对鸢尾花进行分类训练得分如下:2.3 使用scikit-learn机器学习包的支持向量机算法,设置SVM对象的参数,包括kernel、gamma和C,分别选择一个特征、两个特征、三个特征,写代码对鸢尾花进行分类;2.3.1 使用一个特征对鸢尾花进行分类上面提过的基础就不再写了。如下代码:使用一个特征对鸢尾花进行分类,如下代码:svm=svm.SVC()svm.fit(X,y)输出训练得分:print("training score:",svm.score(X,y))print("predict: ",svm.predict([[7,5,2,0.5],[7.5,4,7,2]]))使用一个特征对鸢尾花进行分类训练得分如下:2.3.2 使用两个特征对鸢尾花进行分类使用两个特征对鸢尾花进行分类,如下代码:svm=svm.SVC()svm.fit(X[:,:1],y)输出训练得分:print("training score:",svm.score(X[:,:1],y))print("predict: ",svm.predict([[7],[7.5]]))使用两个特征对鸢尾花进行分类训练得分如下:2.3.3 使用三个特征对鸢尾花进行分类使用三个特征对鸢尾花进行分类,如下代码:svm=svm.SVC(kernel='rbf',C=1,gamma='auto')svm.fit(X[:,1:3],y)输出训练得分:print("training score:",svm.score(X[:,1:3],y))print("predict: ",svm.predict([[7,5],[7.5,4]]))使用三个特征对鸢尾花进行分类训练得分如下:2.3.4 可视化三个特征分类结果使用plt.subplot()函数用于直接指定划分方式和位置进行绘图。x_min,x_max=X[:,1].min()-1,X[:,1].max()+1v_min,v_max=X[:,2].min()-1,X[:,2].max()+1h=(x_max/x_min)/100xx,vy =np.meshgrid(np.arange(x_min,x_max,h),np.arange(v_min,v_max,h))plt.subplot(1,1,1)Z=svm.predict(np.c_[xx.ravel(),vy.ravel()])Z=Z.reshape(xx.shape)绘图,输出可视化。如下代码plt.contourf(xx,vy,Z,cmap=plt.cm.Paired,alpha=0.8)plt.scatter(X[:, 1], X[:, 2], c=y, cmap=plt.cm.Paired)plt.xlabel('Sepal width')plt.vlabel('Petal length')plt.xlim(xx.min(), xx.max())plt.title('SVC with linear kernel')plt.show()可视化三个特征分类结果图:2.4使用scikit-learn机器学习包的支持向量机算法,选择特征0和特征2对鸢尾花分类并画图,gamma参数分别设置为1、10、100,运行程序并截图,观察gamma参数对训练分数(score)的影响,请说明如果错误调整gamma参数会产生什么问题?2.4.1当gamma为1时:讲上文的gamma='auto‘ 里的auto改为1,得如下代码:svm=svm.SVC(kernel='rbf',C=1,gamma='1')svm.fit(X[:,1:3],y)运行上文可视化代码,得如下结果:2.4.2当gamma为10时:讲上文的gamma='auto‘ 里的auto改为10,得如下代码:svm=svm.SVC(kernel='rbf',C=1,gamma='10')svm.fit(X[:,:3:2],y)运行上文可视化代码,得如下结果:2.4.3当gamma为100时:讲上文的gamma='auto‘ 里的auto改为100,得如下代码:svm=svm.SVC(kernel='rbf',C=1,gamma='100')svm.fit(X[:,:3:2],y)运行上文可视化代码,得如下结果:2.4.4 结论参数gamma主要是对低维的样本进行高度度映射,gamma值越大映射的维度越高,训练的结果越好,但是越容易引起过拟合,即泛化能力低。通过上面的图可以看出gamma值越大,分数(score)越高。错误使用gamma值可能会引起过拟合,太低可能训练的结果太差。
  • [干货汇总] 站在数字化风口,工装企业如何“飞起来”
    【摘要】 数字化转型已渗透进工装行业,低代码开发构建数字化解决方案,可以帮助工装企业低成本、高效率地实现数字化转型。本文分享自华为云社区《【云享·伙伴】第6期:站在数字化风口,工装企业如何“飞起来”》,作者: 华为云社区精选 。数字化,已成为当今商业社会的一个高频词汇。数字化浪潮下,有乘势快速起飞的行业,也有转型相对滞后、提升空间很大的行业,如工装行业。工装行业数字化转型,行路难工装是一个消费周期长、中间环节多的产业。由于其行业的特殊属性,曾经有很多人调侃其为“与互联网距离最远的行业”。马上数智科技有限公司的创始人何平在行业调研中发现,装修公司的无效成本会因管理水平没有跟上公司的发展速度而急剧攀升。以施工监管为例,管理方式比较原始的情况下,每个楼栋装饰项目需要项目经理拿着纸笔一层层巡查和记录,数据不直观、进度更新不及时,数据容易出现误差,从而导致材料浪费。并且,工装项目中间环节多,协作方式落后也会导致导致项目管控困难。从房屋测量、到户型打样、成本预算、施工管理、到后期维保的各个环节,每个环节都有单独的电子表格和流程审批。又因为异地项目多,部门也多,各环节信息孤岛现象非常严重。上述问题并不是全部。基于对行业的深入分析,何平认为导致这些问题的核心原因主要是:重度依赖人力,信息化渗透率非常低,管理和运营效率低下。从数据入手,让所有人在一张表上对话为减少对人力的依赖,实现数据的循环流转,提升管理和运营效率,马上数智希望建设工装数字化解决方案:为生产经理、劳务班主、项目经理等相关岗位提供匹配的数字化工作台,实现管理过程的标准化、流程化和自动化。1、量化生产数据,将浪费消灭在发生之前,降本增效通过量化施工过程的生产数据,与项目启动时建立基线数据进行偏差对比,预测可能导致浪费出现的项目风险,向管理人员发出建议和行动指令,将浪费消灭在发生之前。2、实现管理可视化,让利益相关方在一张图上协作通过各类岗位工作台来组织管理工作,打通从从房屋测量→户型打样→成本预算→施工管理→后期维保的各环节,能够实现“所见,即所得”,提高沟通的效率和质量。3、实现工作内容的标准化、流程化和自动化处理通过将项目管理生命周期中的各类事项和施工工序标准化、流程化,配套智能辅助工作,避免对人的依赖,让管理工作执行到位,提升施工质量和效率。4、自动生成报表能够自动生成各类报表,自动向相关方汇报项目情况,减少项目管理人员的工作负担。 选择华为云低代码,让想法快速落地工装行业的企业专业IT人员数量少之又少。据信通院统计,我国数字化人才缺口已经成为阻碍企业数字化转型的推进一大因素。在当前的发展大势下,企业需要一个高效且不需要“很技术”的平台,支持企业向数字化迈进。而低代码开发以高效快速、简单易用的方式,缩短应用开发周期,降低开发门槛,能够加快企业的数字化转型。也正是看到这一点,何平研究了多家厂商的低代码平台,从使用体验、自由程度、支持力度、赋能力度四个方面做了全面的调研,对这些平台都进行功能测试等评估工作,最终选择了华为云AppCube。“选择华为云AppCube主要是从四个方面考量:全环境支持、可视化开发、多端皆适配、资产可变现。” 何平表示。马上数智通过华为云AppCube的“低代码平台+企业自建”典型模式,开发出“工装有数”解决方案,帮助企业解决痛点问题。在开发劳务人脸打卡模块时,马上数智通过AppCube自带的AI连接器,实现了无缝对接华为云ModelArts的相关人工智能模块的工作,大大减少了去研究和对接的时间,提升了开发效率。在开发业务数据大屏模块时,马上数智使用了AppCube的DMAX大屏技术,只需要专注于业务数据的采集和分析,不用去关注各个图表的表现形式的开发,极大地提升了相关模块的开发速度。凭借便捷性和实用性,华为云AppCube帮助马上数智快速实现了“小应用低投入”。2021年,何平和他的团队利用华为云AppCube着手开发第一个工装管理应用。在2021年1月1日启动编码,1月30号在公司做验收汇报;春节假期后,3月1号正式试点。而这个应用,从开发到试点,仅投入了一名开发人员和一名测试人员。 “华为云AppCube团队为我们提供了免费的技术架构方案、培训赋能、问题支持等服务,助力我们实现高效构建应用,无忧开发。特别是在我们遇到各类具体的问题或者自己无法解决的BUG时,AppCube团队积极组织各类问题的领域专家,通过在线会议手把手地指导我们进行模块的开发和Bug的处理,让我们能够更快有效的完成开发工作。”何平谈到。从0到1再到N,持续演进,共同成长马上数智通过AppCube完成了整个“劳务闭环”,将施工计划制定、施工任务安排、生产经理复核、成本专员二次复核、劳务产值日报、月度产值申报、劳务付款申请、劳务付款这一系列围绕劳务的管理节点串联起来。通过劳务闭环,可以生成劳务班组的经营报表,从而更加全面的了解劳务班组的所有经营数据,进而就可以了解项目经营的大部份数据,最终有利于公司对项目进行基于数据驱动的有效管理,项目经理再也不需要从25楼走下去手工记录巡检了。这样不仅减少了人工成本,还极大提升了效率。“AppCube团队专门建立了超过40人的技术支持群,专门为我们提供即时全面的技术支持,让我们能在短短一个月的时间按时交付了第一个版本,获得了客户的认同,给了我们好的开始。”何平讲到,“在合作中期,随着业务需求扩张,我们也对平台提出了不少改进意见,得到了平台的快速响应,满足了在开发过程中各类需求,加速了产品的研发进程。”不仅产品上助力企业发展转型,马上数智创始人何平还表示到,作为一家刚刚起步的初创企业,在各方面资源都匮乏的情况下,得到了华为云和AppCube团队在产品开发、技术培训、云计算资源、办公场地、品牌宣传等等各方面的支持,让我们有了一种“背后有靠山,创业不孤单”的感觉,加强了为工装类装饰企业构建数字化协同管理平台的底气和信心。低代码开发,助推工装行业数字化转型马上数智用低代码开发的方式快速实现工装数字化解决方案的构建,帮助工装企业从业务流程化、标准化两方面完成降本增效的目标,实现了工装企业的转型。数据申报和审核效率提升:劳务产值从人工变成全自动,申报步骤从9个减到2个。项目数据驱动管控:项目经营数据汇总周期从过去20天左右,变成了1天,效率提升了20倍。施工质量得到保证:劳务人员实时报工、项目经理有序巡检,进展实时共享,巡检效率成倍提高。施工项目成本降低:基于数据和算法驱动的智慧施工管理模式,能帮助施工项目缩短工期5%-10%,节约材料成本2%-4%,节约劳务成本2%-5%。工装行业的数字化目标,是更好的用户体验和更高的运营效率。工装行业的趋势是工厂化、标准化、现场装配化,一定靠标准化的流程和数据来管理,不再单纯依靠手工作业的经验。工装业务流程化和标准化也就成为实现数字化的途径。目前市场上的数字化产品动辄就是千万级的投入,并不是一个短平快的项目。华为云AppCube的安全性、灵活性以及扩展性能力,能够为工装企业快速带来效益。马上数智希望通过数字化解决方案“工装有数”,重新定义工装行业。最后以AppCube为代表的低代码和零代码平台,也必定会开启全行业数字化转型的新时代。因为数字化转型已经从选择题成为了问答题,那如何以最低的成本和最快的效率完成数字化转型,则成为了答题的基本要求。低代码和零代码让企业以最低成本开启数字化转型,以最高的效率实现数字化转型,华为云相信在未来的企业数字化转型中,低代码和零代码一定会是趋势。数字化是工装行业的下一个风口,而华为云AppCube平台正是迎风起舞的正确方式和方法。华为云AppCube开发者支持团队将为合作伙伴提供在产品开发、技术培训、云计算资源、品牌宣传等多方面的支持,助力伙伴轻松上手低代码开发。通过零代码/低代码开发模式及安全可信的开发环境实现高效构建应用,无忧开发,诚邀伙伴参与共建AppCube开发者生态。
  • [技术干货] 【AI玩家养成记 • 第2期】用AI识别邻居家旺财是什么品种
    如今,人工智能简直是无所不能,只需给定主题,便能生成一篇韵律自然的乐府诗;不需要漫画功底,就可将现实世界一键定格成漫画风;仅需扫描图像,就能轻松分类垃圾,彻底解放双手和大脑......好奇宝宝在线么?看完本期视频,教你用AI识别邻居家旺财是什么品种!收藏!!!玩AI,看这里→【往期链接】【AI玩家养成记 • 第1期】玩AI,你知道昇腾吗?
  • [行业资讯] 工业互联网VS碳管理
    工业互联网VS碳管理在进军碳中和管理前,大数金科的主营业务是为流程制造业提供能源管控、智能配矿、废钢自动化监测等服务,帮助企业提升能源和资源利用效率,而这和碳中和领域紧密相关。孙强表示,在制造业的经验和数据积累,让大数金科在碳排放管理方面有独特优势。一、拥有大量自有数据,验证算法模型。大数金科是中国500强企业兴华财富集团旗下企业,目前兴华财富集团拥有6家钢铁企业,年钢铁产能逾1200万吨。这让大数金科的碳管理系统在进入市场前,即可验证了从物料采购、炼化、生产制造到运输等几十道工序的碳管理流程,实现产品推出即成熟。孙强认为,并非所有互联网互技科技公司都可以进军流程制造行业,因为工业数据积累是非常大的门槛。二、硬核研发,推出国内首款SASS版碳管理系统。36氪调研时发现,大数金科的研发人员占据整个团队的90%以上。为进一步强化技术优势,孙强还推动了大数金科与东北大学进行深度合作,“冶金是东北大学的优势学科。大数金科把东北大学的工具模型和自己跟踪制造行业所有工序的碳排放数据结合,把每一道工序的碳排放数据,都建立了准确的分析模型。这是我们能推出国内首款SASS版碳管理系统‘和碳平台’的关键。”不止东北大学,大数金科还和四川大学、电子科技大学和深圳大学等高校进行合作。孙强认为,高校的研究和企业是互补关系,“高校有很多理念和技术在实验室阶段,企业更擅长工程落地,用成熟技术为客户解决问题。”据孙强介绍,“和碳平台”已经在宁夏一家钢厂落地,帮助企业实现碳摸底、碳账户建立、碳排放管理、碳减排、碳资产管理,打造了一体化双碳解决方案,“现在系统初步落地后,已实现全流程减碳10%,年减碳40到50万吨碳。如果后续继续深入,把流程更细致的优化,我们有信心再减少10%碳排放。”三、核心技术与双碳管理共振。由于在工业软件领域的长期积累,大数金科还形成了坚实的技术壁垒。以废钢检测为例,大数金科的“慧眼AEYE”充分运用三维成像非接触式测量与机器视觉的前沿核心技术,结合光谱成分分析,废钢识别准确率达95%,废钢定级精度能控制在0.05毫米以内,解决了以往人工进行废钢定级时风险高、效率低、误差大的问题,而以废钢为基础的短流程炼钢碳排放只有以铁矿石为基础的长流程炼钢的1/3左右。四、生态合作开启全面减碳。据孙强透露,大数金科已经和一些光伏企业达成合作,共同为产业园区和企业提供能源置换服务,“我们主要提供前期摸底监测和技术优化,所以在不擅长的能源置换领域,需要把以光伏企业为代表的合作伙伴引进来,形成合力,共同开发碳市场。”有了客户大量数据反馈,大数金科的产品也越来越成熟。大数金科也根据客户的工艺,确定情况,以及当地政府政策,不断调整产品。孙强表示,虽然大数金科的市场规模有了很大的扩张,但现阶段仍以打磨产品为主,不断匹配市场需求。
  • [行业资讯] 5G存储时代,位置数据是行业变革关键
    智能手机是为无数用户提供动力的技术的金矿。加速计和陀螺仪提供实用性和生活质量功能,但内置在手机中的GPS是其中的主要功能。现代手机和其他移动设备提供近乎实时的位置数据,而这些数据的价值在业界并未丢失;单是位置数据就有120亿美元的市场。这一估值部分来自日常使用,但潜力远不止这些。位置数据是打车取车定位位置、畅销应用程序和游戏背后的力量,也是现代商业运营的基石。许多行业都有关于这些功能的见解。与互联网连接一样,位置数据也是创新的鼓舞人心的加速器。精准,精准,再精准精确性和准确性是任何基于位置的服务的基石。如果你不能可靠地说出某物在哪里,就没有服务。如果一个乘客的接送地点偏离了一个街区,那么旅客和工作人员就要花费宝贵的时间,这会产生重大影响。  如果一个孩子的追踪设备把他们放在镇上,甚至是几条街上,可能会引起一个家庭的恐慌。Uber工程认识到需要卓越的地理空间精度,开发并发布了各种收集这些数据的方法。手机GPS、加速计、陀螺仪、驾驶员信标和气压计都收集了数据,并将其输入数学公式,以准确预测乘客和驾驶员的位置,并将以非常高的置信度会面。极高精度的定位数据,将松散的“我在哪里”的信息,转变为强大的导航工具。把商业/工业放在地图上通过地理位置进行创新在商业领域尤为突出。例如,Walgreens使用汇总的位置数据来更好地了解客户在哪里,门店位置中的差距在哪里,以及客户需要快速前往药店时在哪里。有了这些见解,该公司可以在最佳位置开设门店,为社区提供服务,并最大限度地利用资源。了解这些见解的不仅仅是最大的公司。500万个应用程序连接或使用谷歌地图数据。然而,单凭利润并不能反映位置数据改变业务的各种方式。公司正在使用“位置智能”来更好地理解供应链并改进可持续性工作。同样,《福布斯》也报道了位置情报指导商业决策的方式。公司正在雇佣一种新的分析师,一种专注于地理位置的分析师,用来缓解风险、应对气候变化,并强化公司的社会责任。例如,伐木从位置数据中受益,有助于管理产出、监测气候影响,并管理森林,以确保经济、环境和社会义务的可持续性。位置数据已经被证明是一个有价值的商业工具,但其潜力仍在不断挖掘。从娱乐到医疗保健再到公共基础设施,位置数据可以产生持久的影响。Niantic是广受赞誉的手机游戏《神奇宝贝》的创作者,它正在使用其基于位置的游戏平台为新的元宇宙界企业收集3D视觉数据。同时,在2019冠状病毒疾病早期,研究人员利用位置数据来支持他们在COVID-19的接触追踪中的努力。  布朗大学(Brown University)正在发表一项研究,探讨高分辨率位置数据如何帮助我们理解城市中的种族隔离,以及如何设计公共交通系统来克服这些社会不平等。自动化交通工具与城市重塑自动驾驶汽车市场是先进地理空间数据的另一个主要受益者。到2028年,AVs预计将成为全球价值超过110亿美元的市场,其中一部分增长来自特斯拉、谷歌、通用汽车和其他公司的位置数据创新。  一个行业的增长本身就足以引起人们对这些数据的关注,但还有另一个层面。因为交通是日常生活的核心,AVs将迫使我们重新规划城市和公共空间。在《福布斯》的一篇文章中,移动平台Populus的首席执行官里贾娜·克劳洛博士讨论了移动数据(如位置)如何重塑城市,让城市变得更好。她强调了回收停车场空间、创建自行车和滑板车友好型基础设施、鼓励低碳交通工具,以及创造更公平的交通工具。克莱洛写道:“我们正处在一个重要关头,公共和私人交通参与者需要找到新的合作方式,以加速实现共同目标的进程。”。“尽管有一些关键障碍需要克服,但如果城市和私人交通运营商能够找到前进的道路,我们可以抓住这一关键时刻重塑城市交通的未来。”西部数据汽车营销总监拉塞尔·鲁本在一次采访中也表达了这种观点。鲁本强调了随着运输自动化,交通和生产力可能会提高的方式。“想想每个人都使用谷歌地图回家,但AV系统将有交通控制中心,”鲁本说。“事情会进展得非常顺利,因为他们可以更好地控制它。”  这些改进可以转化为我们日常生活中的各种变化,从过渡到基于订阅的交通模式,建造没有车库的住宅,以及公共交通、航运和其他交通形式的更和谐协调。“可能性远远超出你我的想象,”他说,“它们将继续扩大。”不仅仅是地图上的一个点不可否认,位置数据是跨行业和部门的强大破坏者。人们很容易将这些信息视为“我身边的咖啡”的动力,但这不仅仅是这些。地理空间数据可以建立业务,成为新的和有启发性的研究的基础,并创造独特和令人兴奋的互动体验。 它甚至可以改变我们想象的方式,改变我们居住的空间。位置不仅仅是地图上的一个点;这是一种策略,一种工具,一个故事。就像任何好的数据来源一样,你越仔细地观察它,它告诉你的信息就越多。扫描以下或点击链接即可下载技术白皮书:
  • [行业资讯] 30年后的未来生活
    为了发展未来科技应用,人类以各种方式去想象未来的生活景象。日前韩国网络振兴院(KISA)就发表了《2045年未来社会》的未来预测报告,报告中用浅显易懂的漫画描绘出未来2045年的社会景象。尽管对于图中时速高达6千公里、2小时就能从韩国到达英国伦敦的真空管列车仍有点困难,但物联网、智能家居、家务机器人、宠物机器人,甚至是远程医疗和虚拟现实教学都已经快要走入实际生活,因此图中所描绘的2045年景象极有可能会提前发生。韩国相当热衷于利用“想象未来”去规划现阶段要推动的政策。近期,韩国网络振兴院邀请13位专家去预测2045年的未来样貌,并将内容绘制成图,更生动地将2045年的生活景象呈现出来。报告中的三大亮点分别是:速度极快的交通运输工具、人类寿命将延长至120岁以及机器人技术。未来2045年的交通运输工具中最近就会实现的是无人驾驶汽车,预计2020年就有条件地开放给特定人士使用,2030年就能全面普及到一般民众使用。另外,预计2045年时超音速的客机与时速6千公里的真空管列车,将成为国际旅行的主要交通工具,届时从韩国到英国伦敦仅需要短短2个小时,一天之内就能往来世界各地,地球村将不再只是口号而是事实。其次,随着移动医疗日渐普及,慢性疾病能够有效地事前预防,万一发病也能借助远程医疗随时监控病情,发生状况都能立即由医院或诊所给予精确诊断,必要时可将病患的病史和近期健康状况等相关信息立即联机到医院有助于病患的救治。若再辅助成熟的干细胞等治疗技术,人类的寿命可望在2045年时延长到120岁。第三个亮点就是机器人正式成为家庭成员。未来物联网、智能工厂将使得生产自动化,有更多机器人会投入生产制造。预计到了2045年,机器人价格将会降到一般家庭都负担得起的程度,机器人管家可望包揽一切家事而成为人类的好帮手。
  • [赛事资讯] 以技术创新让美好发生,首届华为云杯“少年开发者”人工智能大赛开启
           在移动互联网、云计算等新技术的驱动下,人工智能正在加速融入人类的生产生活,在为经济社会发展不断注入新动能的同时,也让人们的生活变得愈加美好。为了进一步拓宽人工智能在生活中的应用场景,探索实际问题解决方案,同时选拔和培育未来人工智能领域的创新人才,首届华为云杯“少年开发者”人工智能大赛于6月23日正式启动。       华为云杯“少年开发者”人工智能大赛由上海市教育委员会、复旦大学指导,华为技术有限公司主办,华为云计算技术有限公司、上海市科技艺术教育中心、复旦大学计算机科学技术学院、上海市育思青少年计算科学发展中心承办,上海市计算机学会教育信息化专委会、复旦大学附属中学、上海国际计算科学创新教育联盟支持。聚焦AI生活场景应用,以技术创新让美好发生       本届大赛旨在依托华为云强大的技术资源,鼓励青少年围绕具体场景,运用深度学习、计算机视觉、自然语言处理和数据挖掘等人工智能核心技术,设计解决方案、主导实验设计、测试、实践,并最终完成具备原创性与应用价值的科技产品原型或服务解决方案。       大赛的启动期正值国际奥林匹克日,两者之间有着相同的内在气质与情感纽带,共同传递“为美好而战”的拼搏精神。大赛的主题 “以技术创新,让美好发生”,既是对华为云Cloud for Good“为美好,做更好”精神内核的继承,也能让参赛者们利用科技创新发现生活中的小美好,同时通过大赛平台展开竞技与交流的号召,充分体现了“互相了解、友谊、团结和公平竞争”的奥林匹克精神。把握赛事阶段与关键节点,等你来战       首届华为云杯“少年开发者”人工智能大赛面向全国3-12年级的在校学生开展,分为小学组(3-6年级)、初中组(7-9年级)、高中组(10-12年级)三个组别。大赛已于今年6月开启报名通道,将于9月11日截止报名,参赛学生可组成1-3人的参赛团队报名参加,不支持跨组别组队,同一学生只能参加一个团队,不可重复参赛。       大赛分为作品征集、初评答辩、决赛三个阶段,赛期从2022年6月持续至10月下旬。赛事以线上为主,在疫情防控条件许可的情况下于决赛阶段开展线下活动。计划和实施进度可能会因疫情情况有所调整。在作品征集阶段,参赛团队需要聚焦用户需求、问题、使用场景等,进行产品或服务的开发设计,可以根据个人学习与思考选择合适的人工智能相关技术设计解决方案,并形成一定的成果,主办方将从中选取优秀作品进入初评答辩环节,从而决选出进入决赛的团队或个人。       在决赛阶段,复旦大学计算机科学技术学院和华为云组成的专家团将结合各个阶段青少年学习特点进行命题,设计现实场景下的问题,要求参赛选手给出技术解决方案并进行比拼。       本届大赛按组别分设一、二、三等奖,获奖比例分别为10%,20%,40%,获奖数占初评答辩名单70%左右;另设入围奖、优秀指导教师奖、优秀组织奖、Cloud for Good特别价值奖,并且在每个组别中选拔出“2022年开发者之星”,所有获奖者将被授予荣誉证书。同时,在决赛中脱颖而出的个人和团队,将获得与华为工程师以及专业科研导师结对共同设计、研究的机会,从而实现开发项目雏形从纸面到真正商业或应用层面的运用。       国务院发布的《新一代人工智能发展规划》指出,要全面提高全社会对人工智能的整体认知和应用水平,在中小学阶段设置人工智能相关课程,支持开展人工智能竞赛。举办华为云杯“少年开发者”人工智能大赛,正是贯彻落实国家决策部署的重要举措,将发现和培养一批下一代人工智能人才,更好支撑我国人工智能产业持续健康发展。       主办方表示,大赛将为选手们提供丰富的技术资源支持以及公平公正的竞技环境,欢迎广大少年开发者报名参赛,共同探索更多人工智能在生活中的应用场景,推动人工智能产业应用规模化发展,引领新一轮产业变革。
  • [其他] 如何开发workflow
    创建Notebook实例登录ModelArts控制台。选择控制台区域为“华北-北京四”。在开发环境Notebook(New)中创建基于pytorch1.4-cuda10.1-cudnn7-ubuntu18.04镜像的Notebook,具体操作请参见创建Notebook实例章节。图1 创建Notebook实例使用JupyterLab打开Notebook实例准备环境在Notebook列表中单击操作列的“打开”,进入JupyterLab页面。JupyterLab操作请参见JupyterLab简介及常用操作。图2 使用JupyterLab打开创建一个ipynb文件。图3 创建一个ipynb文件在Notebook的第一个cell运行如下命令进行环境准备。!rm modelarts*.whl!wget -N https://modelarts-cnnorth4-market.obs.cn-north-4.myhuaweicloud.com/workflow-apps/modelarts-1.3.0-py2.py3-none-any.whl!wget -N https://modelarts-cnnorth4-market.obs.cn-north-4.myhuaweicloud.com/workflow-apps/v0.1.1/85719177/modelarts_workflow-0.1.1-py2.py3-none-any.whl!pip uninstall -y modelarts modelarts-workflow!pip install modelarts-1.3.0-py2.py3-none-any.whl!pip install modelarts_workflow-0.1.1-py2.py3-none-any.whl 环境安装成功验证:创建一个新的cell,运行如下命令,若能成功导入,则表示环境已安装成功:from modelarts import workflow as wf若导入失败,建议重新执行安装命令,或者重启kernel后再次执行安装命令。以图像分类为例,阐述工作流的完整开发过程。您可以前往AI Gallery订阅图像分类-ResNet_v1_50工作流,根据工作流下方的使用指南进行订阅体验。准备工作准备一个图像分类算法,将该算法发布至AI Gallery并订阅(或者可以直接从AI Gallery订阅一个图像分类算法)。准备一个图片类型的数据集,可从AI Gallery直接下载(例如:生活垃圾分类)操作步骤图像分类工作流构建(只需将算法的订阅ID替换成您真实的订阅ID即可)。from modelarts import workflow as wf# 定义统一存储对象管理输出目录output_storage = wf.data.OutputStorage(name="output_storage", description="输出目录统一配置")# 创建标注任务data = wf.data.DatasetPlaceholder(name="input_data")label_step = wf.steps.LabelingStep( name="labeling", title="数据标注", properties=wf.steps.LabelTaskProperties( task_type=wf.data.LabelTaskTypeEnum.IMAGE_CLASSIFICATION, task_name=wf.Placeholder(name="task_name", placeholder_type=wf.PlaceholderType.STR, description="请输入一个只包含大小写字母、数字、下划线、中划线或者中文字符的名称。填写已有标注任务名称,则直接使用该标注任务;填写新标注任务名称,则自动创建新的标注任务") ), inputs=wf.steps.LabelingInput(name="labeling_input", data=data), outputs=wf.steps.LabelingOutput(name="labeling_output"),)# 对标注任务进行发布release_step = wf.steps.ReleaseDatasetStep( name="release", title="数据集版本发布", inputs=wf.steps.ReleaseDatasetInput(name="input_data", data=label_step.outputs["labeling_output"].as_input()), outputs=wf.steps.ReleaseDatasetOutput(name="labeling_output", dataset_version_config=wf.data.DatasetVersionConfig(train_evaluate_sample_ratio="0.8")), depend_steps=[label_step])# 创建训练作业job_step = wf.steps.JobStep( name="training_job", title="图像分类训练", algorithm=wf.AIGalleryAlgorithm( subscription_id="fake_subscription_id", # 订阅算法的ID item_version_id="10.0.0", # 订阅算法的版本ID parameters=[ wf.AlgorithmParameters(name="task_type", value="image_classification_v2"), wf.AlgorithmParameters(name="model_name", value="resnet_v1_50"), wf.AlgorithmParameters(name="do_train", value="True"), wf.AlgorithmParameters(name="do_eval_along_train", value="True"), wf.AlgorithmParameters(name="variable_update", value="horovod"), wf.AlgorithmParameters(name="learning_rate_strategy", value=wf.Placeholder(name="learning_rate_strategy", placeholder_type=wf.PlaceholderType.STR, default="0.002", description="训练的学习率策略(10:0.001,20:0.0001代表0-10个epoch学习率0.001,10-20epoch学习率0.0001),如果不指定epoch, 会根据验证精度情况自动调整学习率,并当精度没有明显提升时,训练停止")), wf.AlgorithmParameters(name="batch_size", value=wf.Placeholder(name="batch_size", placeholder_type=wf.PlaceholderType.INT, default=64, description="每步训练的图片数量(单卡)")), wf.AlgorithmParameters(name="eval_batch_size", value=wf.Placeholder(name="eval_batch_size", placeholder_type=wf.PlaceholderType.INT, default=64, description="每步验证的图片数量(单卡)")), wf.AlgorithmParameters(name="evaluate_every_n_epochs", value=wf.Placeholder(name="evaluate_every_n_epochs", placeholder_type=wf.PlaceholderType.FLOAT, default=1.0, description="每训练n个epoch做一次验证")), wf.AlgorithmParameters(name="save_model_secs", value=wf.Placeholder(name="save_model_secs", placeholder_type=wf.PlaceholderType.INT, default=60, description="保存模型的频率(单位:s)")), wf.AlgorithmParameters(name="save_summary_steps", value=wf.Placeholder(name="save_summary_steps", placeholder_type=wf.PlaceholderType.INT, default=10, description="保存summary的频率(单位:步)")), wf.AlgorithmParameters(name="log_every_n_steps", value=wf.Placeholder(name="log_every_n_steps", placeholder_type=wf.PlaceholderType.INT, default=10, description="打印日志的频率(单位:步)")), wf.AlgorithmParameters(name="do_data_cleaning", value=wf.Placeholder(name="do_data_cleaning", placeholder_type=wf.PlaceholderType.STR, default="True", description="是否做数据清洗, 数据格式异常会导致训练失败,建议开启,保证训练稳定性。数据量过大时,数据清洗可能耗时较久,可自行线下清洗(支持BMP.JPEG,PNG格式, RGB三通道)。建议用JPEG格式数据")), wf.AlgorithmParameters(name="use_fp16", value=wf.Placeholder(name="use_fp16", placeholder_type=wf.PlaceholderType.STR, default="True", description="是否使用混合精度, 混合精度可以加速训练,但是可能会造成一点精度损失,若对精度无极严格的要求,建议开启")), wf.AlgorithmParameters(name="xla_compile", value=wf.Placeholder(name="xla_compile", placeholder_type=wf.PlaceholderType.STR, default="True", description="是否开启xla编译,加速训练,默认启用")), wf.AlgorithmParameters(name="data_format", value=wf.Placeholder(name="data_format", placeholder_type=wf.PlaceholderType.ENUM, default="NCHW", enum_list=["NCHW", "NHWC"], description="输入数据类型,NHWC表示channel在最后,NCHW表channel在最前,默认值NCHW(速度有提升)")), wf.AlgorithmParameters(name="best_model", value=wf.Placeholder(name="best_model", placeholder_type=wf.PlaceholderType.STR, default="True", description="是否在训练过程中保存并使用精度最高的模型,而不是最新的模型。默认值True,保存最优模型。在一定误差范围内,最优模型会保存最新的高精度模型")), wf.AlgorithmParameters(name="jpeg_preprocess", value=wf.Placeholder(name="jpeg_preprocess", placeholder_type=wf.PlaceholderType.STR, default="True", description="是否使用jpeg预处理加速算子(仅支持jpeg格式数据),可加速数据读取,提升性能,默认启用。若数据格式不是jpeg格式,开启数据清洗功能即可使用")) ] ), inputs=[wf.steps.JobInput(name="data_url", data=release_step.outputs["labeling_output"].as_input())], outputs=[wf.steps.JobOutput(name="train_url", obs_config=wf.data.OBSOutputConfig(obs_path=output_storage.join("/train_output/")))], spec=wf.steps.JobSpec( resource=wf.steps.JobResource( flavor=wf.Placeholder(name="training_flavor", placeholder_type=wf.PlaceholderType.JSON, description="训练资源规格" ) ) ), depend_steps=[release_step])model_name = wf.Placeholder(name="model_name", placeholder_type=wf.PlaceholderType.STR, description="请输入一个1至64位且只包含大小写字母、中文、数字、中划线或者下划线的名称。工作流第一次运行建议填写新的模型名称,后续运行会自动在该模型上新增版本")# 模型注册model_step = wf.steps.ModelStep( name="model_step", title="模型注册", inputs=[wf.steps.ModelInput(name="model_input", data=job_step.outputs["train_url"].as_input())], outputs=[wf.steps.ModelOutput(name="model_output", model_config=wf.steps.ModelConfig(model_name=model_name, model_type="TensorFlow"))], depend_steps=[job_step])# 服务部署service_step = wf.steps.ServiceStep( name="service_step", title="服务部署", inputs=[wf.steps.ServiceInput(name="service_input", data=wf.data.ServiceInputPlaceholder(name="service_model", model_name=model_name))], outputs=[wf.steps.ServiceOutput(name="service_output")], depend_steps=[model_step])# 构建工作流对象workflow = wf.Workflow(name="image-classification-ResNeSt", desc="this is a image classification workflow", steps=[label_step, release_step, job_step, model_step, service_step], storages=[output_storage] )在开发态进行工作流的调试。使用run模式运行全部节点workflow.run(steps=[label_step, release_step, job_step, model_step, service_step], experiment_id="实验记录ID")调试完成后发布至运行态进行配置运行。workflow.release()# 上述命令执行完成后,若日志打印显示发布成功,则可前往MA的workflow页面中查看新发布的工作流。分享工作流至AI Gallery给客户使用。
总条数:4401 到第
上滑加载中