欧美午夜精品理论片a级按摩,亚洲视频免费观看,欧美特黄一级,中文字幕一区二区av
您的位置：
首頁
>>
管理中心
>>
行業(yè)資訊
>>修改新聞資訊信息
資訊類型：
行業(yè)要聞
企業(yè)動(dòng)態(tài)
新品速遞
解決方案
交流培訓(xùn)
嘉賓訪談
產(chǎn)業(yè)縱橫
人物聚焦
展會動(dòng)態(tài)
會展報(bào)告
本站動(dòng)態(tài)
標(biāo) 題：
*
頁面廣告：
不顯示
顯示
副 標(biāo) 題：
關(guān) 鍵 字：
多個(gè)關(guān)鍵字請用“
/
”分隔，如：西門子/重大新聞
內(nèi)容描述：
新聞來源：
鏈 接：
責(zé)任編輯：
標(biāo)題圖片：
無
當(dāng)編輯區(qū)有插入圖片時(shí)，將自動(dòng)填充此下拉框
*
所屬類別：
(不超過20項(xiàng))
電源產(chǎn)品分類
：
UPS電源
穩(wěn)壓電源
EPS電源
變頻電源
凈化電源
特種電源
發(fā)電機(jī)組
開關(guān)電源(AC/DC)
逆變電源(DC/AC)
模塊電源(DC/DC)
電源應(yīng)用分類
：
通信電源
電力電源
車載電源
軍工電源
航空航天電源
工控電源
PC電源
LED電源
電鍍電源
焊接電源
加熱電源
醫(yī)療電源
家電電源
便攜式電源
充電機(jī)(器)
勵(lì)磁電源
電源配套分類
：
功率器件
防雷浪涌
測試儀器
電磁兼容
電源IC
電池/蓄電池
電池檢測
變壓器
傳感器
軸流風(fēng)機(jī)
電子元件
連接器及端子
散熱器
電解電容
PCB/輔助材料
新能源分類
：
太陽能(光伏發(fā)電)
風(fēng)能發(fā)電
潮汐發(fā)電
水利發(fā)電
燃料電池
其他類
：
其他
靜態(tài)頁面：
生成靜態(tài)頁面
*
內(nèi) 容：
<P> </P> <P> 圖技術(shù)是整合上下文情境和關(guān)聯(lián)的有效選擇，使人工智能解決方案更高效</P> <P> 作者：Neo4j首席執(zhí)行官Emil Eifrem</P> <P> 如果認(rèn)真構(gòu)建人工智能(AI)來做出與人類同樣聰明和明智的選擇，研究為決策提供信息的重要環(huán)境因素——上下文情境，則有非凡意義。</P> <P> 就本質(zhì)而言，人工智能需要上下文來模仿人類的智力水平。畢竟，上下文是構(gòu)建事物并賦予其意義的信息。例如，一個(gè)人說“滾出去！”可能表達(dá)并無敵意的驚訝，或者憤怒地要求某人離開房間。然而，這無法僅僅通過閱讀文字來判斷。</P> <P> 使用上下文情境判斷一種情況下的重點(diǎn)所在，以及如何將此類經(jīng)驗(yàn)應(yīng)用于新情況可以幫助解決這個(gè)問題。機(jī)器人需要依賴上下文情境做出更接近人類的決策。如果沒有外部及相關(guān)信息，人工智能將需要更全面的訓(xùn)練、更規(guī)范的規(guī)則，而且長期局限在更多特定應(yīng)用中。</P> <P> 問題的關(guān)鍵在于必須發(fā)現(xiàn)上下文情境。人工智能科學(xué)家曾試圖通過構(gòu)建狹窄但功能強(qiáng)大到足以將一件事做到極致的系統(tǒng)來省略發(fā)現(xiàn)上下文情境。窄人工智能專注于出色地執(zhí)行一項(xiàng)任務(wù)，例如圖像識別等，但它無法橫向擴(kuò)展，無法圍繞計(jì)劃、語言理解、目標(biāo)識別、學(xué)習(xí)或解決問題等產(chǎn)生與人類相似的復(fù)雜理解。</P> <P> 關(guān)聯(lián)數(shù)據(jù)和定義關(guān)系</P> <P> 為人工智能應(yīng)用提供上下文情境的方法之一是通過圖擴(kuò)展人工智能的能力以應(yīng)對復(fù)雜性。圖數(shù)據(jù)庫是一種管理數(shù)據(jù)的方式，與Oracle或Microsoft SQL Server等傳統(tǒng)關(guān)系型數(shù)據(jù)庫的存儲方法截然不同。它也不同于MongoDB這樣的NoSQL。Gartner指出企業(yè)對圖數(shù)據(jù)庫的關(guān)注是當(dāng)前主要趨勢之一，而行業(yè)也步入了“圖時(shí)代”。</P> <P> 圖適用于從亞馬遜購物推薦到欺詐和洗錢檢測等各種用例。圖技術(shù)越來越多地被用于支持人工智能和機(jī)器學(xué)習(xí)(Machine Learning)計(jì)劃。因?yàn)槠湓軜?gòu)為人工智能應(yīng)用程序提供了缺失的上下文，早期研究結(jié)果表明有上下文關(guān)聯(lián)的人工智能遠(yuǎn)遠(yuǎn)優(yōu)于不包含此背景的人工智能。圖技術(shù)關(guān)聯(lián)數(shù)據(jù)并定義關(guān)系，有相關(guān)上下文情境的圖技術(shù)可以增強(qiáng)人工智能，它提供了一種有效的手段為復(fù)雜人工智能應(yīng)用程序的發(fā)展賦能。</P> <P> 以自動(dòng)駕駛汽車為例。因?yàn)槌睗裉鞖獯嬖诤艽笞償?shù)，設(shè)計(jì)自動(dòng)駕駛汽車在雨天的行駛非常困難，也無法針對所有可能發(fā)生的情況對車輛進(jìn)行訓(xùn)練。但如果為人工智能提供相關(guān)上下文信息（雨、光、交通擁堵和溫度），則可以整合多個(gè)上下文信息，幫助車輛推斷下一步行動(dòng)。</P> <P> 圖至少可以在四個(gè)方面為人工智能提供上下文情境支持。第一是知識圖譜，用于提升決策支持并確保針對某種特定情況提供最合適的答案。谷歌搜索是上下文豐富的知識圖譜中最常見的用例，文檔分類和客戶支持也是常見的應(yīng)用。上下文豐富的知識圖譜非常適用于以文檔形式獲取大量知識的組織機(jī)構(gòu)。例如NASA經(jīng)驗(yàn)教訓(xùn)(Lessons Learned)數(shù)據(jù)庫收集了50年來所有太空項(xiàng)目的知識。</P> <P> 其次，通過圖加速的機(jī)器學(xué)習(xí)使用圖來優(yōu)化模型并加快流程。當(dāng)前的機(jī)器學(xué)習(xí)方法通常依賴于存儲在表格中的數(shù)據(jù)，但使用此類數(shù)據(jù)指導(dǎo)的網(wǎng)絡(luò)是資源密集型的。圖呈現(xiàn)了相互關(guān)聯(lián)的數(shù)據(jù)，并提供上下文情境以提高效率，實(shí)現(xiàn)快速、大規(guī)模地遍歷和分析多種分離度的關(guān)系。</P> <P> 第三，關(guān)聯(lián)特征提取分析數(shù)據(jù)以識別其中包含的最具預(yù)測性的要素。例如，研究表明，與直接朋友相比，更廣的朋友網(wǎng)絡(luò)可能是預(yù)測其如何投票的更適合指標(biāo)。另一用例是圖算法如何簡化查找隱藏社區(qū)的異常情況，這些社區(qū)可能是欺詐團(tuán)伙或洗錢網(wǎng)絡(luò)。</P> <P> 第四，圖為人工智能如何決策提供一種透明方式。這種能力對于長期應(yīng)用人工智能至關(guān)重要，因?yàn)樵卺t(yī)療保健、信用風(fēng)險(xiǎn)評分和刑事司法等行業(yè)，解釋決策的方式和原因非常必要。獲得上下文支持的人工智能可以幫助監(jiān)督者在上下文數(shù)據(jù)集里繪制決策路徑并將其可視化，消除影響決策過程中下結(jié)論及提供建議的信心的“黑匣子”。</P> <P> 讓人工智能更值得信賴</P> <P> Neo4j堅(jiān)信圖對人工智能至關(guān)重要，因此已正式向正在制定美國人工智能政府標(biāo)準(zhǔn)的NIST（美國國家標(biāo)準(zhǔn)與技術(shù)研究院）提交了圖和人工智能提案。提案指出，當(dāng)只有圖軟件提供上下文信息支持和解釋時(shí)，人工智能和智能計(jì)算相關(guān)應(yīng)用（如機(jī)器學(xué)習(xí)）才會更加有效、可信和強(qiáng)大。</P> <P> 未明確包含上下文信息的人工智能將導(dǎo)致低于標(biāo)準(zhǔn)的結(jié)果，但代表關(guān)聯(lián)數(shù)據(jù)的圖軟件可以進(jìn)一步提供幫助。利用圖技術(shù)的力量來豐富數(shù)據(jù)集，使其更具效力，為下一代人工智能的成功奠定更好的基礎(chǔ)。</P>
主站蜘蛛池模板：
扶绥县
|
浮梁县
|
资阳市
|
山东省
|
松江区
|
扶余县
|
翁牛特旗
|
临安市
|
红河县
|
珲春市
|
宁海县
|
青州市
|
南华县
|
龙游县
|
元朗区
|
堆龙德庆县
|
扎鲁特旗
|
荣成市
|
许昌市
|
和平县
|
汉沽区
|
白银市
|
汉中市
|
丹巴县
|
阿拉善右旗
|
南安市
|
云和县
|
兴仁县
|
吴江市
|
常宁市
|
罗山县
|
繁峙县
|
梅州市
|
斗六市
|
香河县
|
博湖县
|
灌阳县
|
永康市
|
齐齐哈尔市
|
菏泽市
|
汽车
|