ZDNet至顶网软件频道消息: 根据一则新的招聘启事,微软正在组建一个新团队致力于所谓的“推荐即服务”。
微软在以色列的云和企业工程团队正在构建一个代号为“Project Sage”的项目。这个招聘启事将Sage描述为一项“通用的推荐即服务解决方案,能够让客户以非常简单和直观的方式使用这个艺术推荐引擎”。
这就是到目前为止官方透露关于这种推荐服务的信息。我敢打赌这种推荐服务至少有一个潜在用途就是针对出版商的推荐服务,类似于Google正在测试的内容推荐产品。我认为也有可能是在此基础上的广告推荐和个性化产品。
两年前微软将Project Sage作为一个孵化项目启动,“将作为一个产品部门迈出第一步”,招聘启事中这样写道。
Project Sage根植于“CloudML”(云机器学习)。该团队下面有一个小组专门开发可以被微软产品部门和面向外部产品所使用的算法。(CloudML算法团队也是微软云和企业部门的一部分,由执行副总裁Scott Guthrie领导。)
以下是来自CloudML算法团队单独开放的招聘启事:
“我们的团队在结合卓越的工程设计和研究深度方面具有独特优势。大批CloudML TLC工具包的内部用户提供了与很多产品的互动,并了解广泛的现代ML应用和技术——从随机预测到MapReduce,再到GPU上的深度学习,以及这之间的一切。”
机器学习是微软首席执行官萨蒂亚纳德拉所谓云为先/移动为先战略的一个基础技术领域。基于云的机器学习也是微软研究院一个重要优先项目。
在微软新英格兰研发中心,他们的任务之一就是向企业、数据科学家、开发者、信息工作者、消费者以及设备提供机器学习云技术。其理念是为所有用户提供对机器学习平台的访问,允许研究人员在微软内部和外部进行实验和开发,以构建由云提供强大支撑的网络服务。
微软研究机构NERD以及微软纽约研究实验室正在携手与Bing团队合作,使用CloudML来做预测分析。NERD将在5月13日举办第三届新英格兰机器学习日。
谈到预测,微软官方在5月8日表示,他们已经向微软的商业智能服务PowerBI for Office 365中添加了预测(以及后报)能力。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。