ZD至顶网软件频道消息: Teradata表示正在创建一个由数据科学家、数据工程师和软件设计师组成的专家团队,主攻物联网领域基于云分析的研究。
名为全球物联网分析部的团队在Teradata实验室的范畴内运作,并会将重点放在建设基于云的新分析服务上,以达到在物联网应用里实现自动数据移动和自动数据库管理的目标。
Teradata去年决定出售旗下的营销应用业务,此举再次彰显了Teradata发展数据和分析的决心。由于许多企业往云里迁移,Teradata数据仓库的主要业务放缓,故而有此次的重组。
Teradata实验室总裁Oliver Ratzesberger表示:“Teradata的顶级研究人员都在集中精力打造最好的物联网分析(Analytics of Things)科技。正式推出该技术后,我们为我们的客户提供了更多的便利,他们可以更容易地移动传感器数据、优化数据管理系统,可以处理大量的数据以及对物联网数据流进行实时的高级分析。
另外,Teradata还在Teradata Aster分析引擎中增添了物联网数据准备和机器学习功能。Teradata表示,新功能可以更容易地检测机器行为模式及挖掘出数据的含义。
此外,Teradata还对现存的Teradata Listener功能进行了扩展。Teradata Listener是Teradata旗下一款捕捉和分发数据流的软件。Teradata表示,Teradata Listener将提供新的连接器,以使得获得和分析传感器数据流变得更加简单。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。