微软近日宣布开放Infer.NET源代码,是微软内部开发的一个机器学习引擎,用于为Azure、Office 365和Xbox视频游戏平台提供支持。
微软已经根据MIT许可(允许免费商业使用)在GitHub上的工具提供Infer.NET代码。这是微软在位于英国剑桥的研究实验室开发Infer.NET软件第一个迭代之后的近15年来,首次开源Infer.NET。
Yordan Zaykov是Infer.NET背后的团队工程负责人,他在一篇博文中详细介绍了该引擎的演变。他写道,一开始Infer.NET软件是作为一种研究工具的,被用于创建了数百篇从流行病学到森林保护等领域的学术论文。多年来,Infer.NET发展成为Zaykov编写的可扩展引擎,到现在已经可以帮助处理微软不同服务中的PB级数据。
Infer.NET引擎与许多其他开源机器学习工具不同,它旨在促进“基于模型”的方法来构建人工智能软件,从而逆转正常的开发工作流程。
使用传统的机器学习工具时,工程师通常会利用现有的一个AI算法,根据项目的要求对其进行改进。相反,Infer.NET以这些要求为出发点,让工程师能够将项目特定信息表达为模型,并使用该模型生成针对手头任务优化的、新的自定义AI算法。
这种方法使Infer.NET非常适合依赖于大量特定领域知识的项目。此外,使用该工具创建AI算法,这是直接由它们所基于的模型决定的,为其内部工作提供了急需的可见性。
微软的Zaykov在帖子中解释说:“如果你自己已经设计了模型以及遵循这个模型的学习算法,那么你就可以理解为什么系统以特定方式运行或做出某些预测。随着机器学习应用逐渐进入我们的生活,理解和解释他们的行为变得越来越重要。”
他补充说,使用Infer.NET创建的模型可以处理各种不同的数据类型,包括需要实时处理的信息,以及不完整或有缺陷的记录。
微软计划将该引擎作为自己为广泛使用的.NET开发平台创建的ML.NET框架的一部分,后者也可以在开源许可下使用。微软还提供另一个名为Microsoft Bot Framework的开源人工智能工具,旨在构建虚拟助理。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。