全新AutoAI功能将通过自动化和加速时间密集型数据流程,加速人工智能开发,同时解放数据科学家,使他们能够更加专注于机器学习
IBM宣布推出AutoAI,这是IBM Watson Studio上又一全新功能,旨在帮助企业实现人工智能设计、优化和管理等环节的自动化。如此,数据科学家们便可以腾出更多时间投入到机器学习模型的设计、测试和部署等工作上来。
尽管人们已经意识到人工智能在商业中越来越高的战略价值,但大多数组织还仍在努力应对基础信息架构方面的挑战。寻找、收集和整理零散、孤立的数据,并将这些数据准备好用作分析与机器学习,这些繁琐的工作往往减慢了人工智能的开发。Forrester近期发表的一篇报告中称,60%的受访者表示,管理数据质量是实现人工智能所面临的最大挑战之一,另有44%的受访者将这一挑战归结为数据的准备。
对于没有数据科学家的企业来说,人工智能项目面临着更大的挑战。IBM商业价值研究院在一项题为《向企业级人工智能的转变》(Shifting Toward Enterprise-Grade AI) 的研究中指出,63%的受访者表示,缺乏适当的技术、技能是企业实施人工智能所面临的主要挑战。
Watson Studio全新AutoAI功能与Watson Machine Learning相结合,将能够帮助企业加速并实现人工智能生命周期中各个步骤的自动化,从而解决上述挑战。
全新AutoAI功能专门为加速企业人工智能开发而设计,使那些极其耗时的数据准备和预处理环节实现自动化,例如模型开发、功能工程等。目前,企业已可以在基于IBM云的Watson Studio上使用此功能。AutoAI的推出是为了使用户能够利用超参数(hyperparameter)优化功能,更轻松地构建数据科学和人工智能模型。此外,AutoAI还包含一套强大的企业级数据科学模型集,如梯度增强树(gradient boosted trees)等,帮助用户快速扩展机器学习实验并完成部署。
IBM大数据与人工智能业务总经理Rob Thomas表示:“IBM始终与客户保持密切合作,为他们规划通往人工智能的路径,而许多客户面临的首要挑战之一便是数据准备,这是人工智能的基础步骤。我们已经发现,对于一些成熟企业而言,数据基础架构的复杂性让人望而生畏,而对于那些几乎没有或根本没有技术资源的企业来说,这种复杂性更是根本无法驾驭的。我们为Watson Studio提供的自动化功能旨在简化流程,帮助客户更快地构建机器学习模型和实验。”
AutoAI系列还包括IBM Neural Networks Synthesis(NeuNetS),这一技术于去年秋天首次亮相,目前在Watson Studio项目中处于公测阶段。这一技术能够使用户通过人工智能自动合成定制化的神经网络,快速跟踪深度学习模型的开发。NeuNetS使用户能够在优化速度和精度方面进行选择,并实时观察模型的构建并进行自我训练。
Watson Studio AutoAI利用IBM研究院开发的关键技术,基于IBM多年来一直在开发和提供的诸多自动化功能,为包括IBM Watson Assistant、IBM Watson Discovery与IBM Watson Machine Learning在内的各种解决方案都提供了不同程度的自动化,加快并简化了极其耗时的任务与环节,使客户能够更快地专注于具有更高价值的工作。
好文章,需要你的鼓励
法国AI初创公司Mistral AI发布了首个大语言模型全面生命周期评估,量化了AI的环境代价。其Mistral Large 2模型训练产生20,400吨二氧化碳当量,消耗281,000立方米水。运营阶段占环境影响85%,远超硬件制造成本。研究表明地理位置和模型大小显著影响碳足迹,企业可通过选择适当规模模型、批处理技术和清洁能源部署来减少环境影响。这一透明度为企业AI采购决策提供了新的评估标准。
上海AI实验库推出YUME系统,用户只需输入一张图片就能创建可键盘控制的虚拟世界。该系统采用创新的运动量化技术,将复杂的三维控制简化为WASD键操作,并通过智能记忆机制实现无限长度的世界探索。系统具备强大的跨风格适应能力,不仅能处理真实场景,还能重现动漫、游戏等各种艺术风格的虚拟世界,为虚拟现实和交互娱乐领域提供了全新的技术路径。
许多人认为一旦实现通用人工智能(AGI)和人工智能超级智能(ASI),这些高度先进的AI将能够告诉我们人生的真正意义。然而,巅峰AI可能无法明确回答这个史诗般的问题。即使AI拥有人类所有知识,也不意味着能从中找到生命意义的答案。AI可能会选择提供多种可能性而非绝对答案,以避免分裂人类社会。
上海AI实验室研究团队开发了革命性的AI编程验证方法,让大语言模型能够在最小人工干预下自动生成和验证程序规范。该方法摒弃传统的人工标注训练,采用强化学习让模型在形式化语言空间中自主探索,在Dafny编程验证任务上显著超越现有方法,为AI自主学习开辟新道路。