XiaoMi-AI文件搜索系统
World File Search System软件缺陷
机器人工厂将工业数字化作为电子制造商采用Nvidia AI和Omniverse
本新闻稿中的某些陈述包括但不限于：我们的产品，服务和技术的好处，影响，性能和可用性，包括Nvidia Metropolis Vision AI，Nvidia Omniverse，Nvidia Isaac AI Isaac AI机器人，NVIDIA ISAAC iSAAC iSAAC PECTERPERS ACCELOR ACCELORIAS ISAAC ISAAC MANIPIA ISAAAC MANIPIA ISAAAC MANIPIA ISAAAC ISAAIA ia vidia Isaaia Isaaia ia aacia ia aacia aaac ia aacia aaac ia aaac ia aacia aaac ia aacia ia vilulator， NVIDIA NEMO，NVIDIA NIM，NVIDIA DGX和NVIDIA HGX服务器和NVIDIA HGX系统；第三方使用并采用我们的技术和产品，我们与第三方的合作以及其优势和影响以及其产品的功能，性能和可用性；由于生成AI和数字双胞胎技术的变革影响，每个工厂都变得越来越自治。借助Nvidia Omniverse，Metropolis和Isaac，工业生态系统能够加速其对自主技术的采用，帮助他们提高运营效率和较低的成本，而前瞻性陈述是受风险和不确定性的影响，可能会导致结果与预期产生重大不同。向SEC提交的报告的副本已发布在公司网站上，可在NVIDIA上免费获得。这些前瞻性陈述不能保证未来的表现，并且仅在此日期开始说话，除了法律要求外，Nvidia违反了更新这些前瞻性陈述以反映未来事件或情况的任何义务。可能导致实际结果差异的重要因素包括：全球经济状况；我们依靠第三方制造，组装，包装和测试我们的产品；技术发展和竞争的影响；开发新产品和技术或对我们现有产品和技术的增强；市场接受我们的产品或合作伙伴的产品；设计，制造或软件缺陷；消费者偏好或需求的变化；行业标准和界面的变化；集成到系统中时，我们的产品或技术的性能意外丧失；以及其他因素不时详细介绍了与美国证券交易委员会（SEC）或SEC的NVIDIA文件中详细介绍的，包括但不限于其表格10-K和表格10-Q的季度报告的年度报告。
NVIDIA 完成对 Mellanox 的收购，成为推动下一代数据中心发展的重要力量
本新闻稿中的某些声明包括但不限于以下声明：对 NVIDIA I Mellanox 合并公司的预期，包括技术和劳动力的互补性和兼容性、将产品和解决方案推向市场、提供领先的解决方案以及预期的协同效应；人工智能和数据科学的广泛使用及其影响；收购的益处和影响；对我们产品需求的预期；对客户行为的预期；Mellanox 继续提供其解决方案和产品；以及对我们的非 GAAP 毛利率、非 GAAP EPS 和自由现金流的预期增值，均为前瞻性陈述，受风险和不确定性的影响，可能导致结果与预期存在重大差异。可能导致实际结果存在重大差异的重要因素包括：我们成功整合 Mellanox 业务、运营合并后的公司并实现交易预期收益的能力；全球经济状况；我们对第三方制造、组装、包装和测试我们产品的依赖；技术发展和竞争的影响；新产品和技术的开发或对我们现有产品和技术的增强；我们产品或我们合作伙伴产品的市场接受度；设计、制造或软件缺陷；消费者偏好或需求的变化；行业标准和界面的变化；我们的产品或技术集成到系统中时意外的性能损失；以及 NVIDIA 不时向美国证券交易委员会 (SEC) 提交的最新报告中详述的其他因素，包括但不限于其 Form 10 IK 年度报告和 Form 10 I Q 季度报告。提交给 SEC 的报告副本发布在公司网站上，可从 NVIDIA 免费获取。这些前瞻性声明并非未来业绩的保证，仅代表截至本文日期的情况，除法律要求外，NVIDIA 不承担更新这些前瞻性声明以反映未来事件或情况的任何义务。投资者请注意，公司的非 GAAP 指标可能与其他公司使用的非 GAAP 指标不同，并且非 GAAP 财务指标不应单独考虑或替代 NVIDIA 根据 GAAP 编制的财务结果。 NVIDIA 无法在不付出不合理努力的情况下，轻易提供本文中呈现的预计非 GAAP 财务信息与相关预计 GAAP 指标之间的对账。目前尚无法获得与 Mellanox 收购相关的预测信息，包括购买会计、需摊销的收购相关无形资产、基于股票的薪酬以及这些项目相关的税收影响。
提高和比较机器学习分类器的性能与元数据的技术来检测代码气味
背景：连续修改，次优的软件设计实践和严格的项目截止日期有助于代码气味的扩散。检测和重构这些代码气味对于维持复杂而必不可少的软件系统至关重要。忽略它们可能会导致未来的软件缺陷，使系统具有挑战性，并最终过时。监督的机器学习技术已成为无需专家知识或固定阈值值的代码气味分类的有价值的工具。可以通过有效的特征选择技术和优化超参数值来实现分类器性能的进一步增强。AIM：通过使用各种类型的元元素算法（包括群体智能，物理学，数学和基于生物的）等各种类型的元元素算法对多种机器学习分类器的性能度量进行改进。将其性能度量进行比较，以在代码气味检测的背景下找到最佳的元元素算法，并根据统计测试评估其影响。方法：本研究采用了十六种当代和鲁棒的元元素算法来优化两种机器学习算法的超参数：支持向量机（SVM）和k -near -tehermest邻居（K -NN）。无免费的午餐定理强调了一个应用程序中优化算法的成功可能不一定扩展到其他应用程序。因此，对这些算法进行了严格的比较分析，以确定最佳的代码气味检测解决方案。75％，100％和98。分别为57％。分别为57％。各种优化算法，包括算术，水母搜索，基于学生心理学，基于学生心理学，正弦余弦，Jaya，Jaya，crow Search，Dragon Fly Fly，Krill Herd，Multi-Forse，共生，花生，花授粉，基于学习的学习，基于学习，牵引力搜索，牵引力搜索和基于生物地理学的优化。结果：在优化的SVM的情况下，获得的最高准确性，AUC和F量值为98。非常明显的是，准确性和AUC的显着提高，达到32。22％和45。分别观察到11％。对于k -nn，最佳准确性，AUC和F量值的值在100％下都是完美的，准确性和ROC -AUC值值得注意的远足，相当于43。89％和40。 分别为83％。 结论：优化的SVM通过正弦余弦优化算法表现出卓越的性能，而K -NN则通过花朵优化算法达到其峰值性能。 统计分析强调了采用荟萃算法来优化机器学习分类器的实质性影响，从而大大提高了其性能。 优化的SVM在检测上帝类方面表现出色，而优化的K -NN在识别数据类方面特别有效。 这个创新89％和40。分别为83％。结论：优化的SVM通过正弦余弦优化算法表现出卓越的性能，而K -NN则通过花朵优化算法达到其峰值性能。统计分析强调了采用荟萃算法来优化机器学习分类器的实质性影响，从而大大提高了其性能。优化的SVM在检测上帝类方面表现出色，而优化的K -NN在识别数据类方面特别有效。这个创新
人工智能与项目管理
(5) E. Feigenbaum 和 B. Buchanan，“DENDRAL 和 META-DENDRAL：知识系统和专家系统应用的根源，”Artif. Intell.，第 59 卷，第 1-2 期，第 233-240 页，1994 年。 (6) K. Niwa 和 M. Okuma，“技术诀窍转移方法及其在大型建设项目风险管理中的应用，”IEEE Trans. Eng. Manage.，第 29 卷，第 4 期，第 146-153 页，1982 年。 (7) K. Niwa 和 K. Sasaki，“一种新的项目管理系统方法：基于技术诀窍的项目管理系统，”Project Management Quarterly，第 14 卷，第 1 期，第 65-72 页，1983 年。 (8) K. Niwa，“一种基于知识的人机协作系统， ative system for ill-structured management domains，”IEEE Trans. Syst., Man Cybern., vol.16, no.3, pp.335–342, 1986. (9) HM Leung、VM Rao Tummala 和 KB Chuah，“A knowledge-based system for determining potential projectrisks，”Omega, vol.26, no.5, pp.623–638, 1998. (10) Takeshi Oshima 和 Tomiko Maruyama，“Project management method by visualizing volatilitys in software scale，”Journal of the Society of Project Management, vol.19, no.1, pp.26–31, 2017. (11) C. Jones, Applied softwaremeasurement: global analysis of productivity and quality, McGraw-Hill Education Group, 2008.（Hisashi Tomino 和 Kyoichi Kosaka 译） ，软件开发的定量方法：旨在提高生产率和质量（第三版），Kyoritsu Shuppan，2010年。 14）Katero Inoue，Kenichi Matsumoto，Masahiro Tsurubo和Koji Torii，“实现经验软件工程环境的方法”，信息处理，第45卷，第7期，第722-728页，2004年，2004年。（15） Ademia合作：IT系统开发中质量预测的实用方法，” (16) M. Tsunoda、N. Osugi、A. Kadota、K. Matsumoto 和 S. Sato，“使用协同过滤的软件开发工作量预测方法”，信息处理杂志，第 46 卷，第 5 期，第 1155-1164 页，2005 年。 (17) D. Zhang 和 J. J. Tsai，“机器学习和软件工程”，软件质量杂志，第 11 卷，第 2 期，第 87-119 页，2003 年。 (18) J. Wang 和 C. Zhang，“使用基于 RNN 编码器-解码器的深度学习模型进行软件可靠性预测”，Reliab. Eng. Syst. Saf.，第 170 卷，第 73-82 页，2018 年。 (19) T. Mori 和 N. Uchihira，“在软件缺陷预测中平衡准确性和可解释性”，Empir. Softw. Eng.，第 24 卷，第 2 期，第 779-825 页，2019 年。 (20) R. High，认知系统时代：深入了解 IBM Watson 及其工作原理，IBM Corporation，Redbooks，2012 年。 (21) IBM Cognitive PMO，https://www.ibm.com/jp-ja/marketplace/cognitive- pmo-jp（2020 年 1 月 5 日访问） (22) Naoshi Uchihira，“项目管理中的知识转移”，人工智能百科全书，第 19-10 节， pp.1355-1360，共立出版，2017年。 (23) Fujitsu KIWare，https://pr.fujitsu.com/jp/news/2017/11/28.html（2020/1/5访问） (24) Masatoshi Morisaki，“基于AI的源代码审查～通过深度学习诊断代码之美”，信息处理，第59卷，第11期，第985-988页，2018年。 (25) Takeshi Oshima、Naoshi Uchihira，“用于项目管理的AI知识分类模型～IT企业中AI应用方法的研究～”，国际项目管理期刊，第13卷，第1期，第121-141页，2018年。 (26) Toshiki Mori、Naoshi Uchihira，“项目和计划风险管理中的机器学习和知识创造的综合方法”，国际 P2M 杂志，第 14 卷，第 1 期，第 415-435 页，2019 年。