可解释性对人工智能发展来说至关重要,但在可解释系统的可信度方面,理解其可能带来的负面效应亦同等重要。
作者:罗恩齐 链接:https://www.zhihu.com/question/20919153/answer/336816289 来源:知乎
现象 这个月我的工作任务中,有一项是重构OEA框架中的AutoUI部分。这个任务在月初时计划在一个月内完成,包括问题分析、设计新的结构、编写设计文档、开展设计评审、代码实现。原计划半天到一天的评审会议,最后花费了大概一天半的时间。接下来,我就评审会议中出现的问题进行一下总结。 本次AutoUI设计是我到公司以来,觉得最有挑战的一次工作。 会议之前,我和组内的人员进行了多次沟通,了解他们的需求:我们的AutoUI框架当前有些什么问题?当界面需求被提出后,我们对它的完成情况怎么样?
原标题:How to Read a Research Paper 翻译 | 王飞 J叔 字幕 | 凡江 整理 | 林尤添 无论是对于机器学习,密码学,分布式一致性,还是网络学科,阅读文献
明敏 发自 凹非寺 量子位 | 公众号 QbitAI 大概爱因斯坦也没想到,有一天相对论还能被用来解释意识。 最近,一篇刊登在心理学期刊上的物理理论研究,突然火了。 作者提出了一个全新概念“意识相对论”,声称用物理的方法解决了意识研究的难题。 并表示:“我们认为意识不完全来自于大脑,也不来自于任何物理过程”。 甚至还提出了一个数学框架,可以用数学语言来描述意识。 微博上,关于这个假设的讨论已经炸开了锅。 有人觉得它对之后的研究会大有用处,有人表示看了半天不知道在说啥,但更多的是大家的质疑声。 比如,不少
梦晨 明敏 发自 凹非寺 量子位 | 公众号 QbitAI 一觉醒来,机器学习社区炸了锅。 因为最新研究发现,只要对GPT-3说一句“让我们一步一步地思考”,就能让它正确回答出以前不会的问题。 比如下面这个例子: 16个球中有一半是高尔夫球,这些高尔夫球中有一半是蓝色的,一共有几个蓝色的高尔夫球? (问题不难,但要注意这是零样本学习,也就是说AI训练阶段从没见过同类问题。) 如果要求GPT-3直接写出“答案是几”,它会给出错误答案:8。 但加上让我们一步一步地思考这句“咒语”后,GPT-3就会先输出思考的
两天前,谷歌类 ChatGPT 产品 Bard 迎来了大规模的更新,加入了很多呼声很高的新功能,比如识图能力,号称「史上最大升级」!
肯定有人和我一样,很早就听说过Linux的这个词,但是又没接触过。然后随手百度一下看着满满的命令惊呆了,不知道从哪里开始学习。这种状况一直维持到我面试的时候,我不怕跟你们说,我拿着写着“熟悉Linux的系统”的简历去面试,其实当时的我都没有了解Linux的到底是什么!我相信大家肯定都用过的Windows系统,或者也用过的mac系统,其实Linux也是和这些在Windows,Mac一样,都是系统,只是不同的形式呈现出来给用户体验。这样说大家都了解吧,就是个系统。
这就是OpenAI的最新研究。基于GPT-4,他们微调了几个模型,分别采用不同的监督方法。
AI由人类发明,现在OpenAI却用AI解读AI,而且在未来几年,这可能都是相关研究的风向标。 作者丨史林 编辑丨董子博 在各个AI、科技公司纷纷投入大模型的今天,OpenAI已经成了各家争相比较的对象,每个大模型发布的时候都不可避免地要拿来和ChatGPT对比。 例如说,某头部企业发布大模型时声称自己和ChatGPT的差距只有一两个月,但也有友商认为该企业可能是活在平行世界,差距应该是三年; OpenAI之所以难以追赶,是因为他们不止在技术上领先于其他竞争对手一个周期,就连目前在做的事情和理念也领先了竞争
丰色 发自 凹非寺 量子位 | 公众号 QbitAI 最近,DeepMind的一位AI研究员在推特上抛出了一个问题: 机器学习中最美/最优雅的点子是什么? 之所以会有这样的疑问,是因为他发现数学家和物理学家们就经常谈论美学,机器学习领域却很少这样,也很好奇为什么。 很快,大家就给出了自己的答案。 但其中的一条回复却引发了很大的讨论,连LeCun等大佬都忍不住参与进来了。 这个答案就是来自前谷歌大脑的研究员Chris Olah所提出的“梯度下降法最美论”。 那么这到底是怎么一回事呢? “梯度下降是机器学习中
在Python的学习的过程中,需要不断的写代码,查看别人的代码的运行效果。在这个过程中,我们需要不断安装程序的依赖包。
创新最有意思的地方,在于它本身其实并没有多大意思,它来自于平凡的想法,需要付诸极大的勇气与毅力来坚持,甚至在这一过程中还需承受莫大的痛苦。 当对于「创新」的理解越来越深刻,当我重新思考我们的服务,我发现,我们所有在做的一切,都逃不开商业模式创新的范畴——无论做什么,本质上都在做商业模式创新。 创新要素 Clayton M. Christensen在《The Hard Truth About Business Model Innovation》中识别出商业模式创新中的四个基本元素,它们分别是: 寻找价值
在《DDD兴起的原因以及与微服务的关系》中曾举了一个研究桃树的例子,如果要研究桃树,将桃树根据器官分成根、茎、叶、花、果实、种子,这每一种器官都可以认为是一个研究领域,而领域又有更加具体的细分,分成子域、核心域、通用域、支撑域等,下面回顾桃树这个例子
在《DDD兴起的原因以及与微服务的关系》中曾举了一个研究桃树的例子,如果要研究桃树,将桃树根据器官分成根、茎、叶、花、果实、种子,这每一种器官都可以认为是一个研究领域,而领域又有更加具体的细分,分成子域、核心域、通用域、支撑域等,下面回顾桃树这个例子:
---- 新智元报道 编辑:编辑部 【新智元导读】OpenAI又双叒叕有新整活了!难懂的GPT-2神经元,让GPT-4来解释。人类看不懂的AI黑箱,就交给AI吧! 刚刚,OpenAI发布了震惊的新发现:GPT-4,已经可以解释GPT-2的行为! 大语言模型的黑箱问题,是一直困扰着人类研究者的难题。 模型内部究竟是怎样的原理?模型为什么会做出这样那样的反应?LLM的哪些部分,究竟负责哪些行为?这些都让他们百思不得其解。 万万没想到,AI的「可解释性」,竟然被AI自己破解了? 网友惊呼,现在AI能理
这两天,DeepMind及谷歌大脑一篇文章被《美国国家科学院院刊》(PNAS)收录,其内容正是以5年前发布的AlphaZero为例,研究神经网络如何获取并理解国际象棋知识。
这门技术(艺术)一开始也不是每个人都会的,正所谓没有人一出生就会走路,从不懂到入门到深谙,一步步慢慢来,每个人都是这样;但是在这个过程中,思路无疑是最重要的,没有做不到只有想不到,就跟咱们高中解题时有了思路就迎刃而解一样,手里拿着铲子(技巧知识)但不知道从何挖起岂不是悲哀。
围绕一个模块一个主题,准备材料,做一场专门的完整的培训或分享,是很有用的。其视频和文档也是重要的技术积累。此处主要想讨论的是,对日常研发过程的零碎问题和解决手段的积累,没有那么完整和重量级,但确实很难做好。
编者注:净推荐值(Net Promoter Score,NPS)原为针对企业良性收益与真实增长所提出的用户忠诚度概念,它是最流行的顾客忠诚度分析指标,在传统行业上应用广泛。本文作者针对NPS在互联网产品上的跨界应用,进行了探索。 净推荐值(Net Promoter Score,NPS)是测量用户忠诚度的一种方法,如果某软件产品的NPS值高则意味着该公司可以考虑进一步的投资与研发;而NPS值低则意味着即使当前销售看上去是令人满意的,但是一旦出现可以替代的其他产品,整体销售额就会下降,进一步的投资与研发存在风险
以上杰作,来自韩国科学技术院 (KAIST) 的一个人脸对齐网络 (FAN) ,是超分辨率AI中优秀的一员,中选了BMVC 2019。
在这篇文章里,我简单地叙述了我在使用PyCharm创建一个flask项目时遇到的问题,以及我解决这个问题的过程。其中比较值得注意的点有:①PyCharm创建新项目时的解释器配置②Python虚拟环境的创建等。
2019年7月,埃隆·马斯克(Elon Musk)宣布,他的公司正在研发一种能够向大脑中植入细线状植入物的机器。
---- 新智元报道 编辑:Aeneas 好困 【新智元导读】国内的公司就必须抄ChatGPT吗?其实,还有另一条路可以走。今天,小冰链给了我们答案——CoTA。 ChatGPT激起的火种,正在中国科技公司急速蔓延。国内的各个大厂内,算法工程师们纷纷开启冲刺倒计时,迎来一个个不眠夜。 而在创投圈的饭桌上,到处都能听到「誓要做中国第一个ALL in GPT的VC」的声音。 兴奋者有之,观望者有之,唱衰者有之。所有人都在翘首以盼:谁能成为中国的第一个ChatGPT? 而如今,这股ChatGPT热潮中,
工欲善其事,必先利其器,没有开始搭建之前先给你们介绍一个比较好用的FTP管理工具,iis7服务器管理工具,这是一个很好用的服务器管理工具,不管你是程序员、运维、站长或者是进行机房的管理,这个工具都是可以完全满足的,简单的介绍一下他强大之处
这两天回访了很多的同学,发现在学习的过程中,容易产生迷茫,学习前端一方面需要学习并理解,同时也需要多练习,那么如何在理解的环节中不会出现问题,如何检验自己的学习成果,那么今天为大家推荐一种学习方法,费曼学习法!
一方面是觉得自己似乎已经把知道的性能相关的内容都写过一遍了,再写重复的,味如嚼蜡。
而AlphaDev被DeepMind称作是“重现AlphaGo神来之笔”,发现了提速70%的排序算法。
移动互联网中基于位置信息的服务(Location Based Service,LBS)越来越重要。但是,目前位置信息的使用过程中存在诸多挑战如相邻计算不准确等。由于经常面对海量数据请求,通常位置服务的计算都需要数据库来完成,Redis Geo模块因此而生,旨在提供精准而且稳定的位置服务 在位置服务的挑战中,常见的是计算两个位置是否相邻的问题。位置信息由一个四元组构成,(经度、纬度、海拔、时间),在使用过程中比较常用的是经纬度。想要进行相邻计算,需要一个二维索引。问题是现有的基于简单的一维索引和划范围搜索实现
作为一个程序员,把代码写好是本分,但仅仅是写好代码是不够的,工作的过程中总免不了要与别人打交道。几乎隔一段时间,我就会发现有些人身上出现下面的这两个问题。第一个就是不知道怎么提问,第二个就是有工作对接的时候,有用的信息不实时收集,多次对同样的问题进行提问。
连接管理是分为两大块的: 1.建立连接:三次握手的过程 2.断开连接:四次挥手的过程
总结规律往往是用归纳法,可以从众多现象中寻找背后的规律。而应用规律来来设计实现过程则要复杂的多。总结规律和应用规律之间的难度区别就在于“知道”和“做到 ”的差别。
物理学有个熵增定律,它描述的是一个不可逆的过程。既一个封闭系统,迟早会从有序走到无序。我们研发的系统也遵循同样的规律,随着功能的增加,系统会变得越来越复杂。哪怕你有最好的软件工程师也会如此。
「我是一名小学科学老师,现在想请你解释一些科学概念,我希望你能用小学生可以听懂的方式解释,并采用举例、类比等技巧……」
大家好,在昨天的文章中我们详细讲解了如何使用requests+bs4爬取美国疫情实时数据,但是在文章发布之后大约三个小时就有读者后台留言说怎么代码不能用了,在第一个读者反馈的时候我在想难道写的还不够详细吗,在第二个读者反馈的时候我在想这届读者水平不太行嘛,结果在不断有人反馈代码失效了之后我打开电脑测试一下,网站确实做了反爬措施
原文作者:Guia Marie Del Prado 译者:小北译 摘自:译言 译文:http://select.yeeyan.org/view/139932/474678 在谷歌的很多应用中,人工智能都扮演了非常重要的角色,无论是翻译、图像识别还是垃圾邮件过滤。毫无疑问,谷歌研究人工智能的脚步绝不会停止,也不会只停留在这些领域。在第三财季财报会议上,谷歌首席执行官孙达尔·披猜宣布他们正“重新考虑”让旗下所有产品拥有更高级的人工智能同时采用一项被称之为“机器学习”的技术。采用这些技术的产品将拥有怎样的表现,
明敏 发自 凹非寺 量子位 | 公众号 QbitAI 没想到,打开AI黑盒这件事,可能还要靠AI自己来实现了。 OpenAI的最新研究来了一波大胆尝试: 让GPT-4去解释GPT-2的行为模式。 结果显示,超过1000个神经元的解释得分在0.8以上——也就是说GPT-4能理解这些神经元。 要知道,“AI黑箱难题”长期以来是一个热议话题,尤其是大语言模型领域,人类对其内部工作原理的理解还非常有限,这种“不透明化”也进一步引发了人类对AI的诸多担忧。 目前推进AI可解释性研究的一个简单办法,就是逐个分析大模型
在输入地址栏之前,浏览器会对输入的内容进行检查,如果是一个符合格式的正确 url 就会执行 DNS解析,如果不是,比如输入了一些字符串,那么就会执行搜索功能。如图:
编者按:作为一个程序员,如果没有收到心仪的工作offer,你是不是会对自己失去信心?对接创业者和程序员的网站coderfit.com 的创始人Iwan认为你无须担心。他分享了四个“恐怖故事”,告诉我们——那些厉害的工程师被拒绝的原因,很可能与他们的业务水平或文化契合度无关。
当面试官问:“谈谈你对vue的生命周期的理解”,听到这句话你是不是心里暗自窃喜:这也太容易了吧,不就是beforeCreate、created、beforeMount、mounted、beforeUpdate、updated、beforeDestroy、destroyed 这几个钩子函数么,创建=>挂载=>更新=>销毁,So easy !!! 非也非也。如果你只是简单罗列出这几个钩子函数的名称,不具体深入阐述的话,你这样的回答很难令面试官满意。如何才能以点带面深入阐述自己对vue的生命周期理解,从而让面
AI 科技评论按:2017年6月21日至22日,腾讯·云+未来峰会在深圳举行。在主题为“机器学习:创新视角,直面挑战”的演讲 - AI 科技评论后,AI 科技评论在内的多家媒体共同对演讲者人工智能泰斗迈克尔·欧文·乔丹(Michael I.Jordan)进行了采访。 与演讲中一样,这位UC伯克利计算机系教授,美国科学院、工程院、美国艺术与科学院三院院士认为人工智能/机器学习能帮助解决不少人类的问题,但是前路还有很多问题等待人类来解决。另一方面,对于现在火热的神经网络/深度学习,迈克尔·乔丹教授认为机器学习的
人员分析(也称为人力资源分析和劳动力分析)是在分析过程中使用人员数据来解决业务问题。最近的一项证据评估 将其定义为“通过技术实现的一系列过程,这些过程使用描述性,视觉和统计方法来解释人员数据和人力资源流程。这些分析过程与人力资本,人力资源系统和流程,组织绩效等关键思想相关,并且还考虑了外部基准数据。
以上内容来源:力扣(LeetCode)链接:https://leetcode-cn.com/problems/find-common-characters
注1:本文整理自我在今年3 月 11 日 “中国人工智能学会”主办、达观数据承办的「ChatGPT 及大模型专题研讨会」上《大型语言模型的涌现能力:现象与解释》的现场分享,介绍了大语言模型中的涌现现象,以及关于涌现能力背后原因的相关猜想。感谢CSDN帮助整理的文字稿。
很多同学很郁闷:说的是做经营分析,感觉就是把收入成本报表搬来搬去,再写个“要搞高”而已。到底高级的经营分析长啥样?今天系统地跟大家解答一下。
而这项研究却实实在在推翻了此前观点,作者通过实验证明了:即使有噪音,神经元还是有能力获取高精度的视觉编码。
每个问题我们都可以为它找到一个答案,我们也总是习惯于为每个问题找到一个合理的解释。
上一节笔记:随机过程(9)——连续时间马尔科夫链的泊松过程描述,爆炸现象,离散马尔科夫链对比
夏乙 编译整理 量子位 出品 | 公众号 QbitAI 机器人会武术,谁也挡不住。 但是,真的有一群科研人员让机器人学会了一样兵器:双节棍。 就像这样: 新泽西理工大学的一组科研人员做了一只仿生手,和
领取专属 10元无门槛券
手把手带您无忧上云