XiaoMi-AI文件搜索系统
World File Search Systemworkflows
使用深度学习处理器的 FPGA 和 SoC 人工智能工作流程
在 FPGA 上高效部署月球陨石坑探测深度神经网络 ▪ 将深度学习模型部署到 FPGA/SoC 平台上 ▪ 通过目标分析和量化工作流程优化模型性能 ▪ 为深度学习应用预处理传感器数据
使用矢量符号架构高效编排 Node-RED IoT 工作流
许多工作流系统跨越多个科学领域和环境，对于物联网 (IoT)，Node-RED 提供了一个有吸引力的基于 Web 的用户界面来执行基于 IoT 服务的工作流。但是，与大多数工作流系统一样，它集中协调工作流，无法在节点移动的更短暂的环境中运行。为了解决这一差距，我们展示了如何将 Node-RED 工作流迁移到分散的执行环境中以在移动自组织网络上运行，并且我们通过将基于 Node-RED 的交通拥堵检测工作流转换为在分散环境中运行来演示这一点。该方法使用向量符号架构 (VSA) 将 Node-Red 应用程序动态转换为紧凑的语义向量表示，该表示对服务接口及其嵌入的工作流进行编码。通过扩展现有的服务接口，使用可以解释和交换向量的简单认知层，我们展示了如何以完全分散的方式动态发现所需的服务并将其互连到所需的工作流中。由此产生的系统提供了一个方便的环境，其中可以使用 Node-RED 前端图形组合工具来协调分散的工作流。在本文中，我们进一步扩展了这项工作，引入了一种新的动态 VSA 向量压缩方案，该方案可压缩用于在线通信的向量，从而减少通信带宽，同时保持语义信息内容。该算法利用符号向量的全息特性进行压缩，同时考虑组合向量的数量以及确定与同一上下文中使用的其他编码向量冲突的相似性界限。由此产生的节省使这种方法对于基于服务的分散式工作流中的发现极为有效。© 2020 由 Elsevier BV 出版
SPARK：利用以人为本的工作流程和生物医学基础模型进行药物研发
Bum Chul Kwon , Simona Rabinovici-Cohen , Beldine Moturi , Ruth Mwaura , Kezia Wahome , Oliver Njeru , Miguel Shinyenyi , Catherine Wanjiru , Sekou Remy , William Ogallo , Itai Guez , Partha Suryanarayan Se-Guung Ka , Joseph Morrone Kenney Ng , Diwakar Mahajan , Hongyang Li , Matan Ninio , Shervin Ayati , Efrat Hexter , Wendy Cornell IBM Research bumchul.kwon@us.ibm.com, simona@il.ibm.com, Beldin.Moturi@ibm.com, ruth.mwaura@ibnyeanjeru.com@olibguel, kezibel nyi@ibm.com, catherine.wanjiru@ibm.com, sekou@ke.ibm.com, william.ogallo@ibm.com, itai.guez@ibm.com, psuryan@us.ibm.com, shreyans.sethi@ibm.com.des.ibm@ibm,ngus.us , dmahaja@us.ibm.com, hongyang.li@ibm.com, matann@il.ibm.com, sayati@us.ibm.com, efrathex@il.ibm.com, cornell@us.ibm.com
使用 Luigi 分析工作流对分布式资源进行分析自动化的设计模式
摘要。在粒子物理学中，工作流管理系统主要用作蒙特卡罗事件生成等专用领域的定制解决方案。然而，执行数据分析的物理学家通常需要手动控制各自的工作流程，这很耗时，而且经常导致特定工作负载之间没有记录的关系。我们介绍了 Luigi Analysis Workflows (Law) Python 包，它基于最初由 Spotify 开发的开源流水线工具 Luigi。它为任意规模和复杂性的分析建立了通用的设计模式，并将重点从执行转移到定义分析逻辑。Law 提供了构建块来无缝集成可互换的远程资源，但并不局限于特定的基础设施选择。特别是，它鼓励并实现了分析算法与运行位置、存储位置和软件环境的分离。为了满足端到端 HEP 分析的复杂需求，Law 支持在 WLCG 基础设施（ARC、gLite）以及本地计算集群（HTCondor、LSF）上执行作业，通过 GFAL2 库通过最常用协议进行远程文件访问，以及支持 Docker 和 Singularity 容器的环境沙盒机制。此外，这种新颖的方法最终旨在实现开箱即用的分析保存。Law 完全独立于实验，并且是开源开发的。它已成功用于 t¯ tH 截面测量，并使用 CMS 实验寻找双希格斯玻色子的产生。
einprot：用于定量蛋白质组学数据统计分析的灵活，易于使用，可再现的工作流程
定量蛋白质组学已经走了很长一段路 - 过去在蛋白质组学研究小组中进行的专门分析是许多蛋白质组学核心设施中的常规服务，并且可以提供大量复杂的量化和分析工具。然而，必要的报告任务，包括对所得数据的统计分析，以及描述所有数据处理步骤，提供质量控制，探索机会和以用户友好方式发布的可视化，通常不是常规或自动化的，并且可以想象许多不同的分析工程（Peng等，20233）。此外，通常需要进行其他下游分析并与其他类型的数据集成，并且当常规数据分析工作流程的所有步骤透明且记录良好时，这些分析更有可能成功。
HaystackID 推出 Core Intelligence AI，利用先进的生成式 AI 工作流程实现可辩护的电子取证
eDiscovery AI 处于法律技术的前沿，提供生成式 AI 解决方案，以简化和优化文档审查流程。eDiscovery AI 的使命是通过先进的 AI 产品解决方案为 eDiscovery 提供支持，以最大限度地提高效率、提高准确性并提高成本效益。eDiscovery AI 的产品套件（相关性、特权和 PII 检测）提供行业领先的功能、速度和准确性。eDiscovery AI 与我们的法律服务提供商合作伙伴一起，致力于提供顶级技术和专家指导，帮助用户驾驭不断发展的法律技术格局。
探索人工智能工具及其对教学设计工作流程和组织系统的潜在影响
该文章的此版本已被接受用于出版物，并受Springer Nature AM使用条款的约束，但不是记录的版本，也不反映接受后的改进或任何更正。记录版本可在线获得：https：//doi.org/10.1007/s11528-023-00894-2
全面的基因组分析（CGP）套件的演变，以简化工作流并检测同源重组缺陷
•提取优化：用1或3小时的孵育提取16个FFPE样品。使用随附的QPCR评估提取的DNA的浓度和质量。•连接研究：测试了缩短的程序，并针对原始条件分析了关键的测序指标，以减少图书馆的准备工作。•较高的吞吐量研究：合并，测序并与8个样本进行了汇总，测序。•变体灵敏度：用Avenio CGP KIT V2对317 FFPE DNA样品进行测序。变体检测与参考方法F1CDX进行了比较。样品包括由QPCR评估的多种DNA质量。测序是在每个样品读取> 60m的Illumina NextSeq序列上进行的。使用FoundationOneⓡ分析平台进行数据分析。结果
将开源Urbanopt和Dragonfly Energy建模功能集成到从业人员的工作流程中，用于地区规模的计划和设计
1个建筑技术与科学中心，美国国家可再生能源实验室，美国公司80401，美国； ben.polly@nrel.gov（B.P.）; katherine）; rawad.elkontar@nrel.gov（R.E.K.）; nathan.moore@nrel.gov（N.M.）; tarek.elgindy@nrel.gov（T.E.）; dylan@camus.energy（D.C。）; David.goldwasser@nrel.gov（D.G.）2瓢虫工具LLC，Fairfax，VA 22031-0000，美国； chris@ladybug.tools（C.M.）; mospapha@ladybug.tools（M.S.R.）3 Skidmore，Owings＆Merrill，芝加哥，伊利诺伊州60604，美国； airani@mit.edu（a.i.）; stephen.ray@som.com（s.r。）*通信：tanushree.charan@nrel.gov†作者在Skidmore，Owings＆Merrill完成了研究，但在出版时在马萨诸塞州技术学院任职。‡作者在国家可再生能源实验室完成了研究，但在出版时在Camus Energy中进行了研究。