XiaoMi-AI文件搜索系统
World File Search System云端
云端教学：人工智能在非洲教育领域的前景与挑战
人工智能 (AI) 正在逐步改变多个领域，包括医疗、教育、能源、农业、金融和制造业等。难怪 AI 被视为可持续发展的工具 1 。与其他领域一样，教育——广义上不仅包括正规的学校教育过程，还包括由教育机构、政府间组织、非政府组织 (NGO)、企业、政府机构和类似利益相关者协调的其他形式的教学和学习 (T&L)，例如专门课程——也受益于人工智能。这些技术提供了一种克服传统教学和学习限制的方法，并且必然是一种改善教育机会、质量和整体体验的手段，促进实现可持续发展目标 4。在此背景下，我们提出一个核心问题：人工智能在非洲教育系统中的前景和挑战是什么？
2022 年第三季度热门趋势 - 展望云端宣传册
近来，世界经历了一些重大冲击，从 COVID-19 到乌克兰战争，所有这些都发生在剧烈的气候变化背景下。这些冲击从根本上改变了我们生活的世界，其影响将持续数十年。COVID-19 危机暴露了全球供应链的脆弱性，改变了工作习惯，并促进了在线经济。俄乌战争表明能源和大宗商品来源过度集中的危险，并加剧了对能源独立性的呼吁。总的来说，这两次冲击将导致世界全球化程度降低，区域化程度提高。最后，可持续发展革命将需要在能源转型方面进行大量投资，并将影响人们的消费内容和方式。碳排放将开始产生成本，这将在未来纳入商品和服务的价格中。
将 DNN 从本地加速到云端虚拟化 FPGA：趋势调查
现场可编程门阵列（FPGA）被广泛用于本地加速深度神经网络（DNN）算法，具有高计算吞吐量和能效。虚拟化FPGA和在云端部署FPGA正成为越来越有吸引力的DNN加速方法，因为它们可以增强计算能力，实现跨多用户的按需加速。在过去的五年中，研究人员广泛研究了基于FPGA的DNN加速器的各个方向，例如算法优化、架构探索、容量改进、资源共享和云构建。然而，以前的DNN加速器调查主要集中于在本地FPGA上优化DNN性能，而忽略了将DNN加速器放置在云端FPGA中的趋势。在本研究中，我们深入研究了基于FPGA的DNN加速器中使用的技术，包括但不限于架构设计、优化策略、虚拟化技术和云服务。此外，我们还研究了 DNN 加速器的演进，例如从单个 DNN 到框架生成的 DNN、从物理到虚拟化 FPGA、从本地到云、从单用户到多租户。我们还确定了云端 DNN 加速的重大障碍。本文增强了对基于 FPGA 的 DNN 加速器演进的当前理解。
Hexaware 推出 Amaze for Data & AI，将本地数据仓库和分析生态系统转型至云端
Hexaware 是成长最快的新一代 IT、BPO 和咨询服务提供商。我们专注于在帮助客户实现客户亲密度方面占据领导地位，以此作为竞争优势。我们的数字产品帮助客户实现了卓越运营和客户满意度。我们目前正在利用我们行业领先的交付和执行模型来改变客户的客户体验，该模型围绕“自动化一切TM、云化一切TM、改变客户体验TM”战略构建。Hexaware 以二十多种语言为客户提供服务，服务范围覆盖所有主要时区和所有主要监管区域。我们的目标是成为全球第一家拥有 50% 数字化员工队伍的 IT 服务公司。有关 Hexaware 的更多信息，请访问 http://www.hexaware.com
生物质炉的并行多物理场仿真和中小企业的云端工作流程
[1] Xavier Besseron、Alban Rousset、Alice Peyraut 和 Bernhard Peters。2021 年。使用 preCICE 在 XDEM 和 OpenFOAM 之间进行欧拉-拉格朗日动量耦合。在第 14 届 WCCM 和 ECCOMAS 大会 2020 上。[2] Christian Bruch、Bernhard Peters 和 Thomas Nussbaumer。2003 年。固定床条件下的木材燃烧建模。Fuel 82（2003 年）。https://doi.org/10.1016/S0016-2361(02)00296-X [3] José María Cela、Philippe OA Navaux、Alvaro LGA Coutinho 和 Rafael Mayo-García。2016 年。促进能源研究和技术开发方面的合作，应用新的百亿亿次 HPC 技术。在第 16 届 IEEE/ACM 国际集群、云和电网计算研讨会 (CCGrid) 上。https://doi.org/10.1109/CCGrid.2016.51 [4] Tao Chen、Xiaoke Ku、Jianzhong Lin 和 Hanhui Jin。2019 年。热厚生物质颗粒燃烧建模。Powder Technology 353 (2019)。 https://doi.org/10.1016/j.powtec.2019.05.011 [5] Gerasimos Chourdakis、Kyle Davis、Benjamin Rodenberg、Miriam Schulte、Frédéric Simonis、Benjamin Uekermann、Georg Abrams、Hans-Joachim Bungartz、Lucia Cheung Yau、Ishaan Desai、Konrad Eder、Richard Hertrich、Florian Lindner、Alexander Rusch、Dmytro Sashko、David Schneider、Amin Totounferoush、Dominik Volland、Peter Vollmer 和 Oguz Ziya Koseomur。 2021. preCICE v2：可持续且用户友好的耦合库。 ArXiv210914470 Cs (2021)。 [6] 艾汉·德米尔巴斯。 2005. 可再生能源的潜在应用、锅炉动力系统中的生物质燃烧问题以及燃烧相关的环境问题。能源与燃烧科学进展 31 (2005)。https://doi.org/10.1016/j.pecs.2005.02.002 [7] Andrea Dernbecher、Alba Dieguez-Alonso、Andreas Ortwein 和 Fouzi Tabet。2019. 基于计算流体动力学的生物质燃烧系统建模方法综述。生物质转化生物参考。9 (2019)。https://doi.org/10.1007/s13399-019-00370-z
RISCLESS：一种强化学习策略，用于保证云端临时和稳定资源的 SLA
为了降低数据中心中未充分利用资源的运营成本，云提供商 (CP) 可以从常规客户（预订这些资源的客户）回收未使用的资源，然后以较低的价格（转）售给其他客户（我们称之为短暂客户）。这些回收的资源本质上是不稳定的。此类资源的转售必须满足短暂客户对 SLA 的期望。如果违反 SLA，CP 可能会受到处罚。在保证 SLA 的同时在易失性资源上部署应用程序仍然是一个挑战 [1]–[5]。事实上，如果应用程序的资源需求增加，易失性资源可能会丢失并返还给其所有者（常规客户）。常规客户应用程序行为的这种变化很难预测 [6]–[8]。人们提出了不同的策略来提高资源利用率并保证客户对短暂资源的 SLA。一些策略 [1]、[3]–[5]、[9]–[11] 完全依赖于临时资源。它们会留下一部分未使用的资源（称为安全边际），以吸收常规客户应用需求的突然增加，从而减少可回收资源的数量。其他策略 [12]–[16] 将稳定资源与易变资源相结合，以保证客户的 SLA。尽管如此，它们主要关注的是 Amazon Spot 实例 1，其波动性低于回收的资源。因此，在保证 SLA 的同时增加 CP 的利润是一项真正的挑战。我们认为，机器学习 (ML) 可用于确定何时以及在临时资源之上分配多少稳定资源（稳定资源量需要
使用 Tiger Bridge 扩展您的文件服务器
默认设置为 95%，这意味着如果空间使用率达到或超过该值，Tiger Bridge 会将最近最少访问的数据卸载到云端。Tiger Bridge 从访问时间最早的文件开始。根据访问时间，我们将数据分为冷数据（最近未访问）和热数据（最近使用）。在工作时，Tiger Bridge 会将最近未访问的文件移动到云端，从而释放本地存储空间，确保磁盘空间不超过 80%，并且至少有 20% 可用。这些卸载的文件以非专有形式存储在云端，如果需要，即使不使用 Tiger Bridge，也可以直接从云端门户下载。
桌面和云端 MH-60R 直升机训练模拟器，专为不同国家快速改装而设计
美国和其他海军与工业界合作开发并部署了一种训练工具，用于训练美国和国际版的 MH-60R 直升机。由于 MH60R 直升机可以针对不同国家进行不同的配置，因此训练也需要针对直升机的具体版本进行调整。正在或即将驾驶 MH-60R 的国家包括澳大利亚、丹麦、希腊、西班牙、印度和韩国。该工具称为操作员机器界面助手 (OMIA)，主要是可扩展、易于修改的低成本 PC 托管桌面或基于云的机组人员。OMIA 为前排座椅和传感器操作员站提供了大部分驾驶舱界面，提供除飞行之外直升机操作的大多数方面的培训，其中包括但不限于导航操作、无线电操作、紧急操作、雷达、ISAR、ESM、FLIR 以及主动和被动声学。
查看有关物联网人工智能的论文
1.1 我们为什么需要 AIoT？ 云端的处理能力无法与未来几年全球将见证的大量连接设备成比例增长。此外，在设备和云端之间传输数据的网络受到带宽限制。即使是最先进的通信网络也无法处理设备生成的大量数据。因此，在云端做出的任何选择都将不可避免地经历不可接受的延迟。[5] 自动驾驶汽车等应用将安全放在首位，当它们需要根据周围不断变化的环境做出几乎即时的决策时，它们根本无法承受不可靠的连接、高延迟和低带宽的限制。例如，如果有人以高速走到汽车前面的道路上，汽车上的传感器根本没有足够的时间检测到危险，将数据发送到云端（如果确实有连接），并等待云端告诉汽车停下来。为了节省时间，必须在汽车内部进行感知、推理和行动。物联网人工智能将提供收集流数据、评估有用特性和实时做出判断的能力，这将为服务逻辑带来全新的维度。在许多情况下，服务将是数据和可操作的信息。[8]
机器人即服务利用人工智能提供行业灵活性
凯捷利用丰富的行业经验，分析客户需求并确定机器人如何提供帮助。机器人可以使用传感器或视频处理和计算机视觉来识别产品、缺陷以及特定情况或事件。机器人无线连接到英特尔物联网网关，该网关承载着凯捷 XIoT 平台。开源 XIoT 软件将机器人的数据发送到云端，凯捷分析软件在云端处理收集的数据。用户可以分析已完成的任务数量、任务成功率、机器人传感器数据以及用于机器人预测性维护的其他操作数据。云端的数据可与各种人工智能或大数据平台一起使用，以增强机器人的功能。例如，IBM Watson 人工智能平台可用于帮助识别生产线上的产品，或帮助识别制造缺陷。云端还可用于语音处理，以便可以使用语音命令控制机器人。