IBM Watson Health周三宣布加大由麻省理工学院和哈佛大学起头的研究中心的合作关系并启动可以帮助临床医生预测心血管疾病的算法模型的合作项目。该项目将利用基因组数据与临床数据(包括现有的健康记录和患者的生物标记物)的结合得到更可靠的多基因评分,多基因评分亦称遗传风险评分。
在未来的三年时间里,该项目的研究人员将研究算法的构建,达到能识别某些特定健康状况的目的,例如心脏骤停和心房颤动。研究人员将开发可以整合各种数据进行建模的工具并能够将得到的模型应用于来自不同卫生系统的患者。到最后,研究人员需要确保项目得到的有关结果能够以言简意赅的方式解释给医生和患者听。
IBM表示,项目的研究结果和工具将分享给更多的研究团体。
IBM和Broad Institute一直在该领域有合作。两家早在2016年就开始了一个为期五年、5000万美元的项目,项目的目的是利用机器学习和基因组学更好地了解为什么癌症会对治疗产生抵抗力
IBM Watson Health周三还宣布了将与Vanderbilt大学的医学中心和Brigham妇科医院(隶属哈佛医学院的教学医院)开展一项为期10年、投资达5000万美元的联合研究合作项目。合作的重点将放在重大公共卫生领域的人工智能应用上,最初的重点是利用自然语言处理更好地使用电子健康记录。
IBM还宣布,Cigna和Sentara Healthcare两家医疗保健组织日前加入了IBM上个月建立的区块链健康网络。该健康网络是由IBM与Aetna、Anthem、Health Care Service Corporation和PNC Bank合作建立的,目标是改善医疗保健行业的互操作性。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。