Ensemble Learning for Anomaly Detection
深入研究隔离森林模型以检测时间序列数据中的异常异常检测是任何组织必备的功能。通过检测异常和离群值，我们不仅可以识别看似可疑（或可能错误）的数据，还可以确定“正常”数据是什么样子。异常检测可以识别数据错误，从而成为强大数据治理系统的重要功能。对于分析而言，异常值在某些情况下（例如欺诈检测和预测性维护）可能是一个关注点。然而，随着数据的增长，异常检测会变得越来越困难。高维数据带有噪声，难以用于分析和洞察。大型数据集也可能存在错误和/或特殊情况。值得庆幸的是，集成学习带来了速度和效率，帮助我们处理高维数据并检测异常。什么是集成学习？集成学习是一种机器学习技术，它结合了多个单独模型的预测，以获得比任何
Enhanced Sequencing Results from Liquid Biopsies
使用针对无细胞 DNA (cfDNA) 优化的文库制备试剂盒可为早期癌症检测提供高质量数据。
Data Preparation and Quality for AI Projects- FuseBytes S2E3 Recap
在 FuseBytes 第 2 季第 3 集中，主持人 Nate Rackiewicz 与数据耳语者 Scott Taylor 携手。他们共同探索确保 AI 计划建立在高质量数据坚实基础之上的关键策略。文章《AI 项目的数据准备和质量 - FuseBytes S2E3 回顾》首先出现在 Fusemachines 上。
Как «приготовить» Data Quality
数据质量正在成为俄罗斯公司的热门话题。 KORUS Consulting 的数据治理专家 Maria Rusina 谈论如何实现高质量数据。
Military Justice: Actions Needed to Help Ensure Success of Judge Advocate Career Reforms
GAO 的发现2021 年，国防部 (DOD) 要求军队建立军事司法职业道路，允许军事律师（即法官辩护人）专门担任诉讼律师（例如审判律师、辩护律师、和军事法官）。海军自 2007 年起就实施了此类计划，到 2022 年，陆军、海军陆战队和空军已提交了各自的职业道路计划。然而，政府问责局发现了可能阻碍这些法官律师职业改革取得成功的问题。具体来说，服务：没有沟通策略。陆军、海军陆战队和空军已经开始推广他们新建立的职业道路。然而，在这次审查中接受采访的法官辩护人告诉政府问责办公室，总的来说，这三个部门的诉讼律师不相信这会导致整个部门的文化变革。制定和实施一项策略来传达职业道路的建立和领导支持可能有助
Ukraine: DOD Should Improve Data for Both Defense Article Delivery and End-Use Monitoring
GAO 发现自 2022 年 2 月俄罗斯开始全面入侵以来，美国已向乌克兰政府提供了超过 420 亿美元的安全援助，包括国防物品、培训和服务。原产于美国的国防物品主要通过总统提款授权 (PDA) 和乌克兰安全援助计划 (USAI) 提供，前者允许总统从美国库存中转移物品和服务，后者是美国政府可用于提供物品和服务的乌克兰安全援助计划 (USAI)。向乌克兰提供服务。国防部 (DOD) 建立了新实体，利用 PDA 和 USAI 在短时间内向乌克兰交付数量空前的国防物品。然而，国防部尚未完整记录这些新实体的角色和职责。这样做将有助于明确在当前和潜在的未来冲突中快速交付国防物品的流程......从飞机
GAO 的发现几十年来，小企业创新研究 (SBIR) 计划一直为小企业提供联邦资金，用于技术开发和商业化。 2022 财年 (FY)，11 个参与的联邦机构向小企业颁发了 5,000 多个 SBIR 奖项，价值近 40 亿美元。 2011 年，国会修订了《小企业法》，赋予参与机构向由多家风险投资运营公司 (VCOC)、对冲基金或私募股权公司（即“合格的小企业”）多数股权的某些小企业颁发 SBIR 奖励的权力。企业”）。使用此权力的机构必须首先向负责监督 SBIR 计划的小企业管理局 (SBA) 和某些国会委员会提交书面决定。四个机构已利用这一权力将合格的小企业纳入其 SBIR 计划。其中只有两
Rethinking the Role of PPO in RLHF
重新思考 PPO 在 RLHF 中的作用TL;DR：在 RLHF 中，奖励学习阶段（以比较的形式使用人类偏好）与 RL 微调阶段（优化单一的非比较奖励）之间存在矛盾。如果我们以比较的方式执行 RL 会怎么样？图 1：此图说明了绝对反馈和相对反馈的强化学习之间的区别。通过合并新组件 - 成对策略梯度，我们可以统一奖励建模阶段和 RL 阶段，从而实现基于成对响应的直接更新。大型语言模型 (LLM) 为功能越来越强大的虚拟助手提供支持，例如 GPT-4、Claude-2、Bard 和 Bing Chat。这些系统可以响应复杂的用户查询、编写代码，甚至创作诗歌。这些令人惊叹的虚拟助手背后的技术是带人类
Leading Practices: Iterative Cycles Enable Rapid Delivery of Complex, Innovative Products
为什么这很重要 代理商越来越多地采购复杂的产品，例如硬件和软件的组合网络，这需要新的流程来设计、生产和交付。 GAO 发现，为了始终如一地向用户快速交付产品，这些网络（称为网络物理系统，例如飞机和无人驾驶车辆）的采办计划必须采用新方法来评估绩效和评估执行风险。不过，解决方案不太可能完全来自政府内部。相反，识别领先公司所依赖的创建网络物理产品的实践可以为政府采购领导者提供关键的前沿信息，进而最终帮助制定机构采购流程的变革。 20 多年来，GAO已向国防部 (DOD) 和国土安全部 (DHS) 以及美国国家航空航天局 (NASA) 提出了许多建议，以实施其主要采购计划的最佳实践，从而支持领先公司的
How to Choose the Right Off-the-Shelf AI Training Data Provider?
为机器学习算法构建一个提供准确结果的高质量数据集是一项挑战。开发精确的机器学习代码来提供用户预期的结果需要大量的时间和精力。然而，许多组织试图通过为人工智能训练计划提供现成的内容来简化这一挑战。现成的训练数据本质上是一种解决方案，由 [...]
GAO 的发现美国有多种机器学习 (ML) 技术可用于协助诊断过程。由此带来的好处包括更早发现疾病；医疗数据分析更加一致；以及增加获得护理的机会，特别是对于服务不足的人群。 GAO 确定了针对五种选定疾病（某些癌症、糖尿病视网膜病变、阿尔茨海默病、心脏病和 COVID-19）的各种基于 ML 的技术，其中大多数技术依赖于 X 射线或磁共振成像 (MRI) 等成像数据）。然而，这些机器学习技术普遍没有被广泛采用。学术界、政府和私营部门的研究人员正在努力扩展基于机器学习的医疗诊断技术的能力。此外，GAO 还确定了三种更广泛的新兴方法——自主、自适应和面向消费者的机器学习诊断——可用于诊断各种疾病。
Estimating the Effect of Physical Infrastructure on Economic Growth
我有一篇新的工作论文，与世界银行的 Govinda Timilsina 和我的博士生 Debasish Das 合著。这是一项面板数据研究，研究各种形式的基础设施对 GDP 水平的影响。与现有研究相比，我们使用了更新的数据，包括移动电话等新型基础设施，并为发展中国家和发达国家提供了单独的估计值。我们发现的影响比大多数以前的研究都要大。我们还发现，基础设施在最近几年（1992-2017 年）的影响比前几年（1970-1991 年）更大，基础设施在发展中经济体的影响高于工业化经济体。长期影响似乎比最初的影响大得多。我们还试图估计基础设施对经济增长率的影响。控制初始人均 GDP 水平，我们发现结果为
Understanding the differences between Manual & Automatic Data Labeling
如果您正在开发 AI 解决方案，则产品的上市时间在很大程度上取决于能否及时获得用于培训目的的高质量数据集。只有当您手头有所需的数据集时，您才能启动模型的训练过程，优化结果并让您的解决方案为发布做好准备。您知道，获取高质量数据集 […]
Subtleties Of AI Training Data And Why They’ll Make Or Break Your Project
我们都知道，人工智能 (AI) 模块的性能完全取决于训练阶段提供的数据集的质量。然而，它们通常是在表面层面上讨论的。大多数在线资源都详细说明了为什么高质量数据采集对于您的 AI 训练数据阶段至关重要，但有一个 […]
How can you determine the number of neutrons in an atom?
我们如何确定给定原子中的中子数？首先，让我们定义一些您需要熟悉的术语。原子的原子序数是该原子核中的质子数。原子的质量数（也称为核子数）是总 […]如何确定原子中的中子数？文章首次出现在高中/荣誉/AP® 化学资源 | Viziscience。
GAO 发现人工智能 (AI) 工具在以下两个领域显示出增强患者护理的前景：临床 AI 工具在预测患者健康轨迹、推荐治疗、指导手术护理、监测患者和支持人群方面显示出前景健康管理（即改善社区健康结果的努力）。这些工具处于不同的成熟和采用阶段，但我们描述的许多工具（人口健康管理工具除外）尚未得到广泛使用。管理人工智能工具已显示出通过记录数字笔记、优化操作流程和自动化繁重任务来减轻提供商负担和提高效率的前景。这些工具也处于不同的成熟度和采用阶段，从新兴到广泛采用。GAO 发现了围绕人工智能工具的以下挑战，这些挑战可能会阻碍其广泛采用：数据访问。开发人员在获取创建有效的人工智能工具所需的高质量数据方面
What is data operations (DataOps)?
当我撰写有关 AI 的文章时，我经常提到数据操作，以及它对大多数 AI 解决方案的重要性。如果没有适当的数据操作，您很容易陷入这样的境地：处理必要的数据将变得过于困难和昂贵，以至于 AI 业务案例毫无意义。因此，为了稍微澄清一下，我想让您了解它的真正含义。数据操作是以安全且经济高效的方式获取、清理、存储和交付数据的过程。它是业务战略、DevOps 和数据科学的混合体，是许多大数据和 AI 解决方案的底层供应链。数据操作最初是在大数据领域创造的，但在后来几年已成为一个更广泛使用的术语。数据操作是最重要的竞争优势正如我之前在许多帖子中提到的那样，当试图击败竞争对手时，我认为数据操作比算法开发更重要
