搜索[智能体开发]结果-低调大师优秀个人博客

精选列表

搜索[智能体开发]，共10000篇文章

2017杭州云栖大会智能客服专场预热 — 用心服务客户，用云助力客服

在本次云栖大会的智能客服专场中，我们将会向您揭晓人工智能技术带来的红利如何的在企业智能客服场景的真实落地。

2017-09-25

基于高安全性zigbee传输技术，Wulian推出200+智能家居产品

随着90后一代开始组建家庭，智能家居产品也走入爆发期。近日，《2016-2017中国物联网发展年度报告》发布。其数据显示，我国智能家居市场规模稳步扩大。

2017-09-13

比CPU效率高30倍阿里云推出FPGA人工智能加速服务

9月12日，阿里云宣布将推出新一代FPGA计算实例F2，该产品基于Xilinx（赛灵思）硬件可编程芯片打造，可在云上实现FPGA加速业务的快速研发、安全分发、一键部署和弹性伸缩，为人工智能产业提供加速服务

2017-09-12

对话阿里云异构计算掌舵人：人工智能爆发三要素

计算，正在撬动人工智能产业这个千亿级的市场。传统通用计算无法满足人工智能对爆发的计算能力需求，异构计算中GPU/FPGA等高并行、高密集的计算能力被认为是现阶段挑起人工智能产业的大梁。

2017-09-12

阿里云异构计算产品家族亮相，为人工智能提供全球加速能力

计算正推动着人工智能更大规模的爆发。 9月12日，阿里云宣布推出全新一代异构加速平台，为人工智能产业提供多场景化的全球加速能力。

2017-09-11

《Web安全之机器学习入门》一 1.4 人工智能在安全领域的应用

1.4 人工智能在安全领域的应用人工智能在安全领域的应用还属于起步阶段，各大安全公司以及互联网巨头都投入大量的人力物力，试图使用人工智能的技术来颠覆安全这个行业，目前在黄反鉴定、恶意链接、业务风控领域

2017-09-07

《数据虚拟化：商务智能系统的数据架构与管理》一 1.3 虚拟化简介

1.3 虚拟化简介数据虚拟化这一术语是基于虚拟化的。虚拟化在IT产业并不是一个新概念。虚拟化的第一个应用大概是在20世纪60年代，IBM使用这一概念将主机分成独立的虚拟机，这使得一台机器可以并行地运行多个应用程序。还是在20世纪60年代，虚拟存储通过使用一种称为分页的技术引入。内存虚拟化用来模拟比一台机器可用物理内存更多的存储空间。现在，几乎所有东西都能虚拟化，包括处理器、存储（见文献［3］）、网络、数据中心（见文献［4］）和操作系统。虚拟机和云也可以被视作虚拟化技术。一般来说，虚拟化意味着应用程序可以使用一种资源而不需考虑它存储在什么地方，技术接口是什么，是如何实现的，使用的平台是什么，以及有多少是可用的。虚拟化方法封装资源使得所有的技术细节都隐藏起来，并且应用程序可以使用一个更简单的接口进行工作。我第一次参加资源虚拟化的项目是

2017-09-07

物联网应用愈趋复杂传感器智能化大势所趋

物联网复杂度提升、数据量增，导入智能化应用有其必要性。

2017-09-07

走进徐工：当我们谈智能制造时，我们谈些什么——ZDNet践行者

中国提出了“中国制造2025”来应对新一轮科技和产业的变革，其中智能制造将作为主攻方向。

2017-09-05

直击英特尔IDF16：加速万物智能互联世界到来

英特尔全球副总裁兼中国区总裁杨旭的大会演讲表示，世界正在向万物智能互联演进，“万物智能互联”将是新一轮技术的发展方向。

2017-09-03

《中国人工智能学会通讯》——5.31 制造服务的产生与聚合

许多技术可以用来感知制造资源，如RFID、无线传感器网络、信息物理系统（CPS,cyber physical systems）等[5]；尤其，物联网技术在制造中的应用使得制造资源的感知与接入的实现更加容易，基于物联网的智能感知与接入系统已经被设计并初步应用于实践中

2017-09-03

5G为智能工厂带来什么商机?让您一看就清楚!!

继上周跟大家提到5G与智慧零售的关系后，本周要来谈谈5G与智能工厂的关系!!

2017-09-03

Atmel率先推出超级安全的加密器件构建智能、联网、安全的系统

全球微控制器（MCU）及触控解决方案领域的领导者Atmel®公司（NASDAQ：ATML）近日推出其下一代CryptoAuthentication™产品。 Atmel的ATECC508A是首款集成ECDH（椭圆曲线Diffie-Hellman）安全协议的器件，面向诸如家庭自动化、工业联网、配件与耗材验证、医疗、移动等物联网（IoT）市场提供可靠的安全防护。ECDH协议是提供密钥加密/解密协议的一种极为安全的方法，并能提供ECDSA（椭圆曲线数字签名算法）签名与验证的认证功能。 Atmel最新的ATECC508A是加入 CryptoAuthentication 产品组合的第二款集成电路（IC），具备先进的椭圆曲线密码（ECC）加密功能。该器件搭载ECDH和ECDSA，能够有效地为那些由MCU或MPU在软件内运行加密/解密算法（如AES）的系统提供卓越的保密性、数据完整性和身份验证功能，是快速增长的物联网市场的理想选择。延续Atmel CryptoAuthentication产品的一贯优势，最新ATECC508A采用了超级安全的基于硬件的加密密钥存储与加密对策，安全性相比基于软件的密钥存储更高一筹。下一代CryptoAuthentication器件可与市场上包括 Atmel | SMART和Atmel AVR® MCU及MPU在内的所有现有微控制器和微处理器相兼容。与所有CryptoAuthentication器件相同，ATECC508A具备超低功耗，在一个宽广的电压范围内仅需一个通用I/O，而且具有精妙紧凑的封装规格，因此成为各类需要较长电池使用寿命和灵活规格的应用的理想选择。 Atmel公司高级副总裁兼汽车、航空航天和存储事业部总经理Rob Valiton表示：“作为安全领域的领导者， Atmel始终致力于为物联网市场中相互连接的数十亿设备提供创新的安全解决方案。Atmel最新推出的CryptoAuthentication IC是同类产品中首款采用基于硬件的密钥存储策略，从而提供全面的安全功能，特别是保密性、数据完整性和认证功能。未来我们很高兴能够继续为包括物联网、无线、消费电子、医疗、工业、汽车等各类应用提供超级安全的加密器件解决方案。” ATECC508A的主要安全特性包括：经过优化的密钥存储和认证功能应用所存储的私钥进行ECDH操作 ECDSA（椭圆曲线数字签名算法）签名与验证支持X.509认证格式 256位SHA/HMAC硬件引擎采用FIPS SP 800-90A DRBG的多层级RNG 有保证的72位唯一ID I2C和单线接口 2 - 5.5V工作电压，150-nA待机电流 10.5-kbit EEPROM用以存储密钥和私钥高耐力单调计数器 UDFN、SOIC和3接点封装原文发布时间为：2015年03月06日本文来自云栖社区合作伙伴至顶网，了解相关信息可以关注至顶网。

2017-09-03

《中国人工智能学会通讯》——3.32 短期机遇（Short-Term Opportunities）

增强现实也被应用在飞机驾驶舱的平视显示器中，还成为了智能手机应用中一个标准配置。

2017-09-03

《中国人工智能学会通讯》——2.31 跨环境抽象（Abstracting Across Environments）

2.31 跨环境抽象（Abstracting Across Environments）人工智能领域的一个长期目标是实现人工通用智能，一个单一的学习程序可以同时在完全不同的领域进行学习和行动，可以转换一些学习到的技巧和知识

2017-09-03

《中国人工智能学会通讯》——3.6 跨网络链接预测的研究

3.6 跨网络链接预测的研究在线社交网络已取得飞速发展，众多网站，如Facebook（脸书）、Twitter 以及国内的新浪微博、人人网、腾讯网等迅速崛起。其中，Facebook 的用户数已经达到14亿，成为世界人口最多的“国家”，这些用户每月花在 Facebook 上的时间超过 6.4 亿分钟；Twitter 用户数也达到 6.4 亿。微信和微博是国内在线社交网络的两个代表，用户数也分别达到5.4 亿和 2.4 亿；阿里巴巴在双 11 节创下 24 小时912 亿元的成交额（见表 1）。表 1 几个主要在线社交网站基本统计数据所有这些数据显示，在线社交网络已经成为网络信息空间和人类物理世界连接不可或缺的桥梁。在线社交网络发展的另一特点是百花齐放，这里1列出了近 400 个比较活跃的社交系统，用户分布在不同社交网络中，同时为了满足不同需求在不同社交网络中分别注册不同账号。一个初步统计表明，用户平均加入的社交网络数量是 8。针对美国用户的统计分析2表明，近 2/3 的美国成人使用如Facebook、Twitter、MySpace 或者 LinkedIn 等社交网络来和朋友、家人以及商业伙伴保持联络。从研究的角度，这一方面为研究提供了海量数据；另一方面由于用户数据分布异构在不同的社交网络，这也为研究带来很多新的挑战。其中一个技术挑战是，我们能设计一个方法将不同社交网络自动链接起来吗？该问题即跨网络链接集成（预测） [1] 。跨网络链接预测事实上带来很多针对传统研究问题的思考。例如信息抽取，这是 Web 挖掘、自然语言处理、模式识别等多个领域的一个核心问题。传统的研究思路一般是首先找到目标页面，然后从其中抽取相关信息，如图 1(a) 所示，如果需要抽取Jeannette Wing 博士的个人信息，可以首先找到她的个人主页，然后从其中抽取职位、联系信息、教育经历等信息。然而在线社交网络的快速发展带来三个改变，第一个改变是这些语义信息更加异构且分布在不同数据源；第二个改变是信息更加结构化，很多信息在某些数据源可能是无结构，但在另一些数据源却已经是结构化的数据；第三个改变则是不同数据源数据的时效性不同。从跨网络链接预测的角度来看，获取信息的主要办法不再是单纯的抽取，而更重要的是如何自动链接不同数据源，并从其中识别哪些语义数据是有效的。例如 Talent 系统通过整合散落在多个网络的用户信息，为雇主提供了更全面的用户画像[2] 。图 1(b) 从网络的角度给出异构网络链接的示例，这表明在跨网络链接预测中，不仅需要考虑数据本身，还需要考虑网络拓扑结构，以及多个网络之间的一致性问题。跨网络链接和传统单网络中的链接预测不同，链接预测是社交关系挖掘研究领域的一个重要研究课题，多年来受到多个领域的广泛关注。但目前大部分链接预测的研究对象是单一网络，主要预测和推荐单个网络中未知的链接，研究新链接的形成机理，讨论链接预测的方法、模型和应用。以手机通讯网络为例，在单个通讯网络内部可以预测用户和用户之间通信链接的建立；而跨网络链接预测，则可以通过某运营商内部用户的通信关系和部分与其他运营商用户的通信关系，成功地预测其竞争对手80% 以上的用户通信关系[3] 。通过主题模型，实现专利与产品的匹配，以及中英文 Wiki 页面匹配。对比传统方法，两个应用中分别可以提高 19.8% 及7.1% 的实体匹配准确率[4] 。本文将从问题描述、主要方法和未来展望几个方面简要介绍跨网络链接预测问题的研究。

2017-09-03

《中国人工智能学会通讯》——6.6 实体消歧技术研究

自然语言理解和类人智能推理一直是人工智能的长期目标之一。然而上述两项任务都依赖于海量的世界知识，也就是知识图谱的帮助。

2017-09-03

《中国人工智能学会通讯》——11.14 三维人脸识别算法

11.14 三维人脸识别算法三维人脸识别由于其类内差距大而类间差距小，且易受表情变化等非刚性形变影响等特点，一直是一个富有挑战的模式识别问题[5] 。此外，三维人脸识别还易受头发遮挡，以及数据缺失等因素的影响。通过分析发现，虽然表情变化会改变人脸的三维形状，但人脸的局部形状信息依然能保持较好的稳定性。因此，采用局部特征匹配的方式可以有效地降低表情变化对人脸识别带来的负面影响。基于此，本文提出了一种基于 RoPS 局部特征的三维人脸识别算法[9] 。该算法首先采用鼻尖检测获得人脸点云；接着对三维人脸进行平滑补洞等预处理；进而在人脸上检测一系列具有较强类属关联性的关键点 ( 如图 10所示 )，这些关键点在不同个体人脸上的分布存在较大差异，但在同一个个体不同表情人脸上的分布较为相似。在此基础上，通过局部特征匹配与点云配准实现对三维人脸的融合识别 ( 如图 11 所示 )。在 FRGC v2 标准数据集上的测试结果 ( 见表 1)表明，本文算法获得了非常高的识别率和对表情变化的稳健性。该算法的贡献在于两方面，一方面，采用局部特征有效降低了表情变化对人脸识别的不利影响；另一方面，综合利用人脸局部和全局信息，采用特征匹配和点云配准实现融合识别，进一步提高了识别算法的精度。

2017-09-03

《中国人工智能学会通讯》——4.39 什么是深度强化学习？

4.39 什么是深度强化学习？现在街头巷尾都在谈论的机器学习，其实是一个非常宽泛的概念，而其中最酷的分支要算是深度学习（Deeplearning）和强化学习（Reinforcementlearning）了。谷歌的 DeepMind 就是将深度学习和强化学习这两者的精髓合二为一，提出了深度强化学习。在 2014 年的时候，这个团队就在《Nature》杂志上发表了题为《Human-level control through deepreinforcement learning》的论文，让业界对此充满了期待。深度学习起源于 2006 年，这要感谢机器学习领域的泰斗 Geoffrey Hinton 先生，是他在《Science》上的一篇著名论文开启了深度学习的浪潮。Geoffrey Hinton先生是个非常勤奋的学者，老人家腰椎不是太好，写个代码都得站着，而且还无法坐飞机，正所谓，伟大的人总要有伟大的付出，在此，向他致敬！深度学习是一种机器学习中建模数据的隐含分布的多层表达的算法。换句话来说，深度学习算法自动提取分类中所需要的低层次或者高层次特征，因此深度学习能够更好的表示数据的特征；同时由于模型的层次、参数很多，容量也足够，因此深度学习模型有能力表示大规模数据。所以对于图像、语音这种特征不明显的棘手问题，反而能够借助深度学习在大规模训练数据上取得更好的效果。而且由于深度学习将特征和分类器结合到一个框架中，用数据去学习特征，在使用中减少了手工提取特征的巨大工作量，因此不仅仅效果可以更好，而且应用起来也非常方便。因此深度学习在图像识别和语音识别方面获得了巨大的进步。强化学习，其实，就是一个连续决策的过程，其特点是不给任何数据做标注，仅仅提供一个回报函数，这个回报函数决定当前状态得到什么样的结果（比如“好”还是“坏”），从数学本质上来看，还是一个马尔科夫决策过程。强化学习最终目的是让决策过程中整体的回报函数期望最优。通过所谓的类似于人脑网状结构的神经网络，深度学习是可以解决很多很实际的问题。例如谷歌的图像搜索、Facebook 的人脸识别、Skype 的实时翻译，以及 Twitter 的色情语言识别。强化学习则将深度学习又往前推进了一步，一旦你建立起了一个玩游戏的深度学习网络，你可以通过强化学习，让它和自己进行比赛，自我进化。

2017-09-03

《中国人工智能学会通讯》——11.53 合成人脸画像质量评价

11.53 合成人脸画像质量评价下面对以上三章中提到的基于稀疏近邻选择方法（SFS, Sparse Feature Selection）、基于人脸幻象思想的合成方法（SFS-SVR, Sparse FeatureSelection & Support Vector Regression）和基于直推式学习的方法（TFSS, Transductive Face SketchSynthesis）三种算法，以及基于位置的人脸画像合成方法 (PFSS, Position based Face Sketch Synthesis)[15]和基于马尔科夫权重场的方法 (MWF, MarkovWeight Field) [7] 进行质量评价。用这五种算法在CUHK 学生画像数据库[6]和 AR 画像数据库[16]上进行合成实验，每种算法生成 223 张画像（CUHK学生数据库 100 张，AR 数据库 123 张），算法部分合成结果示于图 5 中。图中，第一列为数据库中照片；第二列为画家手绘真实画像；第三列至最后一列分别为 SFS 方法、SFS-SVR 方法、PFSS 方法、MWF 方法及 TFSS 方法。这里采用的主观评价算法是两两成对比较。由于进行评价的目的是评价合成算法合成的效果，因而进行成对比较时，只需要比较对应于数据库中同一人的 5 种算法生成的画像的质量，即成对比较的内容是“相同”的（这里的内容相同指他们都属于同一个人的合成画像）。评价合成画像质量时，一般从两个方面来评价。① 合成的画像跟输入照片像不像；② 合成的画像纹理好不好。后台打分的规则是：画像 A 比画像 B 质量高，则 A 画像得 2 分，反之 B 得 2 分。如果无法判定（即不确定两者质量孰好孰坏）则两者均得 1 分。故每幅画像最高得分为 8 分（与其余四种算法合成的对应身份的画像质量相比，均判断为更好），最低得分为 0 分（其余四种算法合成的对应身份的画像质量与之相比均判断为更好）。实验中共邀请 16 位测评者进行测评，这些测评者来自各行各业，有工程师、学生、工人和老师等。图 6 示出了主观质量评价的一种统计展示，其中，横轴为评价分数取值范围为 0~8 分；纵轴为百分比，表示某个合成算法合成的画像质量评价分数，大于横轴对应的分数的画像占该算法合成画像总数（本数据库中为 223）的百分比。该百分比越大，说明对应算法取得大于某分数的合成画像数量越多。从图中可以看出，TFSS 方法取得效果最佳。从图 6 中可以看出，基于直推式学习的合成方法 TFSS 总体评价值最高，基于马尔科夫权重场的合成方法 MWF 与基于位置的合成方法 PFSS 在大于 3 分小于 6 分的区间内领先于 SFS 和 SFS-SVR。但在小于 3 分的区间内，SFS-SVR 领先于除 TFSS之外的所有方法。由于模糊的原因，SFS 方法在五个合成算法中合成效果最差。这里需要注意的是由于主观评价做的是成对比较，比较的是算法，故这里 SFS 合成效果差只是相对于其他四种算法，并不是绝对的。SFS-SVR 方法大于所有的合成图像都大于 1 分，大于 2 分的占 99.5% ，说明仅有一张图像小于 2 分，且该图像得分大于 1 分。所有方法最终得到的平均质量评价分数没有等于 8 分（本系统中质量评价值最高位 8 分）的，说明没有一张合成画像是所有测评者认为其质量均优于其他四种算法合成效果的。此外，我们还进行了基于上面五种算法合成的画像的人脸识别实验。由于本文的重点是异质人脸图像合成，人脸识别是提出的合成算法的下游应用之一，因此这里不再深究具体的人脸识别算法，而采用最常用的 3 个人脸识别算法，即 Eigenface[17] 、Fisherface [18]和 NLDA (Null-space LinearDiscriminant Analyisis) [19] 。XM2VTS 数据库[20]中的 195 对画像和照片作为训练人脸识别算法的数据集。表 1 给出了基于 5 种方法合成的人脸画像的最高识别率 , 以及对应的特征维数 ( 括号中的数字 )。从表 1 中可以看出，SFS 方法和 SFS-SVR 合成方法在使用 Fisherface 和 NLDA 识别方法时，能够在特征维数很低的情况下取得最高的准确率，维数越低，运算量越低，实时性越高。Fisherface 和 NLDA方法是监督学习方法，而 Eigenface 是无监督方法，故 Fisherface 和 NLDA 的人脸识别准确率明显高于Eigenface 方法。结合前面图 6 中给出的主观质量评价结果可以看出，并不是主观评价质量越高的图像越适合计算机进行人脸识别。人们评价图像时会被细节信息吸引，而这些细节信息有时并不一定适合于计算机进行识别，对于计算机而言，这些细节信息可能是“噪声”。现有的识别方法更多的是基于统计的一些信息来进行识别，而不是细节的一些信息，故而在主观评价质量值最低的两个方法 (SFS 和SFS-SVR) 反而能取得最高的人来识别准确率。

2017-09-03

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

精选列表

2017杭州云栖大会 智能客服专场预热 — 用心服务客户，用云助力客服

基于高安全性zigbee传输技术，Wulian推出200+智能家居产品

比CPU效率高30倍阿里云推出FPGA人工智能加速服务

对话阿里云异构计算掌舵人：人工智能爆发三要素

阿里云异构计算产品家族亮相，为人工智能提供全球加速能力

《Web安全之机器学习入门》一 1.4 人工智能在安全领域的应用

《数据虚拟化：商务智能系统的数据架构与管理》一 1.3 虚拟化简介

物联网应用愈趋复杂 传感器智能化大势所趋

走进徐工：当我们谈智能制造时，我们谈些什么——ZDNet践行者

直击英特尔IDF16：加速万物智能互联世界到来

《中国人工智能学会通讯》——5.31 制造服务的产生与聚合

5G为智能工厂带来什么商机?让您一看就清楚!!

Atmel率先推出超级安全的加密器件构建智能、联网、安全的系统

《中国人工智能学会通讯》——3.32 短期机遇（Short-Term Opportunities）

《中国人工智能学会通讯》——2.31 跨环境抽象（Abstracting Across Environments）

《中国人工智能学会通讯》——3.6 跨网络链接预测的研究

《中国人工智能学会通讯》——6.6 实体消歧技术研究

《中国人工智能学会通讯》——11.14 三维人脸识别算法

《中国人工智能学会通讯》——4.39 什么是深度强化学习？

《中国人工智能学会通讯》——11.53 合成人脸画像质量评价

资源下载

Mario

Spring

Rocky Linux

Sublime Text

欢迎您来访！

2017杭州云栖大会智能客服专场预热 — 用心服务客户，用云助力客服

物联网应用愈趋复杂传感器智能化大势所趋