全部新闻
Amazon Bedrock 为 WPS AI 提供支持，以提高办公软件生产力
2025-01-19 18:42:15
WPS 已将 Amazon Bedrock 集成到其办公软件中，以增强拼写检查、内容重写和自动幻灯片生成等功能，从而提高效率和用户体验。AWS 和 WPS 之间的合作将开发成本降低了 35%，并将发布时间缩短至两个月，同时确保了强大的数据安全性和合规性。这种集成体现了生成式人工智能与 ERP 系统结合时如何简化各种业务流程中的运营效率和决策。
WPS 已将 Amazon Bedrock 集成到其办公软件中，以增强拼写检查、内容重写和自动幻灯片生成等功能，从而提高效率和用户体验。AWS 和 WPS 之间的合作将开发成本降低了 35%，并将发布时间缩短至两个月，同时确保了强大的数据安全性和合规性。这种集成体现了生成式人工智能与 ERP 系统结合时如何简化各种业务流程中的运营效率和决策。
人工智能工具帮助科学家预测病毒的进化
2025-01-19 18:18:23
COVID-19 大流行凸显了更好地预测和应对新出现的传染病的必要性。人工智能 (AI) 已成为这项工作的潜在工具，特别是在预测 SARS-CoV-2 等现有病毒可能如何进化方面。AlphaFold 和 EVEscape 等人工智能模型正在帮助研究人员预测病毒突变，尽管目前在预测重大进化变化方面存在局限性。由于有大量数据可用于训练这些模型，人工智能对于应对未来的流行病和疫情爆发变得越来越重要。
COVID-19 大流行凸显了更好地预测和应对新出现的传染病的必要性。人工智能 (AI) 已成为这项工作的潜在工具，特别是在预测 SARS-CoV-2 等现有病毒可能如何进化方面。AlphaFold 和 EVEscape 等人工智能模型正在帮助研究人员预测病毒突变，尽管目前在预测重大进化变化方面存在局限性。由于有大量数据可用于训练这些模型，人工智能对于应对未来的流行病和疫情爆发变得越来越重要。
谷歌竞争对手 Perplexity 在美国政府关门之际寻求合并 TikTok
2025-01-19 17:55:00
Perplexity AI 是一家成立于 2022 年的初创公司，既是搜索引擎也是人工智能聊天机器人，它已向字节跳动提交了与 TikTok 美国业务合并的报价。此举可能会使 Perplexity 成为谷歌更强大的竞争对手。最高法院维持了禁止 TikTok 的联邦法律，除非字节跳动出售其美国业务，导致 TikTok 在美国暂时关闭。为 TikTok 提供云服务的甲骨文将面临长期关闭或出售 TikTok 带来的财务损失。Perplexity 的提案包括新的资本合作伙伴，估值为 80 亿美元，投资者包括 Jeff Bezos、Nvidia 和 New Enterprise Associates。由于埃隆·马斯克 (Elon Musk) 为特朗普担任顾问，他也被视为 TikTok 的潜在竞购者。
Perplexity AI 是一家成立于 2022 年的初创公司，既是搜索引擎也是人工智能聊天机器人，它已向字节跳动提交了与 TikTok 美国业务合并的报价。此举可能会使 Perplexity 成为谷歌更强大的竞争对手。最高法院维持了禁止 TikTok 的联邦法律，除非字节跳动出售其美国业务，导致 TikTok 在美国暂时关闭。为 TikTok 提供云服务的甲骨文将面临长期关闭或出售 TikTok 带来的财务损失。Perplexity 的提案包括新的资本合作伙伴，估值为 80 亿美元，投资者包括 Jeff Bezos、Nvidia 和 New Enterprise Associates。由于埃隆·马斯克 (Elon Musk) 为特朗普担任顾问，他也被视为 TikTok 的潜在竞购者。
预测：到 2030 年，这两只人工智能 (AI) 股票的价值可能超过 Palantir
2025-01-19 17:29:00
自 2024 年初以来，Palantir 的股价已飙升 320%，但由于与 Snowflake 和 CrowdStrike 相比其收入增长较慢，因此面临估值担忧。Palantir 目前估值为 1600 亿美元，交易溢价高达历史销售额的 61 倍，而 Snowflake 和 CrowdStrike 的增长速度更快，如果实现盈利，到 2030 年可能赶上或超过 Palantir 的估值。尽管 Palantir 是这三家公司中唯一盈利的公司，但其昂贵的股价可能无法证明未来的增长预期，除非它显着加速收入增长。帕兰提尔
自 2024 年初以来，Palantir 的股价已飙升 320%，但由于与 Snowflake 和 CrowdStrike 相比其收入增长较慢，因此面临估值担忧。Palantir 目前估值为 1600 亿美元，交易溢价高达历史销售额的 61 倍，而 Snowflake 和 CrowdStrike 的增长速度更快，如果实现盈利，到 2030 年可能赶上或超过 Palantir 的估值。尽管 Palantir 是这三家公司中唯一盈利的公司，但其昂贵的股价可能无法证明未来的增长预期，除非它显着加速收入增长。帕兰提尔
人工智能可能会摧毁我们所知的民主 |信
2025-01-19 17:27:00
有关人工智能的社论和文章讨论了治理，但忽视了它对劳动力市场和民主的影响。从历史上看，议会民主国家一直依赖有组织的劳工与资本就财富分配进行谈判的能力。然而，人工智能革命可能会减少对人类劳动力的依赖，从而潜在地削弱工人组织和社会民主党的经济基础。这就引发了有关控制资本、防止企业统治、确保财富重新分配以及维持足够的收入水平以维持需求的问题。
有关人工智能的社论和文章讨论了治理，但忽视了它对劳动力市场和民主的影响。从历史上看，议会民主国家一直依赖有组织的劳工与资本就财富分配进行谈判的能力。然而，人工智能革命可能会减少对人类劳动力的依赖，从而潜在地削弱工人组织和社会民主党的经济基础。这就引发了有关控制资本、防止企业统治、确保财富重新分配以及维持足够的收入水平以维持需求的问题。
当地活动
2025-01-19 17:22:05
没有提供可供摘要的新闻内容。请提供用于生成摘要的文章或新闻文本。
没有提供可供摘要的新闻内容。请提供用于生成摘要的文章或新闻文本。
Maker 将旧的 Roomba 真空吸尘器变成由 Raspberry Pi 驱动的人工智能喂狗机器人
2025-01-19 17:05:00
创客 Joaquim Silveira 使用 Raspberry Pi 4 将旧的 Roomba 吸尘器改造为人工智能驱动的机器人，由外部电池组和 5V Arduino Mega 作为电平转换器供电。该机器人使用摄像头模块进行实时图像捕捉，以检测西尔维拉的狗的存在并自动分发零食。该项目利用 NASA 的 JPL Fprime 软件进行操作，并利用 Tensorflow 进行 AI 图像识别，所有源代码均可在 GitHub 上获取。
创客 Joaquim Silveira 使用 Raspberry Pi 4 将旧的 Roomba 吸尘器改造为人工智能驱动的机器人，由外部电池组和 5V Arduino Mega 作为电平转换器供电。该机器人使用摄像头模块进行实时图像捕捉，以检测西尔维拉的狗的存在并自动分发零食。该项目利用 NASA 的 JPL Fprime 软件进行操作，并利用 Tensorflow 进行 AI 图像识别，所有源代码均可在 GitHub 上获取。
如何使用 MLflow 记录数据
2025-01-19 17:04:43
记录数据集是任何机器学习项目中的关键步骤，因为它可以确保实验的透明度、可重复性和可追溯性。在本文中，我们将探讨如何使用 MLflow 的“mlflow.data”模块来记录训练和评估数据集。我们将涵盖两个主要方面：1. **使用 `mlflow.log_input()` API 记录训练数据集**2. **使用“mlflow.evaluate()”评估模型时记录评估数据集**让我们深入了解细节。### 1. 使用 `mlflow.log_input()` 记录训练数据集要记录训练数据集，您可以使用“mlflow.data”模块创建数据集对象，然后使用“mlflow.log_input”记录它。这是一个例子：````蟒蛇导入流量# 将数据定义为 pandas DataFrametrain_data = pd.DataFrame({'feature_1': [0.1, 0.2, 0.3],“标签”：[1,0,1]})# 使用mlflow.data创建数据集对象数据集 = mlflow.data.from_pandas(train_data)# 使用 MLflow 记录数据集使用 mlflow.start_run() 运行：mlflow.log_input（数据集，上下文=“训练”）````这会记录训练数据及其元数据。记录的数据集将显示在相应实验下的 MLflow UI 中。### 2. 使用“mlflow.evaluate()”评估模型时记录评估数据集要记录评估数据集并在模型评估期间自动获取性能指标，您可以使用“mlflow.evaluate”。这是一个例子：````蟒蛇导入流量从 sklearn.datasets 导入 load_breast_cancer从 sklearn.model_selection 导入 train_test_split从 sklearn.ensemble 导入 RandomForestClassifier# 加载乳腺癌数据集数据 = load_breast_cancer()X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2, random_state=42)# 训练模型（随机森林分类器）模型 = RandomForestClassifier(random_state=42)model.fit(X_train, y_train)# 创建评估数据集eval_data = pd.DataFrame(X_test, columns=data.feature_names)eval_labels = pd.Series(y_test)# 使用 mlflow.data.from_pandas 记录评估数据集使用 mlflow.start_run() 运行：eval_dataset = mlflow.data.from_pandas(eval_data)mlflow.log_input（eval_dataset，上下文=“评估”）# 评估模型和日志指标结果 = mlflow.evaluate(型号=型号，数据=评估数据集，目标=评估标签，评估者=[“默认”]）````在这个例子中：- 我们加载乳腺癌数据集并将其分为训练集和评估集。- 我们训练一个“RandomForestClassifier”。- 我们使用“mlflow.data.from_pandas”为评估数据创建一个 MLflow PandasDataset。- 我们使用“mlflow.log_input”记录评估数据集，然后评估模型。### 默认评估器记录的重要指标当您在“mlflow.evaluate”中使用“default”评估器时，会自动记录几个重要指标：- **example_count**：用于评估的示例数量。- **均值绝对误差**、**均方误差**、**均方根误差**- **目标总和**，**目标平均值**- **r2_分数**- **最大错误**- **平均绝对百分比误差**这些指标提供了模型性能的全面概述。### 输出示例当您运行评估时，MLflow 会记录以下指标：````蟒蛇指标={“示例计数”：5160，'mean_absolute_error': np.float64(0.32909333102713195),'mean_squared_error': np.float64(0.2545599452819612),'root_mean_squared_error': np.float64(0.5045393396772557),'sum_on_target': np.float64(10646.03931999994),'mean_on_target': np.float64(2.0631859147286704),'r2_score'：0.8076205696273513，'最大错误': np.float64(3.626845299999994),'mean_absolute_percentage_error': np.float64(0.1909308987066793)}````### 记录数据集的好处- **可重复性**：您可以轻松地重复您的实验。- **问责制**：跟踪用于培训和评估的数据。- **审计跟踪**：跟踪数据集随时间的变化。通过记录训练和评估数据集，您可以确保您的 ML 项目透明、可重现且记录齐全。这对于维持机器学习工作流程的高质量和可靠性标准至关重要。＃＃＃ 结论使用 MLflow 的“mlflow.data”模块来记录数据集，为跟踪数据沿袭和全面评估模型提供了一个强大的框架。通过利用“mlflow.log_input()”和“mlflow.evaluate()”，您可以确保您的实验有详细记录、可重复且可靠。当您继续处理您的项目时，请随意探索 MLflow 的更多高级功能！如果您有任何疑问或需要进一步帮助，请访问社区论坛或文档。快乐编码！🚀````蟒蛇# 示例：使用 `mlflow.log_input()` 通过 MLflow 记录数据集导入流量从 sklearn.datasets 导入 load_boston从 sklearn.model_selection 导入 train_test_split从 sklearn. Linear_model 导入 LinearRegression将 pandas 导入为 pd# 加载波士顿住房数据集并将其分为训练集和评估集波士顿数据 = load_boston()X_train, X_val, y_train, y_val = train_test_split(boston_data.data, boston_data.target, test_size=0.2)# 训练线性回归模型模型=线性回归()model.fit(X_train, y_train)# 将评估数据转换为pandas DataFrameeval_data = pd.DataFrame(X_val, columns=boston_data.feature_names)eval_labels = pd.Series(y_val)# 记录训练数据集使用 mlflow.start_run() 运行：train_dataset = mlflow.data.from_pandas(pd.DataFrame(X_train, columns=boston_data.feature_names))mlflow.log_input(train_dataset, context="training")# 评估模型和日志指标eval_result = mlflow.evaluate(型号=型号，数据=评估数据，目标=评估标签，评估者=[“默认”]）# 显示记录的指标打印（评估结果.指标）````此示例演示如何训练线性回归模型、将数据集拆分为训练集和评估集、使用 MLflow 记录两个数据集以及评估模型的性能。然后显示评估的指标。有关更高级的用例和其他功能，请参阅 [MLflow 文档](https://mlflow.org/docs/latest/index.html)。愉快地尝试 MLflow！🚀🚀🚀
记录数据集是任何机器学习项目中的关键步骤，因为它可以确保实验的透明度、可重复性和可追溯性。在本文中，我们将探讨如何使用 MLflow 的“mlflow.data”模块来记录训练和评估数据集。我们将涵盖两个主要方面：1. **使用 `mlflow.log_input()` API 记录训练数据集**2. **使用“mlflow.evaluate()”评估模型时记录评估数据集**让我们深入了解细节。### 1. 使用 `mlflow.log_input()` 记录训练数据集要记录训练数据集，您可以使用“mlflow.data”模块创建数据集对象，然后使用“mlflow.log_input”记录它。这是一个例子：````蟒蛇导入流量# 将数据定义为 pandas DataFrametrain_data = pd.DataFrame({'feature_1': [0.1, 0.2, 0.3],“标签”：[1,0,1]})# 使用mlflow.data创建数据集对象数据集 = mlflow.data.from_pandas(train_data)# 使用 MLflow 记录数据集使用 mlflow.start_run() 运行：mlflow.log_input（数据集，上下文=“训练”）````这会记录训练数据及其元数据。记录的数据集将显示在相应实验下的 MLflow UI 中。### 2. 使用“mlflow.evaluate()”评估模型时记录评估数据集要记录评估数据集并在模型评估期间自动获取性能指标，您可以使用“mlflow.evaluate”。这是一个例子：````蟒蛇导入流量从 sklearn.datasets 导入 load_breast_cancer从 sklearn.model_selection 导入 train_test_split从 sklearn.ensemble 导入 RandomForestClassifier# 加载乳腺癌数据集数据 = load_breast_cancer()X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2, random_state=42)# 训练模型（随机森林分类器）模型 = RandomForestClassifier(random_state=42)model.fit(X_train, y_train)# 创建评估数据集eval_data = pd.DataFrame(X_test, columns=data.feature_names)eval_labels = pd.Series(y_test)# 使用 mlflow.data.from_pandas 记录评估数据集使用 mlflow.start_run() 运行：eval_dataset = mlflow.data.from_pandas(eval_data)mlflow.log_input（eval_dataset，上下文=“评估”）# 评估模型和日志指标结果 = mlflow.evaluate(型号=型号，数据=评估数据集，目标=评估标签，评估者=[“默认”]）````在这个例子中：- 我们加载乳腺癌数据集并将其分为训练集和评估集。- 我们训练一个“RandomForestClassifier”。- 我们使用“mlflow.data.from_pandas”为评估数据创建一个 MLflow PandasDataset。- 我们使用“mlflow.log_input”记录评估数据集，然后评估模型。### 默认评估器记录的重要指标当您在“mlflow.evaluate”中使用“default”评估器时，会自动记录几个重要指标：- **example_count**：用于评估的示例数量。- **均值绝对误差**、**均方误差**、**均方根误差**- **目标总和**，**目标平均值**- **r2_分数**- **最大错误**- **平均绝对百分比误差**这些指标提供了模型性能的全面概述。### 输出示例当您运行评估时，MLflow 会记录以下指标：````蟒蛇指标={“示例计数”：5160，'mean_absolute_error': np.float64(0.32909333102713195),'mean_squared_error': np.float64(0.2545599452819612),'root_mean_squared_error': np.float64(0.5045393396772557),'sum_on_target': np.float64(10646.03931999994),'mean_on_target': np.float64(2.0631859147286704),'r2_score'：0.8076205696273513，'最大错误': np.float64(3.626845299999994),'mean_absolute_percentage_error': np.float64(0.1909308987066793)}````### 记录数据集的好处- **可重复性**：您可以轻松地重复您的实验。- **问责制**：跟踪用于培训和评估的数据。- **审计跟踪**：跟踪数据集随时间的变化。通过记录训练和评估数据集，您可以确保您的 ML 项目透明、可重现且记录齐全。这对于维持机器学习工作流程的高质量和可靠性标准至关重要。＃＃＃ 结论使用 MLflow 的“mlflow.data”模块来记录数据集，为跟踪数据沿袭和全面评估模型提供了一个强大的框架。通过利用“mlflow.log_input()”和“mlflow.evaluate()”，您可以确保您的实验有详细记录、可重复且可靠。当您继续处理您的项目时，请随意探索 MLflow 的更多高级功能！如果您有任何疑问或需要进一步帮助，请访问社区论坛或文档。快乐编码！🚀````蟒蛇# 示例：使用 `mlflow.log_input()` 通过 MLflow 记录数据集导入流量从 sklearn.datasets 导入 load_boston从 sklearn.model_selection 导入 train_test_split从 sklearn. Linear_model 导入 LinearRegression将 pandas 导入为 pd# 加载波士顿住房数据集并将其分为训练集和评估集波士顿数据 = load_boston()X_train, X_val, y_train, y_val = train_test_split(boston_data.data, boston_data.target, test_size=0.2)# 训练线性回归模型模型=线性回归()model.fit(X_train, y_train)# 将评估数据转换为pandas DataFrameeval_data = pd.DataFrame(X_val, columns=boston_data.feature_names)eval_labels = pd.Series(y_val)# 记录训练数据集使用 mlflow.start_run() 运行：train_dataset = mlflow.data.from_pandas(pd.DataFrame(X_train, columns=boston_data.feature_names))mlflow.log_input(train_dataset, context="training")# 评估模型和日志指标eval_result = mlflow.evaluate(型号=型号，数据=评估数据，目标=评估标签，评估者=[“默认”]）# 显示记录的指标打印（评估结果.指标）````此示例演示如何训练线性回归模型、将数据集拆分为训练集和评估集、使用 MLflow 记录两个数据集以及评估模型的性能。然后显示评估的指标。有关更高级的用例和其他功能，请参阅 [MLflow 文档](https://mlflow.org/docs/latest/index.html)。愉快地尝试 MLflow！🚀🚀🚀
2025 年更好的人工智能 (AI) 股票：Nvidia 与 Microsoft
2025-01-19 17:00:00
英伟达和微软是人工智能（AI）市场的主要参与者。虽然微软的 ChatGPT 引发了人工智能热潮，但 Nvidia 的 GPU 对于训练底层模型至关重要。随着其他科技巨头加入人工智能竞赛，对英伟达芯片的需求激增，显着提高了其收入和利润。尽管微软逐渐受益于人工智能投资，预计 2025 财年收入增长率约为 14%，但英伟达预计本财年增长率将超过 100%，明年将接近 52%。这表明英伟达在不久的将来可能会继续跑赢微软，分析师预测英伟达的股价可能上涨 33%，而微软的股价预计上涨 20%。英伟达
英伟达和微软是人工智能（AI）市场的主要参与者。虽然微软的 ChatGPT 引发了人工智能热潮，但 Nvidia 的 GPU 对于训练底层模型至关重要。随着其他科技巨头加入人工智能竞赛，对英伟达芯片的需求激增，显着提高了其收入和利润。尽管微软逐渐受益于人工智能投资，预计 2025 财年收入增长率约为 14%，但英伟达预计本财年增长率将超过 100%，明年将接近 52%。这表明英伟达在不久的将来可能会继续跑赢微软，分析师预测英伟达的股价可能上涨 33%，而微软的股价预计上涨 20%。英伟达
量子计算与传统人工智能：哪些科技股是 2025 年的必备品？|杂七杂八的傻瓜
2025-01-19 16:20:00
在 Alphabet 宣布推出新型量子芯片 Willow 后，量子计算股票的表现出现波动，据报道该芯片的错误率呈指数级下降，并且在基准测试中表现优于超级计算机。然而，英伟达 (Nvidia) 的黄仁勋 (Jensen Huang) 和 Meta Platforms 的马克·扎克伯格 (Mark Zuckerberg) 等知名科技首席执行官对量子计算的直接用途表示怀疑，导致小盘纯量子股票暴跌。尽管如此，一些公司仍在捍卫自己的技术和商业模式。尽管量子计算的潜力存在争议，但由于人工智能目前对各行业的颠覆性影响，它被认为是一项更有前途的投资。该文章强调美光科技和台积电是 2025 年引人注目的人工智能股票投资，理由是人工智能的强劲需求和先进芯片制造的增长前景。
在 Alphabet 宣布推出新型量子芯片 Willow 后，量子计算股票的表现出现波动，据报道该芯片的错误率呈指数级下降，并且在基准测试中表现优于超级计算机。然而，英伟达 (Nvidia) 的黄仁勋 (Jensen Huang) 和 Meta Platforms 的马克·扎克伯格 (Mark Zuckerberg) 等知名科技首席执行官对量子计算的直接用途表示怀疑，导致小盘纯量子股票暴跌。尽管如此，一些公司仍在捍卫自己的技术和商业模式。尽管量子计算的潜力存在争议，但由于人工智能目前对各行业的颠覆性影响，它被认为是一项更有前途的投资。该文章强调美光科技和台积电是 2025 年引人注目的人工智能股票投资，理由是人工智能的强劲需求和先进芯片制造的增长前景。