西雅图海鹰橄榄球队正在寻求亚马逊网络服务公司的帮助,以期在NFL(美国职业橄榄球大联盟)中打造自己的竞争优势。
该球队周一表示,他们打算使用亚马逊无所不在的云计算服务来获得比赛策略,并取得更积极的成果。海鹰队成了AWS最新获得的大客户,该球队表示将把其大部分的计算基础架构转移至西雅图邻居的云平台上。
该球队计划使用多种AWS服务——包括数据库、分析和机器学习工具,来分析比赛画面并制定更有效的比赛计划。
该球队的主要想法之一是将每周的NFL Next Gen Stats球员跟踪数据和自己内部生成的数据结合起来,开发自定义分析和自己专有的统计数据。这将涉及在亚马逊的Simple Storage Service(简单存储服务)上建立一个数据池,该数据池中将包含球员健康状况数据及球探的信息,以便更好的了解每个球员的能力。然后海鹰队将对这些信息进行分析,以“获取见解,从而更好地评估人才并制定比赛计划。”
该球队还将与Amazon ML解决方案实验室合作,开发能够分析其对手球队视频片段的新工具。他们的想法是创建一个“基于云的视频分析平台”,该平台利用Amazon Rekognition来识别和跟踪对方球员,并使该队的教练更好地了解对方的策略。
该平台还将利用AWS SageMaker服务来构建、训练和部署机器学习模型,从而可以预测特定球员的表现。然后,该系统将向海鹰队的教练人员提供建议,帮助他们在比赛中做出更明智的决定。
AWS全球商业销售副总裁Mike Clayville在一份声明中表示,海鹰承认数据正在成为体育领域的竞争优势。
海鹰副总裁Chip Suttles补充表示:“ AWS服务的广度和深度将帮助我们从收集到的海量数据中提取信息并获得所有可能的优势,提供我们需要的、切实可行的见解,从而对我们的决策产生积极的影响。”
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。