哥白尼欧洲森林火灾信息系统统计数据显示,今年到目前为止,欧盟记录的森林火灾数量为 1600 多起,是过去十年平均水平的三倍。从亚马逊流域到印度尼西亚,森林火灾的发生频率越来越高,规模和强度也越来越大。来自西班牙 Cerdanyola del Vallès 的消防管理战略师 Joan Herrera 回忆说:“我们并肩作战,一些消防员不幸遇难,就倒在我的怀里。这样的事对我的人生产生了很大的影响,让我终生难以释怀。”
发生火灾时消防员挽救生命,但谁来保护消防员? Joan Herrera十多年来一直寻求着问题的答案,但进展缓慢,他不仅饱受吸入过量烟雾的痛苦,还要承受队友离开的心碎事实,直到2019年的代码集结号(Call for Code)全球挑战赛为他带来了改变——Joan Herrera的想法得到了紧急医疗护士Vicenç Padró以及Salomé Valero、Josep Ràfols和Marco Rodriguez三位开发者和数据科学家的支持。
他们的背景值得一提。护士Vicenç Padró拥有毒理学博士学位,他和Joan Herrera最初的工作方式是跟在消防员身后奔跑,检查并记录其生命体征,然后再进行分析。这显然很受条件限制,项目进展艰难。但随即,陷入困境的二人组遇到了 Valero、JosepRàfols 和 Marco Rodriguez 三位希望参与“代码集结号”活动的IT 专业人士。这个为消防员打造的项目赢得了技术人员的全心参与,他们急切地希望通过物联网和人工智能技术,将项目创意提升到新的高度,由此,五人组成立了多学科的 Prometeo 项目团队。
(从左到右)Salomé Valero、Marco Rodriguez、Joan Herrera、JosepRàfols 和 VicençFerrésPadró
他们取得了突破性进展——Prometeo是一款基于多种 IBM云计算平台服务的软硬件解决方案,可以长期实时地监控消防员的安全健康,并采取应对措施。具体如何工作?Premeteo的健康监控设备与 iPhone大小相当,可绑在消防员的手臂上;监控设备配有多个传感器,可以测量温度、湿度和烟雾浓度等关键变量。这些测量值在完成收集后,会通过网络传输到 IBM云端物联网平台。然后,数据通过 Node-RED 工作流发送到基于 IBM Watson 的机器学习模型中,该模型负责提取信息,并将其处理为简单的颜色编码状态,显示在消防指挥中心的 Prometeo 仪表板中。
技术关键词:IBM云端物联网平台、Node-RED工作流、IBM Watson、Cloudant数据库、IBM Cloud Kubernetes Service、Kubernetes
监控外接设备与手机大小相当,虽然配备多个传感器但依然可轻松绑在消防员的手臂上,配有的多个传感器,可以测量温度、湿度和烟雾浓度等关键变量。
测量到数值会通过网络传输到云端平台,人工智能学习系统将其分析后向Prometeo 输出不同颜色的信号,让指挥中心实时监控消防员身体状况,提供帮助。
通过信息存储技术以及综合显示数据的方式优化,满足认证且通过授权的终端均能显示数据,指挥中心可根据需要选择笔记本电脑甚至手机来作为仪表屏,无需专业设备。
绿色信号表明消防员的健康状况良好,黄色或红色则表明指挥中心必须采取应对措施,比如立即采取行动、营救消防员,或帮助他们从火灾中撤离。而最重要的是,Prometeo 将所有信息都存储在 Cloudant 数据库中,可提供数据的历史视图。这就为保障消防安全提供了可参考数据。
该团队在 IBM Cloud Kubernetes Service平台上部署了一项Kubernetes容器服务,并结合使用 websockets 服务器与 NGINX web 服务器来综合显示数据。任何支持 JavaScript 和 WebSocket且经过验证和授权的客户端都可以连接到 Prometeo 仪表板,终端设备的部署相当灵活。
该团队的数据科学家 Rodriguez 介绍说,“在这样的项目中,最重要的一点是获取正确的数据并消除数据中的噪音,团队借助消防员和护士的专业知识可以做到这一点。然后,我们使用 IBM Watson 来获得适合我们所用模型的最佳读数。”
在10月12日的“代码集结号”全球挑战赛最终颁奖仪式上,Prometeo团队获得了全球大奖—— 他们的项目成为了2019年“代码集结号”冠军,获得了20万美元奖金。
接下来,Prometeo团队会参与到IBM的“代码响应”(Code and Response)计划中,获得来自 Linux 基金会的开源项目支持,很快会开始与加泰罗尼亚的消防员进行实地测试,并根据消防员的实地经验完善设备和仪表板,比如烟尘和毒气数据可以改善营救策略、保障消防安全,最终目标是在西班牙、欧洲和全球的消防部门中进行推广。
可以借鉴的实例是,2018年获奖的解决方案Project Owl 在过去的一年中软硬件解决方案得到了进一步增强。IBM认知应用及开发者生态系统业务高级副总裁Bob Lord表示:“我们正在将开源技术与Watson、IBM Blockchain、Weather和物联网等IBM创新产品联系起来,以解决社会问题。去年获奖的解决方案Project Owl最近在波多黎各地区完成了最重要的技术部署,这一地区目前仍处在飓风‘玛丽亚’的灾后恢复过程中。像Project Owl这样优秀的解决方案是因波多黎各的需要而创造,将通过开源技术提供给日本大阪和印度果阿等有需要的地方,以帮助挽救人们的生命。”
2019年“代码集结号”于3月25日启动,10月12日落幕,历时6个多月,遍及165个国家,超过18万名开发者,最终产生了5,000多个以减灾救援为主题的应用程序。Premeteo和其他所有参赛项目一起,成为了这个深秋时节“科技向善”的最好诠释。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。