搜索[智能体执行环境]结果-低调大师优秀个人博客

精选列表

搜索[智能体执行环境]，共10000篇文章

《数据虚拟化：商务智能系统的数据架构与管理》一 1.12 数据虚拟化服务模型

1.12 数据虚拟化服务模型本质上，每个数据虚拟化服务器都有其自己的技术架构，但是在概念层面上，它们都至少由两个主要模型组成：设计模型和运行模型。另外还有一个存储元数据规范的字典。这三部分如图1-12所示。设计模型由分析员、设计者和可能用到虚拟化规范的用户使用。这里涉及例如概念定义；数据模型；转换、清洗和集成规范等规范。所有这些规范都存储在字典里。运行模型是数据使用者访问虚拟化层时使用的模型。它是处理所有输入请求的模型。它决定了最好的查询运行机制，知道怎样访问不同的数据存储技术，知道怎样集成数据，等等。它由调度程序、存储引擎、缓存管理和查询优化器等组成。

2017-09-07

《数据虚拟化：商务智能系统的数据架构与管理》一 1.13 数据虚拟化的历史

1.13 数据虚拟化的历史术语数据虚拟化的历史相对较短。不清楚这一术语确切的创造时间。似乎是Eric Broughton在2005年发表的一篇论文中第一次使用它（见文献［12］）。然而，它的概念、一些产品和研究比这早很多。因为数据虚拟化产品在功能性上很丰富，所以有很多技术都促进了它们的发展。因此，为了展现一幅完整的历史画面，我们需要介绍分布式数据库、数据联合、XSLT和XQuery以及插件的历史。分布式数据库：技术上来讲，数据虚拟化服务的关键特点之一是数据联合，数据联合可以有效地连接来自异构数据存储集的数据。数据联合技术第一次实现是在分布式数据库服务器中。在分布式数据库服务器中，多个独立的数据库服务器可以以一个单独的逻辑数据库工作。这就意味着数据使用者可以输入一个由不同的数据库服务器管理的多个表的连接查询。分布式数据库服务器的任务

2017-09-07

万物互联时代，人工智能会成为网络安全的新出路吗？

随着人工智能在各垂直行业的应用不断落地，用人工智能预测网络攻击的技术已经出现，但网络安全中的威胁识别，实际上经历了漫长的演进过程。

2017-09-04

从智能识别到认知行业解决方案 IBM认知计算助力神思电子转型升级

IBM将为神思提供一站式的业务解决方案和技术支持服务，运用认知计算和应用能力帮助其展开由从智能识别到认知行业解决方案，由行业深耕到行业贯通的转型升级。

2017-09-03

《中国人工智能学会通讯》——2.27 利用深度学习改进统计机器翻译

2.27 利用深度学习改进统计机器翻译利用深度学习改进统计机器翻译的核心思想是以统计机器翻译为主体，使用深度学习改进其中的关键模块，如语言模型[1] 、翻译模型 [2] 、调序模型 [3] 、词语对齐[4]等。深度学习能够帮助机器翻译缓解数据稀疏问题。以语言模型为例。语言模型能够量化译文的流利度，对译文的质量产生直接的重要影响，是机器翻译中的核心模块。传统的语言模型采用 n-gram方法，通过极大似然估计训练模型参数。由于这种方法采用离散表示（即每个词都是独立的符号），极大似然估计面临着严重的数据稀疏问题：大多数n-gram 在语料库上只出现一次，无法准确估计模型参数。因此，传统方法不得不使用平滑和回退等策略来缓解数据稀疏问题。但即使采用平滑和回退策略，统计机器翻译系统还是因为数据过于稀疏而无法捕获更多的历史信息，通常仅能使用 4-gram或者 5-gram 语言模型。深度学习著名学者、加拿大蒙特利尔大学Yoshua Bengio 教授在 2003 年率先提出基于神经网络的语言模型[5] ，通过分布式表示（即每个词都是连续、稠密的实数向量）有效缓解了数据稀疏问题。美国 BBN 公司的 Jacob Devlin 等人于 2014年进一步提出神经网络联合模型（Neural NetworkJoint Models） [1] 。传统的语言模型往往只考虑目标语言端的前 n-1 个词。以图 1 为例，假设当前词是“the”，一个 4-gram 语言模型只考虑之前的三个词：“get”、“will”和“i”。Jacob Devlin 等人认为，不仅仅是目标语言端的历史信息对于决定当前词十分重要，源语言端的相关部分也起着关键作用。因此，其神经网络联合模型额外考虑五个源语言词，即“就”、“取”、“钱”、“给”和“了”。由于使用分布式表示能够缓解数据稀疏问题，神经网络联合模型能够使用丰富的上下文信息（图 1 共使用了 8 个词作为历史信息），从而相对于传统的统计机器翻译方法获得了显著的提升（BLEU 值提高约 6 个百分点），因此获得了自然语言处理领域重要国际会议 ACL 2014 的最佳论文奖。对机器翻译而言，使用神经网络的另一个优点是能够解决特征难以设计的问题。以调序模型为例。基于反向转录文法的调序模型[6]是基于短语的统计机器翻译的重要调序方法之一，其基本思想是将调序视作二元分类问题：将两个相邻源语言词串的译文（1）顺序拼接或（2）逆序拼接。传统方法通常使用最大熵分类器，但是如何设计能够捕获调序规律的特征成为难点。由于词串的长度往往非常长，如何从众多的词语集合中选出能够对调序决策起到关键作用的词语是非常困难的。因此，基于反向转录文法的调序模型不得不仅基于词串的边界词设计特征[6] ，无法充分利用整个词串的信息。利用神经网络能够缓解特征设计的问题，首先利用递归自动编码器（Recursive Autoencoders）生成词串的分布式表示；然后基于四个词串的分布式表示建立神经网络分类器[3] 。因此，基于神经网络的调序模型不需要人工设计特征就能够利用整个词串的信息，显著提高了调序分类准确率和翻译质量。实际上，深度学习不仅能够为机器翻译生成新的特征[1-2] ，还能够将现有的特征集合转化生成新的特征集合[7] ，显著提升了翻译模型的表达能力。然而，尽管利用深度学习改进统计机器翻译取得了显著的效果，但仍然面临以下难题。 ● 线性不可分：整体框架仍是线性模型，高维数据线性不可分的情况依然存在。虽然可以在保持特征不变的情况下将线性模型替换为非线性模型[8] ，但目前尚未获得大幅度的提升。 ● 非局部特征：通过深度学习引入的新特征往往是非局部的，导致无法设计高效的动态规划算法，从而不得不采用在后处理阶段进行超图重排序等近似技术[9] 。能不能直接利用神经网络进行机器翻译呢？

2017-09-03

《中国人工智能学会通讯》——6.4 基于深度学习的知识图谱构建

早期的命名实体识别主要基于规则和词典来进行，对规律性较强的文本环境较为适合，但难以摆脱对领域专家的的依赖，费时费力且难以移植[28] 。

2017-09-03

《中国人工智能学会通讯》——1.45 先做个普及，到底什么是虹膜识别

事实上虹膜识别已经渗透到我们的生活中，今年 5 月在日本运营商 NTTDoCoMo 举办的新机发布会上，富士通便推出了搭载虹膜识别技术的新款机型 ArrowsNXF-04G，这也是全球首款量产的具备虹膜识别技术的智能手机

2017-09-03

《中国人工智能学会通讯》——7.2 基于深度学习的自然语言处理

7.2 基于深度学习的自然语言处理深度学习旨在模拟人脑对事物的认知过程，一般是指建立在含有多层非线性变换的神经网络结构之上，对数据的表示进行抽象和学习的一系列机器学习算法。该方法已对语音识别、图像处理等领域的进步起到了极大的推动作用，同时也引起了自然语言处理领域学者的广泛关注。如图 1 所示，深度学习为自然语言处理的研究主要带来了两方面的变化，一方面是使用统一的分布式（低维、稠密、连续）向量表示不同粒度的语言单元，如词、短语、句子和篇章等；另一方面是使用循环、卷积、递归等神经网络模型对不同的语言单元向量进行组合，获得更大语言单元的表示。除了不同粒度的单语语言单元外，不同种类的语言，甚至不同模态（语言、图像等）的数据都可以通过类似的组合方式，表示在相同的语义向量空间中；然后通过在向量空间中的运算来实现分类、推理、生成等各种能力，并应用于各种相关的任务之中。下面分别对这两方面加以详细的阐述。

2017-09-03

《中国人工智能学会通讯》——11.49 异质人脸图像合成及其应用研究

11.49 异质人脸图像合成及其应用研究安城市和智慧城市建设构建了大量的视频监控网络，从而获得了大量的视频以及图像数据。基于这些图像和视频数据，可以利用模式识别技术进行事件分析和身份认证。传统的模式识别方法利用传感器将将现实世界的感兴趣的目标进行图像采集，从而在信息空间中进行目标识别，构建一个基于物理 - 信息空间融合的自动模式识别系统。然而由于视频监控中感兴趣的目标（人或物）成像分辨率低或刻意隐藏身份（伪装、遮挡、侧面、光照等因素），导致传统的基于两元空间（物理空间和信息空间）的模式识别方法效果受到限制。在辅助公共安全技术部门侦破案件的实践中我们发现，在以上的两元空间框架下引入第三元空间——人类认知，将会大大提高破案成功率和效率。以人脸识别为例，公共安全中经常遇到的场景有：① 安装摄像头时为了捕捉尽量大的视角范围往往采用广角摄像头，但当人脸距离摄像头较远时，获得的图像或视频序列分辨率比较低（可能低于16像素×16像素值）[1] ，给机器模式识别带来挑战[2] ；② 由于嫌疑人的刻意躲避，监控摄像头拍摄到的图像、视频可能是侧面或完全没有面部，或者受强烈的光照影响等。针对以上场景，法医刑警可以根据视频或者图像来绘制模拟画像（存在视频或图像数据的情况下），或者根据目击者描述来绘制模拟画像，从而通过人的认知将主要的信息提取出来并补充缺失的信息，去除分辨率低、光照影响以及信息缺失带来的挑战。得到模拟画像后，到公安部门的公民可见光图像数据库中进行检索匹配以确定犯罪嫌疑人身份。这样，就形成了基于三元空间融合的人脸图像识别模型。由于画像和照片在纹理上的不同，使得传统的人脸识别方法难以直接使用。为了减小异质图像间的差异，人们常常通过异质图像的变换将这些不同模态的图像转化为相同模态。以画像和照片为例，我们既可以将照片转换为对应的画像，也可以将画像转换为相应的照片，从而实现异质图像间的变换与合成。对于其他异质图像也存在类似的转换关系。本文将以人脸画像 - 照片间的相互转换为例来介绍现有异质人脸图像的合成方法。事实上，由照片合成画像和由画像合成照片是两个对偶的过程，因此只需要交换其中画像和照片的角色即可得到另一合成过程。

2017-09-03

《中国人工智能学会通讯》——4.42 类人概念学习会是未来吗？

Geoffrey Hinton 先生首先肯定了BPL 模型通过视觉图灵测试的意义，他认为 BPL 方法最令人兴奋的成果或许是能让那些宣称智能计算机系统的学习方式与人类完全不同的批评者闭嘴，因为他们的主要论据正是计算机不能从单个例子中形成概念

2017-09-03

《中国人工智能学会通讯》——10.2 智慧微能源网及工程实践

国内外学者先后提出了智能电力系统、智能电网、微电网等概念来描绘未来电力系统和电网的可能形态[1] 。文献 [1] 明确指出，智能电网即为 110 kV 及以下电压等级的智能电力系统。

2017-09-03

《中国人工智能学会通讯》——10.4 智慧微能源网（群）能量管理

10.4 智慧微能源网（群）能量管理智能微电网能量管理的主要目标为实现多指标自趋优运行[1] 。

2017-09-03

阿里云宣布华北5地域十月开服侧重服务人工智能

8月23日，阿里云宣布即将在10月开放全新地域（Region）——华北5，该地域将部署领先的人工智能、机器学习计算资源及国内首个全系Skylake+25G网络的环境，提供高性能、高可用、低时延、低成本的云计算和人工智能服务

2017-08-31

台湾云端运算产业协会副理事长刘瑞隆：智能大未来

尤其像计算可以带着走，服务器带着走，那这直接就是人工智能，网络越快的结果就让人工智能越容易普及。所以大家在探讨人工智能，刚才讲担心人工智能会不会超越人类。

2017-08-31

中国人工智能学会通讯——一张图看懂BP算法 1.1 引言

1.1 引言神经网络是实现人工智能的重要途径之一。

2017-08-31

中国人工智能学会通讯——深度学习与推荐系统 1 推荐技术简介

在当今信息爆炸时代，个性化推荐系统是面向用户的互联网产品的核心技术，可以帮助用户获取所需要的信息，改善信息超载的问题。推荐系统的技术核心是对用户历史、物品属性和上下文等信息进行建模，以推断出用户兴趣，并向用户推荐感兴趣的物品。在信息大数据时代，要有效地利用海量用户历史信息和物品信息，机器学习技术必不可少。近年来深度学习技术迅猛发展，在多个领域取得了突破性的成果，包括语音处理、计算机视觉、自然语言处理等。本质上说，深度学习可以对数据特征进行复杂的映射，从而有效地学习出特征表示，并发现数据中蕴藏的规律。作为一种较为通用的数据建模方法，深度学习技术近年来在推荐系统领域也被广泛地应用。本文对推荐技术和深度学习在推荐系统上的研究进展进行简要介绍。 1 推荐技术简介早期互联网产品主要以静态网页为主，用户与产品的交互较少。因此早期推荐系统形态主要是个性化程度较低的基于内容的推荐（content-based recommendation）——在用户浏览物品时，根据当前物品属性推荐其他相似物品。现代互联网产品提供许多方式以方便用户与产品的交流，内容提供商可以轻易收集到大量的用户历史，如点击、购买、打分、评论等。因此现代推荐系统的研究主要集中在如何挖掘用户与产品的交互记录，以实现高度个性化的推荐，也就是协同过滤技术（collaborative filtering），奠定了现代推荐系统的基础。在实际应用中，除了海量的用户与产品的交互历史，还有丰富的用户画像（如年龄、性别、兴趣爱好等）、物品属性（如物品类别、描述、价格等）和上下文信息（如当前会话信息、位置等）。因此，实用的推荐算法需要有很强的扩展性，以轻易融合各种辅助信息（side information）。在通用的机器学习框架下，这些辅助信息可以被统一表示为特征向量（feature vector）作为算法的输入，因此称这一类通用推荐算法为基于特征的推荐（feature-based recommendation）。本章节简要介绍主流的协同过滤技术和基于特征的（浅层学习）推荐技术。

2017-08-31

中国人工智能学会通讯——深度学习与推荐系统 3 总结与展望

3 总结与展望本文中简要介绍了推荐系统的核心技术，以及关于深度学习在推荐系统上的最新进展。可以看到，目前深度模型在推荐系统上的应用还处于比较初级的阶段[28]，尤其是技术上的发展较慢于计算机视觉和自然语言处理领域。关于未来工作有如下三点展望。（1）在线学习与增量学习。在实际产品中，用户数据实时到达，为了更好地提供服务，推荐系统模型需要能够实时、有效地刷新推荐列表，这对模型的在线学习和增量学习带来挑战。现有的工作主要考虑矩阵分解等浅层模型的在线学习[13,16]，对于深度模型的研究较为稀疏。（2）关于时间的建模。时间是影响用户行为的一个重要因素，但在现有的推荐系统文献中并没有得到很好的研究。本文对推荐算法的讨论也忽略了时间因素。文献[10]探索了在用户匿名的场景下基于session的推荐，采用了循环神经网络(RNN)对用户的访问序列进行建模。文献[46]考虑了电商场景中预测用户的下一个购物篮，将用户最近一次购物记录作为当前的上下文进行建模。在实际应用中，用户的长期兴趣会随着时间缓慢变化，而短期的兴趣会随着某些事件的发生剧烈变化。如何平衡用户长期和短期的兴趣是个很有意义的研究方向。（3）模型的复杂度和可解释性。深度学习模型通常较为复杂，虽然有较多的模型参数，但并不意味着所有的参数都有意义。为了使深度模型更加实用，并能够快速处理现实中海量的用户数据，降低模型复杂度并增加模型的可解释性非常重要。我们最近的工作[27,41]在这方面做出了一些尝试，通过设计更有效的神经网络操作降低了对模型深度的依赖，并使用注意力机制提高了模型的可解释性。未来方向还包括采用模型压缩技术和哈希学习[47]进一步提高模型的效率。

2017-08-31

智能盒子大比拼：Fire TV vs. Apple TV vs. Roku 3 vs. Chromecast

亚马逊新发布的 Fire TV 旨在占领家庭娱乐市场，但这条路上的竞争者可不少。 Fire TV是一台机顶盒，也是一台游戏机。除了会与Apple TV、Roku、Google Chromecast等机顶合竞争外，还会抢占Xbox One、PS 4，甚至Android Ouya等游戏机的市场。在比较Fire TV与其他机顶盒（对游戏机暂不讨论）之前，有必要分析一下它的卖点。首先，Fire TV有语音搜索功能，配有强力的四核处理器，而Apple TV、Roku和Chromecast都是单核和双核处理器。 Fire TV的内存为2GB，其他的都只有512MB。价格上，除了Google Chromecast只要35美元，其他都是99美元。在内容方面，Fire TV支持Hulu Plus、Netflix、Pandora和YouTube的内容

2017-08-29

August Smart Lock：终于等到你，一款真正值得夸的智能家居产品

August Smart Lock（八月智能锁）可以将普通门锁改装为智能门锁，不需要完全换掉旧门锁，原来的钥匙也仍可用。

2017-08-29

阿里云智能软件机器人码栈，提高数千万人工作效率

码栈，以提升企业提效为目标，帮助用户连接不同的系统和服务，实现工作流程自动化。运用码栈能够显著将客服、运营、财务、法务、设计师以及更多领域的客户重复工作流高速化，提升岗位效率，进而提升企业效率。码栈为电商、金融、游戏、政府、教育、财税、及传统大型企业等人力密集型企业提供一个高效引擎。在三个典型应用场景：数据采集、批量处理和系统协同中，码栈的效率是传统人工效率的数倍。以电商运营为例，每天重复工作包括：下载报表、整理汇总、售前催单、顾客答疑、订单监控、物流跟踪、售后退款、新品上架、内容核对、促销活动报名等多达数十个环节，优质电商会吸入巨大流量，而这样的流量往往意味着人员的大批量增加，码栈通过将工作流标准，规模化，实现了效率最大化，码栈可以自动实现数据对接，把ERP与售后系统对接起来。码栈配有应用市场，用户可以添加ISV提供SaaS企业

2017-08-22

资源下载

更多资源

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

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

《数据虚拟化：商务智能系统的数据架构与管理》一 1.12 数据虚拟化服务模型

《数据虚拟化：商务智能系统的数据架构与管理》一 1.13 数据虚拟化的历史

万物互联时代，人工智能会成为网络安全的新出路吗？

从智能识别到认知行业解决方案 IBM认知计算助力神思电子转型升级

《中国人工智能学会通讯》——2.27 利用深度学习改进统计机器翻译

《中国人工智能学会通讯》——6.4 基于深度学习的知识图谱构建

《中国人工智能学会通讯》——1.45 先做个普及，到底什么是虹膜识别

《中国人工智能学会通讯》——7.2 基于深度学习的自然语言处理

《中国人工智能学会通讯》——11.49 异质人脸图像合成及其应用研究

《中国人工智能学会通讯》——4.42 类人概念学习会是未来吗？

《中国人工智能学会通讯》——10.2 智慧微能源网及工程实践

《中国人工智能学会通讯》——10.4 智慧微能源网（群）能量管理

阿里云宣布华北5地域十月开服 侧重服务人工智能

台湾云端运算产业协会副理事长刘瑞隆：智能大未来

中国人工智能学会通讯——一张图看懂BP算法 1.1 引言

中国人工智能学会通讯——深度学习与推荐系统 1 推荐技术简介

中国人工智能学会通讯——深度学习与推荐系统 3 总结与展望

智能盒子大比拼：Fire TV vs. Apple TV vs. Roku 3 vs. Chromecast

August Smart Lock：终于等到你，一款真正值得夸的智能家居产品

阿里云智能软件机器人码栈，提高数千万人工作效率

资源下载

Nacos

Spring

Rocky Linux

Sublime Text

欢迎您来访！

阿里云宣布华北5地域十月开服侧重服务人工智能