全部新闻
走向数字化：教授 TI-84 手写识别
一位名为 [KermMartian] 的黑客成功在 TI-84 Plus CE 图形计算器上运行神经网络，在 18 秒内识别 MNIST 数据集中的手写数字。该项目通过优化代码和通过计算机进行外部训练，克服了硬件限制（256 KB 内存、48 MHz 处理器）。经过训练后，网络可以传输到计算器进行实时数字识别，包括使用 USB 鼠标直接绘图输入。这种对有限资源的创新利用展示了通过创造性的工程解决方案在小型设备上应用人工智能的潜力。
2024 年综述：人工智能
过去两年，OpenAI 的 ChatGPT 刺激了人工智能领域的大量慈善投资。2024 年的主要发展包括：- 霍华德休斯医学研究所承诺十年内投入 5 亿美元，将人工智能整合到生物医学研究中。- Mayo Clinic 收到 2500 万美元的捐赠，用于建立人工智能翻译项目以促进医学进步。- 比尔及梅琳达·盖茨基金会授予薛定谔 1000 万美元用于开发预测毒理学工具，以实现更安全的药物开发。- Salesforce 为全球学校和非营利组织的教育和人工智能扫盲计划捐赠 2300 万美元。- Kapor 基金会、Omidyar Network 和旧金山基金会根据加州行政命令共同承诺投入 2500 万美元来推进公平的人工智能研究。
人工智能安全基金为网络安全研究发布征求建议书
人工智能安全基金（AISF）正在邀请资金申请，以支持旨在识别先进人工智能模型开发和使用潜在风险的研究，特别是在网络安全环境中。该基金寻求专注于评估前沿人工智能系统识别漏洞、自动攻击和调整漏洞代码能力的项目。申请截止日期为 2025 年 1 月 20 日，为符合条件的学术实验室、非营利组织、独立研究人员和任务驱动实体提供 35 万至 60 万美元的资金。
2024年机器学习工程师面试生存指南
成为机器学习工程师 (MLE) 的旅程既充满挑战又充满回报。以下总结了有效引导 MLE 面试流程的关键步骤和策略：### 面试前准备1. **评估您的技能**：- 确定 2024 年 MLE 最需要的技能。- 根据具体工作要求定制您的准备工作。2. **利用资源**：- 书籍：Gayle Laakmann McDowell 着的《Cracking the Coding Interview》、Alex Xu 着的《Coding Interview Patterns》、Shaw Peng 着的《Inside the Machine Learning Interview》。- 在线课程和平台：NeetCode Roadmap、365 Data Science、Evidently AI（ML系统设计案例研究）。3. **练习编码问题**：- 通过 LeetCode、HackerRank 和 CodeSignal 等平台专注于算法思维和解决问题的技能。4. **了解机器学习系统设计**：- 阅读 Chip Huyen 的《设计机器学习系统》，了解系统设计原理。- 研究 Evidently AI 的 ML 系统设计存储库中的案例研究，以获得实际应用见解。5. **行为面试准备**：- 为常见行为问题准备 STAR（情况、任务、行动、结果）回答。- Tanya Reilly 的《工程师之路》等书籍可以为技术角色的成长和变革提供宝贵的指导。### 面试期间1. **了解角色要求**：- 定制您的简历和求职信，以符合特定的职位要求。- 强调相关经验、项目和成就。2. **Ace 技术面试**：- 使用 LeetCode 和 NeetCode Roadmap 等平台广泛练习编码面试。- 从“破解编码面试”中了解常见的技术问题和解决方案。3. **美甲系统设计问题**：- 准备设计可扩展的机器学习系统，包括数据管道、模型部署和监控工具。- 使用 Evidently AI 案例研究等资源作为实际示例。4. **行为访谈**：- 行为面试期间注重沟通技巧和团队合作。- 通过相关轶事突出领导素质和解决问题的能力。5. **保持冷静和自信**：- 在面试前练习深呼吸和积极的想象技巧来控制压力。- 对自己的回答表现出信心，但不要过度自信。### 采访后跟进1. **总结您的面试过程**：- 反思哪些方面行之有效以及需要改进的地方。- 对那些在采访中支持你的人表示感谢。2. **规划职业道路**：- 根据经验重新评估短期和长期职业目标。- 与同事、导师或人力资源联系人讨论后续步骤。3. **持续学习**：- 及时了解学术论文之外的最新 ML 技术和软件工程实践。- 参与社区讨论、参加研讨会/网络研讨会并阅读行业博客。4. **为新角色做准备**：- 在开始之前熟悉新技术堆栈和公司文化。- 设定学习里程碑，以在加入后快速弥补知识差距。＃＃＃ 结论成为 MLE 的旅程是独特的，需要技术专业知识、系统设计理解和软技能的结合。通过充分准备、在面试时保持冷静、面试后反思以及不断学习，您可以增加获得机器学习工程师梦想职位的机会。
米尔斯州长签署行政命令成立人工智能工作组
州长珍妮特·米尔斯签署了一项行政命令，成立了一个特别工作组，以应对可能改变就业和经济的不断增长的人工智能进步。缅因州人工智能工作组将包括来自各个部门的领导者，研究人工智能的机遇和挑战，在 2025 年 10 月 31 日之前准备政策建议，并确保人工智能的好处最大化，同时最大限度地降低居民和企业的风险。
人工智能生成的反犹太主义深度伪造图像正在增加
反犹太主义政策信托基金的一项研究揭示了人工智能生成的无法检测的反犹太深度伪造图像的兴起，给犹太社区带来了重大风险。该报告强调，现有的软件很难识别这些深度赝品，因为它们的复杂性和看似无辜的图像中隐藏着仇恨符号。研究人员发现了 51 个含有反犹太内容的 AI 深度赝品，包括将犹太人刻板地描述为邪恶人物以及对以色列-巴勒斯坦问题的情感操纵。反犹太主义政策信托基金负责人丹尼·斯通呼吁政府紧急领导和监管改革，以解决当前打击网络仇恨措施的不足问题。
这两只人工智能(AI)股会在2025年继续快速上涨吗？|杂七杂八的傻瓜
人工智能市场将大幅增长，预计到 2030 年，年总市值将超过 8000 亿美元。 Palantir Technologies 和 SoundHound AI 等公司正从这一趋势中受益，由于其人工智能技术，其股价将在 2024 年大幅上涨。然而，尽管存在长期增长前景，但这些股票的极端估值引发了人们对潜在波动和风险的担忧。两家公司都在扩大客户群并增加收入，但盈利能力仍然是一个挑战。投资者在考虑未来投资人工智能相关股票时，应意识到与高增长、不盈利的科技公司相关的风险。
2025年展望问答：人工智能在财富管理领域的演变
ARQA 由 Haik Sahakyan 和 Peter DiLorenzo 于 2022 年创立，推出了两款产品：用于实时财务文档分析的 KorScript 和作为顾问助手的 ARQA AI。该公司最近摆脱了隐秘模式，并获得了多个合作伙伴关系。Sahakyan强调狭义人工智能专注于数据处理和质量监控以增强对财富管理平台的信任的重要性。ARQA 旨在自动化繁琐的任务，提高数据质量，并与 Addepar 和 Orion 等系统集成。该公司目前拥有 35 名员工，主要是亚美尼亚的开发商，已筹集了约 650 万美元的种子资金用于运营，直至计划于 2025 年进行 A 轮融资。
机器学习中的主动学习：它是什么以及如何使用它
主动学习确实是一种强大的技术，可以帮助机器学习模型以更少的标记数据点实现更高的准确性，从而降低成本并加速模型开发。让我们更深入地研究与主动学习相关的好处、用例和工具。### 主动学习的主要好处1. **降低标记成本**：手动标记大型数据集可能非常昂贵且耗时。主动学习通过仅选择信息最丰富的数据点进行标记来解决此问题，从而降低总体成本。2. **更快的收敛**：通过关注高影响力的数据样本，主动学习有助于模型更快地达到收敛，这在迭代开发周期中至关重要。3. **提高准确性**：主动学习算法优先考虑将为模型性能提供最显着改进的数据，从而获得更高的准确性和更好的泛化能力。4. **可扩展性**：随着数据集变得越来越大，手动标记所有数据变得不切实际。主动学习有助于保持可管理的标签工作，同时仍然实现高质量的模型。### 用例1. **自然语言处理（NLP）**：- **情感分析**：识别歧义或新颖的句子以供专家评审。- **命名实体识别**：仅标记信息最丰富的实体，以快速提高模型准确性。2. **医学诊断**：- **放射学和病理学**：专注于需要人工监督的复杂病例，例如医学图像中的异常异常。3. **语音识别**：- 通过选择对模型最具代表性或最具挑战性的样本来有效地标记语音数据。4. **欺诈检测**：- 识别偏离正常行为模式的可疑交易，实现更有效的人工审查。5. **自动驾驶车辆**：- 训练模型来处理现实驾驶数据中遇到的边缘情况和罕见场景。6. **药物发现**：- 根据潜在影响选择化合物进行进一步研究，减少大量实验测试的需要。7. **图像分类**：- 优先考虑最模糊或最具代表性的图像，提高模型性能，而无需标记大型数据集中的每个图像。### 顶级主动学习工具1. **亚马逊增强人工智能 (A2I)**：- 为机器学习应用程序提供人工审核服务，重点关注具有挑战性的数据点。2. **水族馆**：- 一个能够持续监控和验证机器学习模型的平台，结合主动学习技术来随着时间的推移提高模型性能。3. **深度检查**：- 通过识别数据集中的问题并突出显示需要人工审查的领域，提供用于验证和测试机器学习模型的工具。4. **编码**：- 一个协作平台，可帮助团队有效管理数据标记流程，结合主动学习算法来确定高价值数据的优先级。5.**V7**：- 提供用于数据集管理、注释和模型训练的综合套件，包括用于优化标记工作的主动学习功能。### 在您的项目中实施主动学习1. **从试点项目开始**：首先将主动学习技术应用于较小的数据集或收益最明显的特定用例。2. **评估性能指标**：跟踪每个标记数据点的准确性改进和收敛时间等指标，以评估主动学习策略的有效性。3. **迭代和完善**：根据性能反馈不断完善您的方法，根据需要调整算法和策略。4. **利用现有工具**：利用 Amazon A2I、Aquarium、Deepchecks、Encord 和 V7 等工具来简化项目中主动学习的实施。5. **与专家合作**：聘请领域专家和数据科学家来确定标记的最关键数据点，确保模型受益于高质量的输入。通过将主动学习纳入机器学习工作流程，您可以实现更高效、更具成本效益的模型开发，最终在各个领域实现性能更佳的 AI 系统。
第 17 周 NFL 投注指南、赔率、道具：AI、模型、专家、连赢、DFS、整个赛季的幻想精选揭晓
根据所提供的信息，以下是 NFL 第 17 周的一些关键投注见解和分析：### 酋长队对阵钢人队（圣诞节）- **SportsLine 的模型预测**：模型倾向于大盘 (43)，预计总分 44 分。- **AI 玩家道具选择**：Najee Harris 冲球码数超过 43.5 码，预计 58.1 码，强烈推荐。### 乌鸦队对阵德州人队（圣诞节）- **SportsLine 的模型预测**：模型倾向于大盘 (47)，预计总分为 51 分。- **专家选择**：Jason La Canfora 的 ATS 成绩为 69-50，并且喜欢这款游戏的某些方面，尽管摘要中没有详细说明具体的选择。### 海鹰队 vs. 熊队（周四橄榄球之夜）- **SportsLine 的模型预测**：该模型有利于 Under (43.5)，预计总数低于当前市场。- **AI 玩家道具选择**：DK Metcalf 超过 4.5 次接球，预计接球 5.7 次，强烈推荐。### 一般见解1. **趋势和热门专家**：- Micah Roberts 在最近的选秀中非常成功，ATS 战绩为 44 胜 33 负。- Jason La Canfora 在乌鸦队的选秀中取得了 69-50 的稳定战绩。2. **价值投注**：- 推荐几个强力的道具投注，例如 Najee Harris 的冲球码和 DK Metcalf 的接球。### 体育博彩促销Caesars、BetMGM、FanDuel、DraftKings、Bet365 和 Fanatics 等体育博彩公司为新用户提供各种促销活动：- **凯撒**：1 美元投注，接下来 10 次投注有机会获得双倍奖金，最高可达 25 美元。- **BetMGM 和 DraftKings**：如果您的第一笔投注失败，则可获得高达 1,500 美元的免费投注。- **FanDuel 和 Bet365**：为新用户提供类似的奖金，通常包括免费投注促销。### 推荐方法1. **明智地利用促销活动**：利用体育博彩的注册优惠和无风险投注，最大限度地提高潜在支出。2. **专注于价值选择**：- 根据 AI 模型，将 Najee Harris 的冲球码数和 DK Metcalf 的接球视为强大的球员道具选择。3. **考虑趋势和热手**：- 鉴于 Micah Roberts 和 Jason La Canfora 最近的成功率，倾向于他们。通过遵循这些见解并有效利用促销活动，您可以增强 NFL 赛季第 17 周的投注策略。
