Loading...
机构名称:
¥ 1.0

玛丽在弗吉尼亚大学和伦敦建筑协会学习建筑学,并于 1988 年毕业。她在 Foster + Partners 工作了十多年,是那里的首批女性合伙人之一,并领导了包括毕尔巴鄂地铁(1995 年)和杜伊斯堡微电子中心(1996 年)在内的项目的设计团队。1999 年,玛丽加入 Walters & Cohen 建筑事务所担任董事,负责金丝雀码头的豪华水疗中心和住宅项目。2002 年,玛丽对景观建筑和建筑环境之间的关系产生了浓厚的兴趣,加入了 Gustafson Porter。2011 年,她成为创始合伙人,自 2017 年 1 月起,Gustafson Porter 更名为 Gustafson Porter + Bowman,以表彰玛丽的贡献。

玛丽·鲍曼 | 创始合伙人

玛丽·鲍曼 | 创始合伙人PDF文件第1页

相关文件推荐

2021 年
¥1.0
2020 年

人工智能如何改变我们做出购买决策的方式?这对商标法意味着什么?商标法的核心在于如何购买商品和服务,而由于人工智能正在影响购买过程,因此从定义上讲它也影响着商标法。人工智能通过两种方式影响购买过程:(a)消费者可获得的品牌信息和(b)谁来做出购买决策。亚马逊的 Alexa 等人工智能个人零售助理有可能成为品牌向消费者提供的“守门人”,控制向消费者提供哪些品牌信息,并以纯粹的形式购买品牌产品,在人工智能所谓的“自动执行模型”中几乎不需要或根本不需要人为干预,从而有效地将传统的购物体验从“先购物后发货”模式颠覆为“先发货后购物”模式。商标法的许多关键方面都涉及人性的弱点。如果您考虑商标法和实践中的一些“流行词”,例如“混淆”、“不完全记忆”、“联想”和“商标混淆”,这些概念都围绕着人类的弱点。然而,人工智能有可能从购买过程中消除“人性”和“弱点”。人工智能应用程序可以通过“给我买个灯泡”等一般命令来购买产品。人类消费者与人工智能应用程序购买的灯泡品牌没有任何互动。人工智能应用程序会混淆吗?它会混淆商标吗?人工智能应用程序甚至会通过传统的听觉、语音和概念比较商标的方式来评估产品购买,这就是所谓的人工智能黑箱问题吗?人工智能应用程序经常受到个人消费者过去购买决策的影响,而人工智能应用程序做出购买决定或建议的原因有时可能难以理解。在这些情况下,知识产权侵权责任问题也引起了重要的问题。然而,即使人工智能应用程序不做出购买决策,它仍然会影响消费者在做出购买决策时可用的品牌信息。例如,亚马逊 Alexa 平均只向消费者推荐三种产品。它控制着向消费者推荐什么品牌产品,它而不是人类消费者掌握着所有的品牌信息。然而,人工智能对购买过程的影响必须放在历史背景中来看待。人工智能的兴起是新的,但并非史无前例。现代商标法诞生于十九世纪,并发展到现代。然而,在此期间,购买过程并非一成不变,而是发生了变化。我们只需看看从传统的十九世纪“店主”购买产品模式到二十世纪二十年代超市发明的变化,从互联网和社交媒体的兴起到人工智能的兴起。商标法已经适应并发生了变化,实际上可以说是适应性最强的知识产权法形式。例如,关于人工智能应用程序的责任问题,我们已经可以从关键词广告的案例中得到指导,例如谷歌法国,它是随着互联网购物的兴起而发展起来的。如果购买过程中的“参与者”如人工智能应用程序在购买决策/过程中扮演更被动的角色,则人工智能应用程序提供商不太可能被追究责任,如果人工智能应用程序在购买决策中扮演更积极的角色,并且可以说人工智能提供商在购买决策中强烈影响消费者,则更有可能发现责任。商标法已经适应了购买过程的变化,并且它将再次适应。HGF 合伙人兼特许商标律师 Lee Curtis

¥1.0
2021 年

用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响,从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据,它们正在提供前所未有的空间环境实时表征,包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步,但仅靠它们是不够的。为了优化任务规划,许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事,但最近随着 21 世纪人工智能 (AI) 技术的应用,大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型,并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期(0 到 60 分钟)、中期(1 小时到 3 小时)和长期(3 到 48 小时)。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下,多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度,卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后,组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据,因此,使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明,在几乎所有情况下,这些预测技术都优于持久性,而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点,将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是,云层可以部分或完全遮挡目标,并阻止或要求降低光通信系统的数据速率。但是,通过准确表征和预测大气影响,可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统,该系统可生成高分辨率的大气衰减预测,以支持太空激光和监视应用的决策辅助。为了实现这一目标,HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据,并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测:1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时;最长 2+ 小时;最长 48 小时。最长 1 小时;最长 2+ 小时;最长 48 小时。

¥1.0