近日,IBM Watson Build 2018 大中华区挑战赛随着北京和上海站的完美收官,第一轮THINK环节已经结束。睿至大数据凭借“公交线网优化和运力调优系统”顺利晋级至第二阶段。
“公交线网优化和运力调优系统”基于Watson机器学习能力和大数据技术开发,可以精准掌握客流,优化公交调配,IBM 对此表示“代表了最具创新意义的人工智能概念”。
IBM方面表示:今年提交的 Watson Build 计划代表了最高水准,精心挑选的一组业务计划代表了最具创新意义的人工智能概念。此外第 2 阶段的起止日期为 2018 年 8 月 6 日至 11 月 6 日。
据悉,此次海选中,共有46个锐意创新的AI商业解决方案,睿至大数据成功进入到第二阶段,不仅展示了公司的强大技术实力,同时也印证了AI无处不能。
事实上,在过去几年里睿至大数据一直利用自身创新的大数据解决方案帮助全国各地的公共交通系统运营管理部门和城市管理部门优化城市公共交通系统,并就此得到了来自一线的经验。、
睿至大数据在公共交通领域从探寻城市环境下公共交通运行全局活动出发,基于海量公共交通行业基础数据,从目前公共交通行业最为关心的问题入手,着力解决为公共交通系统线路优化、提升公共交通系统单车承载量、提高公共交通系统运行效率、为公共交通系统提升交通管理水平提供技术和决策支持,从而帮助公共交通运营管理机构构建运营新常态。
值得一提的是,在模型计算方面,睿至大数据充分利用了大量机器学习算法以及自研算法,包括梯度提升决策树算法、分层聚类算法、K-means聚类算法算法、平滑滤波算法、贝叶斯算法、道格拉斯-普克算法算法及GPS纠偏算法等,保证了数据呈现的效果、数据分析结果以及优化决策建议的优化高效、切实可信。
未来,睿至大数据将进一步面向公共交通,特别是轨道交通行业(包括(高速)铁路、城市轨道交通(地铁、城铁)),开展结合行业需求、应用特点的面向社会服务的大数据应用研究和实践,帮助中国城市交通建立完善的大数据平台。
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。