近日,Amazon在舊金山召開的AWS(Amazon Web Services)峰會宣布,在其云服務(wù)家族中加入一項Machine Learning,為沒有機器學(xué)習(xí)背景的開發(fā)者提供分析和預(yù)測工具。該應(yīng)用基礎(chǔ)版目前有一年的免費期,只限美國東部地區(qū)。
在此之前,很多公司如Netflix和維權(quán)網(wǎng)站Change.org都在使用Amazon的AWS工具,來對用戶行為和數(shù)據(jù)進(jìn)行分析和推斷。但通過原有工具實現(xiàn)機器學(xué)習(xí)的任務(wù)對技術(shù)人員要求較高,Amazon這次希望搭建一個門檻更低的平臺,更好地為企業(yè)用戶服務(wù)。
Amazon 內(nèi)部使用機器學(xué)習(xí)已經(jīng)很多年,而這些企業(yè)用戶對這項技術(shù)也垂涎已久。坐擁大量數(shù)據(jù)的開發(fā)者越來越多地需要從這些數(shù)據(jù)中挖掘價值,比如電商可以根據(jù)分析用戶 行為關(guān)聯(lián),選擇性地投放廣告。這些對數(shù)據(jù)分析、建模的要求很高,同時用戶需求很大。使用Amazon的新工具,只需要大致三步:首先使用Amazon S3或Redshift建模,然后對模型進(jìn)行驗證和優(yōu)化,最后使用它來進(jìn)行預(yù)測。
在這個領(lǐng)域,目前也是存在競爭的。如微軟旗下專注云服務(wù)的Azure在二月推出了自己的機器學(xué)習(xí)工具,而IBM上個月收購AlchemyAPI后,將把AlchemyAPI的深度學(xué)習(xí)技術(shù)整合到Watson核心平臺,增強Watson挖掘非結(jié)構(gòu)化數(shù)據(jù)并識別出它們之間聯(lián)系的能力。
除 了機器學(xué)習(xí)工具,Amazon這次一口氣推出了另外兩個企業(yè)服務(wù),一個是云存儲服務(wù),叫作“亞馬遜彈性文件系統(tǒng)”(Amazon Elastic File System),用以處理容量超過1PB(相當(dāng)于1024TB)的龐大數(shù)據(jù),這么說可能有些抽象,舉個例子,1PB存儲空間可以是連續(xù)十多年拍攝的高清視 頻。
另一個是第三方軟件交易平臺,可能顛覆以往的軟件采購模式。像正在席卷的訂閱大潮一樣,企業(yè)客戶不再需要簽訂多年的訂購合同,而是可以通過這個平臺按月租用軟件,并通過Workspaces服務(wù)在亞馬遜提供的虛擬PC上運行,靈活性增強。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。