上周我在推特上发布了一些有趣的链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：我认为警方很容易将自己的错误或操纵归咎于人工智能的错误。当人工智能真的搞砸了，责任又在哪里？ https://www.theguardian.com/technology/2024/oct/03/artificial-intelligence-police-reports各公司正在将其 AI 数据中心转移到德克萨斯州，但德克萨斯州的发电能力不足以满足其能源需求：https://www.theregister.com/2024/10/04/texas_dc_po
Risk, reward and reality: Has enterprise perception of the public cloud changed?
公有云现在构成了企业 IT 环境的主体。根据 2024 年 Statista 数据，73% 的企业使用混合云模式，14% 的企业使用多个公有云，10% 的企业使用单一公有云解决方案。多个和单一私有云占剩余的 3%。由于企业历来不愿采用公有云，因此采用 […] 文章《风险、回报和现实：企业对公有云的看法是否发生了变化？》首先出现在 Security Intelligence 上。
我上周在 Twitter 上发布的一些有趣的链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：使用 AI 避免碰撞的自动驾驶船：https://www.stuff.co.nz/nz-news/350423932/unmanned-vessel-makes-waves-science-minister 帮助研究文献和引用的 AI：https://dataconomy.com/2024/09/27/scite-ai-review-can-it-research-well/ 微软纠正生成性 AI 幻觉的方法：https://www.comput
Тайна «LOVE»: скрытые послания в кибератаках?
GreyNoise Intelligence 检测互联网上神秘的“噪音风暴”。
Market Basket Analysis Using High Utility Itemset Mining | by Laurin Brechter | Sep, 2024
在交易中寻找高价值模式 在这篇文章中，我将提供一种替代市场篮子分析中流行技术的替代方案，该技术可以帮助从业者找到高价值模式，而不仅仅是最常见的模式。我们将对不同的模式挖掘问题有一些直观的了解，并看一个真实的例子。完整的代码可以是使用高效用项集挖掘进行市场篮子分析的帖子 | 作者 Laurin Brechter | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
Market Basket Analysis Using High Utility Itemset Mining | by Laurin Brechter | Sep, 2024
在交易中寻找高价值模式 在这篇文章中，我将提供一种替代流行市场篮子分析技术的方案，该方案可以帮助从业者找到高价值模式，而不仅仅是最常见的模式。我们将对不同的模式挖掘问题有一些直观的了解，并看一个真实的例子。完整的代码可以是使用高效用项集挖掘进行市场篮子分析 | 作者：Laurin Brechter | 2024 年 9 月，首次出现在 AI Quantum Intelligence 上。
大型语言模型 (LLM) 彻底改变了软件工程，在各种编码任务中展示了非凡的能力。虽然最近的努力已经基于 LLM 为端到端开发任务产生了自主软件代理，但这些系统通常是为特定的软件工程 (SE) 任务而设计的。来自越南 FPT 软件 AI 中心的研究人员推出了 HyperAgent，一种新型通用多代理 FPT 软件 AI 中心推出 HyperAgent：一种突破性的通用代理系统，可大规模解决各种软件工程任务，在 SWE-Bench 和 Defects4J 上实现 SOTA 性能，首先出现在 AI Quantum Intelligence 上。
Optimizing Document Understanding with DocOwl2: A Novel High-Resolution Compression Architecture
理解多页文档和新闻视频是人类日常生活中的一项常见任务。为了解决这种情况，多模态大型语言模型 (MLLM) 应该具备理解具有丰富视觉文本信息的多幅图像的能力。然而，理解文档图像比自然图像更具挑战性，因为它需要更细粒度的感知。使用 DocOwl2 优化文档理解：一种新颖的高分辨率压缩架构，首次出现在 AI Quantum Intelligence 上。
检索增强生成 (RAG) 是一种提高大型语言模型 (LLM) 处理大量文本效率的技术，在自然语言处理中至关重要，特别是在问答等应用中，在这些应用中，保持信息的上下文对于生成准确的响应至关重要。随着语言模型的发展，研究人员努力突破界限 NVIDIA 研究人员引入了保序检索增强生成 (OP-RAG) 以增强大型语言模型 (LLM) 的长上下文问答 首次出现在 AI Quantum Intelligence 上。
XPER: Unveiling the Driving Forces of Predictive Performance | by Sébastien Saurin | Sep, 2024
一种分解您最喜欢的性能指标的新方法 照片由 Sira Anamwong 在 123RF 上拍摄 与 S. Hué、C. Hurlin 和 C. Pérignon 合著。敏感人工智能系统的可信度和可接受性在很大程度上取决于用户理解相关模型或至少是其预测的能力。揭开不透明的面纱 XPER：揭开预测性能的驱动力 | 作者：Sébastien Saurin | 2024 年 9 月，首次出现在 AI Quantum Intelligence 上。
XPER: Unveiling the Driving Forces of Predictive Performance | by Sébastien Saurin | Sep, 2024
一种分解您最喜欢的性能指标的新方法 照片由 Sira Anamwong 在 123RF 上拍摄 与 S. Hué、C. Hurlin 和 C. Pérignon 合著。敏感人工智能系统的可信度和可接受性在很大程度上取决于用户理解相关模型或至少是其预测的能力。揭开不透明的面纱 XPER：揭开预测性能的驱动力 | 作者：Sébastien Saurin | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
Представлена линейка смартфонов Apple iPhone 16
该公司传统的秋季演讲的重点是集成人工智能 Apple Intelligence 的功能。
在计算机视觉中，主干架构对于图像识别、对象检测和语义分割任务至关重要。这些主干从图像中提取局部和全局特征，使机器能够理解复杂的模式。传统上，卷积层一直是这些模型的主要组成部分，但最近的进展结合了注意力机制，这增强了模型捕捉的能力。文章 LowFormer：一种高效的视觉主干模型，可在不牺牲准确性的情况下优化移动和边缘设备的吞吐量和延迟，首次出现在 AI Quantum Intelligence 上。
***通过下面的文章，我试图介绍几种新的算法，据我所知，我一直无法找到这些算法。我愿意接受批评，并欢迎任何反馈。传统的标签搜索是如何工作的？传统系统采用一种称为 Jaccard 相似度的算法（通常通过 minhash 算法执行），该算法是语义标签过滤简介：通过标签相似度增强检索 | 作者：Michelangiolo Mazzeschi | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
***通过以下文章，我试图介绍几种新算法，据我所知，我无法找到这些算法。我愿意接受批评并欢迎任何反馈。传统标签搜索如何工作？传统系统采用一种称为 Jaccard 相似度的算法（通常通过 minhash 算法执行），该帖子引入语义标签过滤：通过标签相似度增强检索 | 作者 Michelangiolo Mazzeschi | 2024 年 9 月首先出现在 AI Quantum Intelligence 上。
VQ4DiT: A Fast Post-Training Vector Quantization Method for DiTs (Diffusion Transformers Models)
文本到图像的扩散模型在根据输入条件生成复杂而忠实的图像方面取得了重大进展。其中，扩散变压器模型 (DiT) 变得特别强大，OpenAI 的 SoRA 是一个值得注意的应用程序。DiT 由堆叠多个变压器块构建而成，利用变压器的缩放属性通过灵活的参数扩展实现增强的性能。文章 VQ4DiT：一种用于 DiT（扩散变压器模型）的快速后训练矢量量化方法首次出现在 AI Quantum Intelligence 上。
How to Match Vendor Item Codes to Inventory in NetSuite
这是一个您可能以前见过的常见 AP 挑战——在购买商品和服务时，没有两个人（或公司）会使用相同的语言。虽然您可以在 NetSuite 环境中创建统一的商品代码和 UPC（通用产品代码），但您的供应商都有自己的想法——帖子如何在 NetSuite 中将供应商商品代码与库存匹配首先出现在 AI Quantum Intelligence 上。
From Computation to Comprehension: Metacognitive Insights in LLM-based Mathematical Problem Solving
大型语言模型 (LLM) 已在各个领域展现出卓越的推理能力。但它们是否也拥有元认知知识——对其思维过程的理解？一篇新论文探讨了这个有趣的问题，该论文研究了 LLM 的元认知能力，特别是在数学问题解决的背景下。来自 Mila 的研究人员团队，文章《从计算到理解：基于 LLM 的数学问题解决中的元认知见解》首先出现在 AI Quantum Intelligence 上。
