全部新闻
SENTIENT启动网格，以从开放AI代理 - Siliconangle连接和赚钱
2025-08-15 16:00:41
Soncient Foundation推出了Grid，这是一个开源平台，旨在开发人员在各种现实世界环境中进行货币化和协调AI代理。与OpenAI和AWS提供的专有市场不同，电网是开发人员主导的，所有人都可以访问。在启动时，它具有40多种专业AI代理，50个数据源以及10多种型号，包括生成图形发动机Napkin和Search Startup Exa Inc.等。该平台支持代理之间的合成性，允许用户通过各种AI代理通过SONTITENT聊天组合多个请求。当用户实时与其创作互动时，开发人员可以赚取基于代币的奖励，从而促进可以集成和货币化的开放AI“伪像”的生态系统。该网格还通过提供清晰的出处和自定义选项的多元化AI代理生态系统的访问来使用户受益，并由Sentient的开源技术套件提供支持，包括Dobby，Open Deep Search和Recursive Open Open Meta-Agent。
Soncient Foundation推出了Grid，这是一个开源平台，旨在开发人员在各种现实世界环境中进行货币化和协调AI代理。与OpenAI和AWS提供的专有市场不同，电网是开发人员主导的，所有人都可以访问。在启动时，它具有40多种专业AI代理，50个数据源以及10多种型号，包括生成图形发动机Napkin和Search Startup Exa Inc.等。该平台支持代理之间的合成性，允许用户通过各种AI代理通过SONTITENT聊天组合多个请求。当用户实时与其创作互动时，开发人员可以赚取基于代币的奖励，从而促进可以集成和货币化的开放AI“伪像”的生态系统。该网格还通过提供清晰的出处和自定义选项的多元化AI代理生态系统的访问来使用户受益，并由Sentient的开源技术套件提供支持，包括Dobby，Open Deep Search和Recursive Open Open Meta-Agent。
特朗普跟踪AI芯片发货在他的出口控制中暴露了缺陷
2025-08-15 15:42:18
美国当局正在秘密跟踪戴尔，超级微型，NVIDIA和AMD等公司的高级AI芯片发货，以防止非法转移到中国。这种做法涉及将位置跟踪设备放置在商务部工业和安全局，国土安全调查和联邦调查局的高风险货物中。尽管一些公司拒绝发表评论或否认参与，但由于黑人市场不断增长，高级芯片的黑市不断增长，并且中国自给自足的人工智能技术中的中国自给自足，控制芯片出口的努力在很大程度上未能遏制中国的AI增长。
美国当局正在秘密跟踪戴尔，超级微型，NVIDIA和AMD等公司的高级AI芯片发货，以防止非法转移到中国。这种做法涉及将位置跟踪设备放置在商务部工业和安全局，国土安全调查和联邦调查局的高风险货物中。尽管一些公司拒绝发表评论或否认参与，但由于黑人市场不断增长，高级芯片的黑市不断增长，并且中国自给自足的人工智能技术中的中国自给自足，控制芯片出口的努力在很大程度上未能遏制中国的AI增长。
本周在AI中：Peloton Taps AI和Cohere Nets nets资金供开放式|pymnts.com
2025-08-15 15:20:42
- Peloton计划早在10月才推出新的AI功能，包括集成的AI平台和更新的设备。 - Cohere是一家与OpenAI竞争的加拿大初创公司，已为以企业为中心的AI型号筹集了5亿美元。 - 拟人化向美国政府机构提供其Claude Chatbot，每家代理商为1年的费用一年。 - 麻省理工学院的基本研究实验室推出了快捷方式，这是一种代理AI工具，旨在通过自然语言提示自动化复杂的Excel任务。
- Peloton计划早在10月才推出新的AI功能，包括集成的AI平台和更新的设备。 - Cohere是一家与OpenAI竞争的加拿大初创公司，已为以企业为中心的AI型号筹集了5亿美元。 - 拟人化向美国政府机构提供其Claude Chatbot，每家代理商为1年的费用一年。 - 麻省理工学院的基本研究实验室推出了快捷方式，这是一种代理AI工具，旨在通过自然语言提示自动化复杂的Excel任务。
2025-08-15 15:17:00
2025-08-15 15:13:00
2025-08-15 15:07:00
2025-08-15 14:28:50
安全自动驾驶的新技术：使用人工智能预测行人行为并防止事故
2025-08-15 14:11:31
帕德伯恩大学（Paderborn University）的一个新研究项目旨在开发基于AI的系统，使自动驾驶汽车在行人行为发生之前预测行为，从而提高道路安全性。博士。Sandra Gausemeier和Rer博士。医生。蒂姆·莱曼（Tim Lehmann）正在对真正的城市场景中的人类决策进行实验研究，以创建自动驾驶汽车的预测算法。该项目旨在将人工智能与神经认知分析相结合，以了解复杂的人类运动模式并可靠地预测行人意图，并可能减少涉及自动驾驶汽车和行人的事故。
帕德伯恩大学（Paderborn University）的一个新研究项目旨在开发基于AI的系统，使自动驾驶汽车在行人行为发生之前预测行为，从而提高道路安全性。博士。Sandra Gausemeier和Rer博士。医生。蒂姆·莱曼（Tim Lehmann）正在对真正的城市场景中的人类决策进行实验研究，以创建自动驾驶汽车的预测算法。该项目旨在将人工智能与神经认知分析相结合，以了解复杂的人类运动模式并可靠地预测行人意图，并可能减少涉及自动驾驶汽车和行人的事故。
Narwal的新S30系列通过AI污垢检测和自我清洁来改善湿干真空
2025-08-15 14:00:00
Narwal发布了两个新的湿干真空吸尘器，即S30和S30 Pro，具有增强的吸力功能，AI调整的清洁强度和先进的自我清洁系统。这两种型号均配备一个自动缠结最小化系统，一个用于免提维护的智能基站以及单独的废物舱，以防止霉菌的生长。S30 Pro包括其他功能，例如自动洗涤剂分配和五种可调节清洁模式。这两种真空的价格均为499美元至549美元，将于8月15日开始使用。
Narwal发布了两个新的湿干真空吸尘器，即S30和S30 Pro，具有增强的吸力功能，AI调整的清洁强度和先进的自我清洁系统。这两种型号均配备一个自动缠结最小化系统，一个用于免提维护的智能基站以及单独的废物舱，以防止霉菌的生长。S30 Pro包括其他功能，例如自动洗涤剂分配和五种可调节清洁模式。这两种真空的价格均为499美元至549美元，将于8月15日开始使用。
在机器学习下对金融市场中欺诈检测的分析
2025-08-15 13:36:58
Jin和Zhang的研究调查了机器学习技术在金融市场中的欺诈检测的应用。这是他们工作的详细摘要：###研究背景和目标＃＃＃＃ 背景： - **金融欺诈**：金融市场欺诈对投资者，机构和经济体构成了重大风险。 - **机器学习（ML）**：ML提供高级工具，用于检测指示欺诈活动的模式。####目标： - 分析各种机器学习模型检测财务欺诈的有效性。 - 使用现实世界数据集评估模型性能。###方法论####数据收集：研究人员利用了来自各种来源的几个数据集，包括信用卡交易和公司财务数据。选择这些数据集来代表欺诈检测至关重要的财务活动的不同方面。####使用：1。**支持向量机（SVM）**：以分类任务而闻名。2。**随机森林**：一种有效处理不平衡数据的强大集合学习方法。3。**深度学习模型**： - 神经网络，包括BP（反向传播）神经网络。4。**逻辑回归**：用作比较的基线。####采用技术： - **功能选择**：确定影响欺诈可能性的关键变量。 - **在抽样上/下方**：解决数据集中的不平衡。 - **交叉验证**：确保模型的鲁棒性和概括性。＃＃＃ 结果####模型性能： - ** SVM **在平衡数据集中表现出很高的精度，但由于数据不平衡而表现不佳。 - **随机森林**在处理不平衡数据集的其他模型中，由于其固有的有效处理多个变量的能力。 - **深度学习模型**，尤其是神经网络，在复杂和大规模的金融交易方面提供了出色的表现。 - ** logistic回归**作为基准很好，但被更复杂的ML技术超越。####评估指标：- 准确性- 精确 - 召回（灵敏度）-F1得分＃＃＃ 讨论####关键发现：1。**模型选择**：对于平衡的数据集，SVM和深度学习模型表现最好。2。**不平衡数据集**：事实证明，随机森林在处理偏斜的班级分布方面是最有效的，这是由于其不平衡的稳健性。3。**特征重要**：某些财务特征，例如交易量，一天中的时间和地理位置，严重影响了欺诈检测准确性。####实际含义： - 该研究强调了基于数据集特征（例如平衡）的量身定制模型选择的需求。 - 在现实世界中，诸如随机森林和深度学习之类的先进技术在现实情况下提供了卓越的表现。 - 随着新型的财务欺诈类型的出现，需要定期更新功能集。＃＃＃ 结论研究表明，机器学习提供了可检测金融市场欺诈的强大工具。但是，选择合适的模型至关重要，考虑到数据集平衡和复杂性等因素。未来的工作应着重于开发组合多种技术以进一步增强检测能力的混合模型。###道德考虑 - 作者确保遵守有关数据处理和分析的道德准则。 - 没有进行人类或动物研究；所有方法都遵循相关法规和标准。###资金和致谢 - 这项研究未收到外部资金。 - 认可了两位作者（Jing Jin和Yongqing Zhang）的贡献，Jin在概念化，方法论和写作方面都有领先，而Zhang提供了社论支持和监督。###出版详细信息**期刊**：科学报告**卷**：15**文章编号**：29959** doi **：https：//doi.org/10.1038/s41598-025-15783-2该摘要封装了Jin和Zhang的研究的本质，强调了他们使用金融市场中机器学习的欺诈检测方法，以及对未来研究的关键发现和影响。
Jin和Zhang的研究调查了机器学习技术在金融市场中的欺诈检测的应用。这是他们工作的详细摘要：###研究背景和目标＃＃＃＃ 背景： - **金融欺诈**：金融市场欺诈对投资者，机构和经济体构成了重大风险。 - **机器学习（ML）**：ML提供高级工具，用于检测指示欺诈活动的模式。####目标： - 分析各种机器学习模型检测财务欺诈的有效性。 - 使用现实世界数据集评估模型性能。###方法论####数据收集：研究人员利用了来自各种来源的几个数据集，包括信用卡交易和公司财务数据。选择这些数据集来代表欺诈检测至关重要的财务活动的不同方面。####使用：1。**支持向量机（SVM）**：以分类任务而闻名。2。**随机森林**：一种有效处理不平衡数据的强大集合学习方法。3。**深度学习模型**： - 神经网络，包括BP（反向传播）神经网络。4。**逻辑回归**：用作比较的基线。####采用技术： - **功能选择**：确定影响欺诈可能性的关键变量。 - **在抽样上/下方**：解决数据集中的不平衡。 - **交叉验证**：确保模型的鲁棒性和概括性。＃＃＃ 结果####模型性能： - ** SVM **在平衡数据集中表现出很高的精度，但由于数据不平衡而表现不佳。 - **随机森林**在处理不平衡数据集的其他模型中，由于其固有的有效处理多个变量的能力。 - **深度学习模型**，尤其是神经网络，在复杂和大规模的金融交易方面提供了出色的表现。 - ** logistic回归**作为基准很好，但被更复杂的ML技术超越。####评估指标：- 准确性- 精确 - 召回（灵敏度）-F1得分＃＃＃ 讨论####关键发现：1。**模型选择**：对于平衡的数据集，SVM和深度学习模型表现最好。2。**不平衡数据集**：事实证明，随机森林在处理偏斜的班级分布方面是最有效的，这是由于其不平衡的稳健性。3。**特征重要**：某些财务特征，例如交易量，一天中的时间和地理位置，严重影响了欺诈检测准确性。####实际含义： - 该研究强调了基于数据集特征（例如平衡）的量身定制模型选择的需求。 - 在现实世界中，诸如随机森林和深度学习之类的先进技术在现实情况下提供了卓越的表现。 - 随着新型的财务欺诈类型的出现，需要定期更新功能集。＃＃＃ 结论研究表明，机器学习提供了可检测金融市场欺诈的强大工具。但是，选择合适的模型至关重要，考虑到数据集平衡和复杂性等因素。未来的工作应着重于开发组合多种技术以进一步增强检测能力的混合模型。###道德考虑 - 作者确保遵守有关数据处理和分析的道德准则。 - 没有进行人类或动物研究；所有方法都遵循相关法规和标准。###资金和致谢 - 这项研究未收到外部资金。 - 认可了两位作者（Jing Jin和Yongqing Zhang）的贡献，Jin在概念化，方法论和写作方面都有领先，而Zhang提供了社论支持和监督。###出版详细信息**期刊**：科学报告**卷**：15**文章编号**：29959** doi **：https：//doi.org/10.1038/s41598-025-15783-2该摘要封装了Jin和Zhang的研究的本质，强调了他们使用金融市场中机器学习的欺诈检测方法，以及对未来研究的关键发现和影响。