XiaoMi-AI文件搜索系统
World File Search System学习系统
Colossal-AI：用于大规模并行训练的统一深度学习系统
Transformer 模型的成功将深度学习模型规模推向了数十亿参数，但单 GPU 的内存限制导致在多 GPU 集群上进行训练的需求迫切。然而，选择最优并行策略的最佳实践仍然缺乏，因为它需要深度学习和并行计算领域的专业知识。Colossal-AI 系统通过引入统一接口将模型训练的顺序代码扩展到分布式环境，解决了上述挑战。它支持数据、管道、张量和序列并行等并行训练方法，并集成了异构训练和零冗余优化器。与基线系统相比，Colossal-AI 在大规模模型上可以实现高达 2.76 倍的训练加速。
评估糖尿病性视网膜病变的深度学习系统
4。Huang，X.，Wang，H.，She，C.，Feng，J。等：人工智能促进了糖尿病性视网膜病的诊断和筛查。 内分泌学领域。 13，946915（2022）5。 das，S.，Kharbanda，K.，Raman，S.M.R.，Dhas，e。：基于分割的底面图像特征的深度学习体系结构，用于糖尿病性视网膜病的分类。 生物医学信号处理和控制68，102600（2021）6。 Haloi M，Dandapat S，SinhaR。用于渗出量的高斯尺度空间方法可检测，分类和严重性预测。 ARXIV预印ARXIV：1505.00737，2015。 7。 Alban M，Gilligan T.使用荧光素血管造影照片自动检测糖尿病性视网膜病。 斯坦福教育的报告。 2016。 8。 Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。 2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。 IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉Huang，X.，Wang，H.，She，C.，Feng，J。等：人工智能促进了糖尿病性视网膜病的诊断和筛查。内分泌学领域。13，946915（2022）5。das，S.，Kharbanda，K.，Raman，S.M.R.，Dhas，e。：基于分割的底面图像特征的深度学习体系结构，用于糖尿病性视网膜病的分类。生物医学信号处理和控制68，102600（2021）6。Haloi M，Dandapat S，SinhaR。用于渗出量的高斯尺度空间方法可检测，分类和严重性预测。ARXIV预印ARXIV：1505.00737，2015。7。Alban M，Gilligan T.使用荧光素血管造影照片自动检测糖尿病性视网膜病。斯坦福教育的报告。2016。8。Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。 2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。 IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉Zhou K，Gu Z，Liu W，Luo W，Cheng J，GaoS。用于糖尿病性视网膜病变分级的多手机多任务卷积神经网络。2018年第40届IEEE医学与生物学协会工程国际会议（EMBC）。IEEE，2018：2724-2727。 9。 Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。 2019年信息与通信技术与系统（ICT）第12届国际会议。 IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉IEEE，2018：2724-2727。9。Qomariah Dun，Tjandrasa H，FatichahC。使用CNN和SVM对糖尿病性视网膜病和正常视网膜图像的分类。2019年信息与通信技术与系统（ICT）第12届国际会议。IEEE，2019：152-157。 10。 刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉IEEE，2019：152-157。10。刘Z，Lin Y，Cao Y，Hu H，Wei Y，Zhang Z. Swin Transformer：分层视觉
人类与自动化机器学习系统交互的角色和模式：评论与观点
随着自动化机器学习 (AutoML) 系统在复杂程度和性能方面不断进步，了解这些框架中人机交互 (HCI) 的“方式”和“原因”变得非常重要，无论是当前的还是预期的。这样的讨论对于最佳系统设计是必要的，利用先进的数据处理能力来支持涉及人类的决策，但它也是识别不断提高的机器自主性水平所带来的机遇和风险的关键。在此背景下，我们重点关注以下问题：(i) 目前，对于最先进的 AutoML 算法来说，HCI 是什么样子的，特别是在开发、部署和维护阶段？(ii) 不同类型的用户和利益相关者对 AutoML 框架内 HCI 的期望是否不同？(iii) 如何管理 HCI，以便 AutoML 解决方案获得人类的信任和
将SAP数据与机器学习系统整合在一起
SAP系统是全球无数企业的支柱，促进了各个领域的关键业务运营。这些系统捕获并存储大量结构化数据，从销售交易和库存管理到客户互动和财务记录。但是，随着组织努力保持竞争力和燃料创新，该数据中包含的潜力远远超出了常规的ERP应用程序。
Colossal-AI：用于大规模并行训练的统一深度学习系统
Transformer 模型的成功将深度学习模型规模推向了数十亿参数，但单 GPU 的内存限制导致在多 GPU 集群上进行训练的需求迫切。然而，选择最优并行策略的最佳实践仍然缺乏，因为它需要深度学习和并行计算领域的专业知识。Colossal-AI 系统通过引入统一接口将模型训练的顺序代码扩展到分布式环境，解决了上述挑战。它支持数据、管道、张量和序列并行等并行训练方法，并集成了异构训练和零冗余优化器。与基线系统相比，Colossal-AI 在大规模模型上可以实现高达 2.76 倍的训练加速。
AI创新中心“学习系统和认知机器人技术”
AI技术将改变并支持我们的日常生活。技术状态几乎每天都在变化。因此，公司必须承认这些新技术的潜力，建立知识并将其转移到自己的产品，制作和服务中。他们面临着有关AI实际上可以为他们做什么的大量信息。在这种情况下，来自AI创新中心的专家使得在这里获得清晰度。在面向应用程序的研究项目中以及与Baden-Wuerttemberg的工业公司直接合作，用于制造工程和自动化IPA的Stuttgart Fraunhofer机构以及工业工程和组织IAO正在努力将来自挑战的技术从制造业和服务工业领域进行广泛应用。他们有助于确定最有前途的用例，并将最新的研究结果带入应用电缆表格。该中心是欧洲最大的AI研究网络网络谷的一部分，因此构成了优秀的基础研究和工业应用之间的桥梁。
标题 开发基于人工智能的学习系统，让 L2 学习者真实而无处不在地学习英语 作者 Fenglin Jia、Daner Sun、Qing Ma 和 Chee-Kit Looi 版权所有 © 2022 作者和 MDPI 这是以下文章的发布版本：Jia, F.、Sun, D.、Ma, Q. 和 Looi, CK (2022)。开发基于人工智能的 L2 学习系统
摘要：受人工智能 (AI) 技术在教育领域的快速发展和应用以及 COVID-19 大流行期间语言学习者的需求的推动，开发了一种人工智能英语语言学习 (AIELL) 系统，该系统具有真实和无处不在的学习功能，可用于习得英语作为第二语言 (L2) 的词汇和语法。本研究的目的是介绍用于设计、开发、评估和验证 AIELL 系统的开发过程和方法，并提炼出在真实情境中学习英语的关键设计特征。测试共有 20 名参与者，研究中有 3 名受访者。采用混合研究方法来分析数据，包括演示测试、可用性测试和访谈。收集和分析的定量和定性数据证实了设计的有效性和可用性，并有助于确定需要进一步改进所需功能的领域。本研究为在移动学习原则的指导下将人工智能融入促进语言教学和学习提供了参考。
负责任的机器学习系统的人工智能治理简要概述
各个行业和领域，各种规模的组织都在利用人工智能 (AI) 技术来解决运营、客户体验等方面的一些最大挑战。然而，由于人工智能的概率性，与之相关的风险远高于传统技术。研究表明，这些风险包括监管、合规、声誉和用户信任，以及财务甚至社会风险。根据组织的性质和规模，如果不以负责任的方式使用人工智能技术，可能会带来重大风险。本立场文件旨在简要介绍人工智能治理，这是一个旨在监督人工智能负责任使用以防止和减轻风险的框架。拥有这样的框架不仅可以管理风险，还可以从人工智能项目中获得最大价值，并为整个组织采用人工智能建立一致性。
面向低延迟机器学习系统的认证...
摘要 — 近年来，机器学习 (ML) 领域的非凡进步吸引了人们对在航空领域使用该技术的极大兴趣。ML 的可能机载应用包括安全关键功能，这些功能必须按照航空业的严格认证标准进行开发。航空业的现行认证标准是在 ML 复兴之前制定的，没有考虑到 ML 技术的具体特点。传统设计保证方法与基于 ML 的系统的某些方面之间存在一些根本的不兼容性。在本文中，我们分析了当前的机载认证标准，并表明如果应用有关 ML 开发工作流程的某些假设，则可以为低关键性基于 ML 的系统实现标准的所有目标。