• 軟件定義汽車中的 MLOps：集中式平臺方法

    ML 平臺應(yīng)具有完善的實用程序來跟蹤訓(xùn)練 ML 模型所需的數(shù)據(jù)沿襲，例如數(shù)據(jù)提取、數(shù)據(jù)轉(zhuǎn)換和用于訓(xùn)練當前模型的最終數(shù)據(jù)集。良好跟蹤的數(shù)據(jù)沿襲可以幫助使用該平臺的功能團隊深入了解用于訓(xùn)練模型的數(shù)據(jù)點，從而改進模型以有效地幫助該功能。

  • 人工智能在低代碼和無代碼開發(fā)中的作用

    大型語言模型 (LLM) 的出現(xiàn)導(dǎo)致人們急于將人工智能 (AI) 強行塞入每一種有意義的產(chǎn)品，以及相當一部分不有意義的產(chǎn)品。但有一個領(lǐng)域已經(jīng)證明人工智能是一個強大而有用的補充：低代碼和無代碼軟件開發(fā)。

  • 人工智能風(fēng)險管理框架：面向人工智能開發(fā)人員的技術(shù)深度探究

    人工智能 (AI) 快速融入軟件系統(tǒng)，為軟件開發(fā)社區(qū)帶來了前所未有的機遇和挑戰(zhàn)。作為開發(fā)人員，我們不僅要負責(zé)構(gòu)建功能齊全的 AI 系統(tǒng)，還要確保它們安全、合乎道德且負責(zé)任地運行。本文深入探討了NIST AI 風(fēng)險管理框架的技術(shù)細節(jié)，為構(gòu)建和部署 AI 解決方案的軟件開發(fā)人員提供具體指導(dǎo)。

  • 了解機器學(xué)習(xí)的貝葉斯建模和概率規(guī)劃

    傳統(tǒng)機器學(xué)習(xí) (ML) 模型和 AI 技術(shù)通常存在一個嚴重缺陷：它們?nèi)狈Σ淮_定性量化。這些模型通常提供點估計，而不考慮其預(yù)測的不確定性。這種限制削弱了評估模型輸出可靠性的能力。此外，傳統(tǒng) ML 模型需要大量數(shù)據(jù)，通常需要正確標記的數(shù)據(jù)，因此，在數(shù)據(jù)有限的問題上往往會遇到困難。此外，這些模型缺乏將專家領(lǐng)域知識或先驗信念納入模型的系統(tǒng)框架。如果無法利用特定領(lǐng)域的見解，模型可能會忽略數(shù)據(jù)中的關(guān)鍵細微差別，并且往往無法發(fā)揮其潛力。ML 模型正變得越來越復(fù)雜和不透明，人們越來越需要數(shù)據(jù)和人工智能做出的決策具有更高的透明度和可問責(zé)性。

  • 了解 RLAIF：使用 AI 反饋擴展 LLM 對齊的技術(shù)概述

    隨著最近法學(xué)碩士 (LLM)的成就和關(guān)注，以及隨之而來的人工智能“夏季”，模型訓(xùn)練方法開始復(fù)興，旨在盡快獲得最優(yōu)、性能最佳的模型。其中大部分是通過大規(guī)模實現(xiàn)的——更多芯片、更多數(shù)據(jù)、更多訓(xùn)練步驟。然而，許多團隊一直專注于如何更高效、更智能地訓(xùn)練這些模型，以實現(xiàn)預(yù)期結(jié)果。

  • 可解釋的人工智能：解讀 BERT 模型

    近年來，隨著人工智能的發(fā)展，專門針對人工智能的法規(guī)也應(yīng)運而生，例如制藥行業(yè)的良好機器學(xué)習(xí)實踐 (GMLP) 和金融行業(yè)的模型風(fēng)險管理 (MRM)，以及其他涉及數(shù)據(jù)隱私的廣泛法規(guī)，如歐盟的 GDPR 和加州的 CCPA。同樣，內(nèi)部合規(guī)團隊在驗證基于模型預(yù)測的決策時可能也希望解釋模型的行為。例如，承保人希望了解為什么特定的貸款申請被 ML 模型標記為可疑。

  • 機器學(xué)習(xí)分類技術(shù)的進步對數(shù)據(jù)質(zhì)量的改善

    數(shù)據(jù)質(zhì)量差會導(dǎo)致信息驅(qū)動系統(tǒng)中的分析和決策不準確。機器學(xué)習(xí) (ML) 分類算法已成為解決各種數(shù)據(jù)質(zhì)量問題的有效工具，它通過自動查找和糾正數(shù)據(jù)集中的異常來解決問題。有各種方法和策略可用于將 ML 分類器應(yīng)用于數(shù)據(jù)凈化、異常值識別、缺失值插補和記錄鏈接等任務(wù)。用于衡量機器學(xué)習(xí)模型在解決數(shù)據(jù)質(zhì)量問題方面的有效性的評估標準和性能分析方法正在不斷發(fā)展。

  • 何時應(yīng)將分布式 PostgreSQL 用于 Gen AI 應(yīng)用程序？

    Postgres 繼續(xù)推動數(shù)據(jù)庫格局的發(fā)展，超越傳統(tǒng)的關(guān)系數(shù)據(jù)庫用例。其豐富的擴展和派生解決方案生態(tài)系統(tǒng)使 Postgres 成為一股強大的力量，尤其是在時間序列和地理空間等領(lǐng)域，以及最近的生成式 AI 工作負載。

  • 從架構(gòu)師的視角看待，GenAI 時代的 API 安全革命

    作為一名經(jīng)驗豐富的安全架構(gòu)師，我見證了人工智能和機器學(xué)習(xí)對軟件開發(fā)領(lǐng)域的變革性影響，尤其是在API 安全方面。GenAI 的出現(xiàn)及其快速生成代碼和整個應(yīng)用程序的能力為創(chuàng)新帶來了前所未有的機會。然而，這種開發(fā)速度的加速也帶來了復(fù)雜的安全挑戰(zhàn)，需要先進的解決方案。

  • 在Lyra-T板上使用GPIO引腳詳解

    隨著物聯(lián)網(wǎng)(IoT)和嵌入式系統(tǒng)的迅猛發(fā)展，GPIO(General-Purpose Input/Output，通用輸入/輸出)引腳在微控制器和嵌入式開發(fā)板中的應(yīng)用愈發(fā)廣泛。GPIO引腳允許用戶直接控制硬件設(shè)備的輸入和輸出，是嵌入式系統(tǒng)開發(fā)中的關(guān)鍵組成部分。本文將詳細介紹如何在Lyra-T板上使用GPIO引腳，包括GPIO的基本概念、Lyra-T板的GPIO引腳配置、以及通過編程實現(xiàn)對GPIO引腳的控制等。

  • AC&DC適配器的開關(guān)管設(shè)計應(yīng)用案例分析

    東科DK065G氮化鎵合封芯片內(nèi)部集成了650V耐壓，導(dǎo)阻260mΩ的氮化鎵開關(guān)管，并集成高性能反激控制器，支持谷底開通降低損耗。

  • 一種基于FPGA的雙接口NFC芯片驗證系統(tǒng)（含偽代碼）

    隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，近場通信（NFC）技術(shù)作為其中的重要組成部分，已廣泛應(yīng)用于智能支付、門禁系統(tǒng)、數(shù)據(jù)交換等多個領(lǐng)域。為滿足市場對高性能、多接口NFC芯片的需求，本文設(shè)計并實現(xiàn)了一種基于FPGA的雙接口NFC芯片驗證系統(tǒng)。該系統(tǒng)不僅提高了芯片驗證的效率和準確性，還為后續(xù)芯片設(shè)計提供了有力的技術(shù)支持。

  • AI智算網(wǎng)絡(luò)兩大主流架構(gòu)及差異分析

    隨著人工智能（AI）技術(shù)的飛速發(fā)展，AI智算網(wǎng)絡(luò)作為支撐AI應(yīng)用高效運行的關(guān)鍵基礎(chǔ)設(shè)施，其重要性日益凸顯。在AI智算網(wǎng)絡(luò)的構(gòu)建中，網(wǎng)絡(luò)架構(gòu)的選擇對于系統(tǒng)的性能、成本以及可擴展性等方面具有決定性的影響。當前，市場中主要存在兩大主流架構(gòu)：InfiniBand和RoCEv2。本文將對這兩種架構(gòu)進行深入探究，并分析它們之間的差異。

  • 基于FPGA的實時圖像邊緣檢測系統(tǒng)設(shè)計（附偽代碼）

    在圖像處理領(lǐng)域，邊緣檢測是一項至關(guān)重要的技術(shù)，廣泛應(yīng)用于機器視覺、模式識別、圖像分割和目標跟蹤等任務(wù)中。傳統(tǒng)的圖像邊緣檢測方法多依賴于軟件實現(xiàn)，但由于處理速度的限制，難以滿足實時性的需求。FPGA（現(xiàn)場可編程門陣列）以其高度的并行性和可配置性，在實時圖像處理領(lǐng)域展現(xiàn)出巨大的潛力。本文旨在介紹一種基于FPGA的實時圖像邊緣檢測系統(tǒng)的設(shè)計與實現(xiàn)。

  • Vivado編譯常見錯誤合集及解決策略

    Vivado是Xilinx公司推出的一款強大的FPGA開發(fā)工具，它為用戶提供了從設(shè)計到實現(xiàn)的全面解決方案。然而，在FPGA設(shè)計過程中，Vivado編譯錯誤是開發(fā)者經(jīng)常遇到的問題。本文將總結(jié)Vivado編譯過程中常見的錯誤類型，并提供相應(yīng)的解決策略，幫助開發(fā)者更有效地解決問題。

發(fā)布文章