至顶网软件频道消息: 2018年5月21日,2018 微软人工智能大会(AI Innovate)在北京召开,微软大中华区副总裁兼市场营销及运营总经理康容与合作伙伴一道,在大会上分享了如何通过微软的智能云平台Azure,运用Office 365与Dynamics 365将人工智能带入寻常百姓之家。
在大会上,康容向大家介绍到:“微软智能云平台Azure就是全球庞大的计算机,是最好的AI平台。无论是平台服务、应用服务还是数据上面的服务都可以进行支持。
AI真正落地,除了需要有智能的平台进行支持外,还需要有适用的场景。下面康容向我们如何微软通过Office 365和Dynamics 365协助全世界每一个人跟每一个组织成就不凡。
所谓的普及化人工智能,是在微软全部的产品线中,都包含进人工智能技术,例如Windows、Office等等。
各位知道Office 365是全世界最普及的生产力工具。相信各位无论是室内或者在线上的朋友们,有很多人在使用Office 365。但是你知不知道每一天使用Office 365的人可能每天都在用微软的人工智能技术。其实Office 365已经有超过50种不同的功能,背后就是使用微软的人工智能技术。
在我们的日常工作中,我们经常避免不了这种跨地域,或者跨文化的沟通,在Office 365里面只需要通过一个按钮翻译邮件,甚至不需要告诉这封邮件需要什么语言,希望翻译成什么语言,这封邮件已经被快速的翻译成用户所熟知的语言。当然用户间进行沟通的时候,即便不会说法语、英语,只需要可以讲一口非常流利的中文,就可以用中文的方式回复这封邮件。然后选择用什么样的语言,翻译到什么样的语言。可以看到它非常流利的就帮助用户把这封邮件翻译出来,直接回复给海外团队。在这后面就是微软人工智能后扮演的重要角色。
除了语音语义,Office 365还可以实现图形图像、手写识别、地理信息、客户数据以及时间轴的信息整理工作。并且在Office 365后台还整合了非常强健的智能安全防护能力,可以帮助我们预测并且防范很多潜在的风险。
Dynamics 365是微软的CMR和ERP的系统,协助管理客户,将数据变成智慧,分析行动和行为。下面康容介绍了怎样使用Dynamics 365的人工智能分析能力,帮助用户实现业务提升。
Dynamics的后台人工智能分析,可以帮助用户把名下的商机通过红绿灯的方式展示出来。通过这些商机和客户之间的关系紧密程度分析,以及相应的一些趋势,还有相应的分值就能一目了然知道这些商机,把用户的精力投入到最有价值或最有潜力的机会中去。在这后面都是利用Dynamics的机器学习方式分析了和客户所有的交往记录,还有客户邮件文本里面的意图和情绪,来得出的结果。
在康容与其同事介绍完Office 365与Dynamics 365背后的“黑科技”后,又向我们展示了微软如何利用微软的刷脸科技实现精准医疗:目前辉瑞通过微软的刷脸技术分析人的喜怒哀思悲恐惊这7种表情,就以对用户是否抑郁进行判断。
除了对精神状态进行判断之外,微软还可以协助医生通过机器学习的方式,将病例里面大量的非结构化的数据转化成一个结构化的数据,让机器把有用的东西提取出来。
当一个病人来到医院的时候,后面的系统就可以找到相似的病人,向医生提供这些病人的治疗方法以及疗效,效果最好的返回来就找到了最佳的临床路径。如果把协和医院的病例都放进去,系统就能够达到协和医院的水平,我们北京所有的医院放进去,就可以达到全北京医院的医疗水平。
现在的系统,可以做得到一键生成评估报告,知道你的风险是多少,你应该怎么治疗。同时,还可以做到一键生成处方,并把所有的危险因素该如何应对同时进行罗列。处方出来的同时,也会让医生了解,为什么做这个处方。后面的知识、数据通通可以呈现给用户,同时告诉病人你回家怎么看病,这就是未来的医疗之路。
目前厦门市一共380万人口,共有38个社区,19个在用这套系统,目前标准化治疗率提升了45%,而且病人治疗的达标率提升了23%。
最后康荣总结到:今天我们看到无论是大企业、小企业、开发者、消费者,各个行业,医疗、游戏、教育、管理、家庭,制造业、零售商、金融行业等等,都会利用人工智能完全转型,这个数字化转型的力量只会加速。希望大家今天得到很多收获,谢谢大家!谢谢!
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。