- 综合排序
- 最热优先
- 最新优先
- 来自专栏CSDN技术头条
未来5-10年，NLP将走向成熟
无论是小冰这种闲聊，还是小娜这种注重任务执行的技术，其实背后单元处理引擎无外乎就三层技术： 通用聊天，需要掌握沟通技巧、通用聊天数据、主题聊天数据，还要知道用户画像，投其所好。 未来5-10年，NLP将走向成熟 最后，再介绍一下我对自然语言处理目前存在的问题以及未来的研究方向的一些考虑，供大家参考。 随着大数据、深度学习、云计算这三大要素推动，所谓认知智能，尤其是语言智能跟感知智能一样会有长足的发展。 NPL与其他AI技术一起在金融、法律、教育、医疗等垂直领域将得到广泛应用。 但是，我们也清醒地看到，虽然有一些很好的预期，但是自然语言处理还有很多很多没有解决的问题。以下几个我认为比较重要的。 最后，我认为也是非常关键的，通过无监督学习充分利用未标注数据。现在都依赖于带标注的数据，没有带标注的数据没有办法利用。但是很多场景下，标注数据不够，你找人工标注代价又极大。
1.4K71发布于 2018-02-12 - 来自专栏新智元
【AI全球大战医生】Hinton：5-10年内深度学习取代放射科医生
IEEE Spectrum在2018新年伊始推出专刊“AI vs Doctors”，统计了从2016年5月至今，AI在医疗领域的进展，并对比各大细分领域AI与人类医生能力差距，人工智能正在医生的主场获取成功 ，哪些医疗诊疗行业已被AI超越？ 人类往往无法长时间处理大量的扫描影像和医疗数据，这导致有时候病变会被看漏，或者过了很久之后才被发现，AI正好可以解决这个问题，极有希望在不久的将来，在医疗领域掀起又一次技术革命。 ? 英国诺丁汉大学的研究人员创建了一个AI系统，可以扫描病人的常规医疗数据，并预测哪些人在10年内会发生心脏病或中风。与标准预测方法相比，AI系统正确预测了355名患者的命运。 ? 自闭症：AI扫描婴儿脑部以预测自闭症 北卡罗来纳大学教堂山分校的一个研究小组发现了6个月大儿童大脑的变化与自闭症的关系，而深度学习算法能够使用数据，预测在24个月时自闭症高危儿童是否会被诊断为病症。
1.2K60发布于 2018-03-20 - 来自专栏人工智能头条
未来5-10年，自然语言处理将走向成熟
无论是小冰这种闲聊，还是小娜这种注重任务执行的技术，其实背后单元处理引擎无外乎就三层技术： ● 通用聊天，需要掌握沟通技巧、通用聊天数据、主题聊天数据，还要知道用户画像，投其所好。 未来5-10年，NLP将走向成熟 最后，再介绍一下我对自然语言处理目前存在的问题以及未来的研究方向的一些考虑，供大家参考。 ● 随着大数据、深度学习、云计算这三大要素推动，所谓认知智能，尤其是语言智能跟感知智能一样会有长足的发展。 ● NLP与其他AI技术一起在金融、法律、教育、医疗等垂直领域将得到广泛应用。 但是，我们也清醒地看到，虽然有一些很好的预期，但是自然语言处理还有很多很多没有解决的问题。以下几个我认为比较重要的。 6.最后，我认为也是非常关键的，通过无监督学习充分利用未标注数据。现在都依赖于带标注的数据，没有带标注的数据没有办法利用。但是很多场景下，标注数据不够，你找人工标注代价又极大。
83330发布于 2018-07-20 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-10 线性回归的可解释性
线性回归的可解释性 下面先使用sklearn封装好的线性模型在整个数据集上进行拟合： ? ? 即使你的数据使用线性回归法预测的结果不够好，但是我们通过这样的方式，首先看一看数据特征和预测目标的线性关系，相应的系数有多大，这样做也是非常有意义的。 所以从某种角度上来讲，我们拿到一组数据之后，先使用线性的方式试试看，总之是没有坏处的。 线性回归总结 当然线性回归算法在预测模型的时候同样需要使用测试集，用训练数据集训练出模型，不同于前面介绍的kNN算法，此时的模型是一个实实在在的模型，所谓的模型就可以写成y = θTx，有了这个模型之后就可以基于这个模型对测试数据集进行预测 这里需要注意的是在使用线性回归算法的时候，对数据是有一个假设的：数据和最终的输出结果之间有一定的线性关系，这个线性关系越强，线性回归算法得到的结果相应的也就越好。
1.5K00发布于 2019-11-13 - 来自专栏算法修养
pta习题集 5-10 切分表达式——写个tokenizer吧
[先说点出题背景] 这个题是为低年级同学、学C语言的同学准备的，因为，对这部分同学，这个题目编写起来略有一点复杂。如果是高年级、学过了正则表达式（Regular Expression）的同学或者学过了Java等OO语言的同学做这个题，应当发现这题比较简单吧。哦，对了，什么是tokenizer？请自行查询解决。反正在此处不应翻译成“令牌解析器”。 [正题] 四则运算表达式由运算数（必定包含数字，可能包含正或负符号、小数点）、运算符（包括+、-、*、/）以及小括号（(和)）组成，每个运算数、运算符和括号
1.2K60发布于 2018-04-27 - 来自专栏新智元
首个AI游戏引擎或颠覆任天堂暴雪？0代码即可创建，黄仁勋预测5-10年游戏完全由AI生成
新智元报道 编辑：编辑部 【新智元导读】还有什么领域没有被AI渗透？继音乐之后，首个AI游戏引擎已经完全凭几个字，就能创建游戏资产和动画了。 老黄预测，未来5-10年我们将看到完全由AI生成的游戏。 「未来5-10年，我们可以看到完全由AI生成的游戏」。 这是近日GTC 2024大会之后，黄仁勋接受媒体时采访时发表的最新看法。 近日，一家专注研发无代码游戏引擎的初创公司BuildBox AI，发布了新一代AI游戏引擎——Buildbox 4 Alpha。 - AI场景生成：描述您想要的场景，从诡异的墓地到霓虹灯城市，几分钟内构建整个游戏环境。 - 快速AI编辑和手势绘制工具：只需快速点击或滑动，就可以使用基于AI和手势的绘制工具动态进行更改。 就连老黄也表示，这只需要5-10年的时间。Bethesda仍在推进下一代《上古卷轴》游戏的开发，预计2028年推出。微软和新XBox也是如此。 所有这些游戏，都将在10年后被扫地出门。
64410编辑于 2024-03-26 - 来自专栏腾讯云原生团队
ImageApparate(幻影)镜像加速服务让镜像分发效率提升 5-10 倍
ImageApparate(幻影) 为了解决这个问题，腾讯云容器服务 TKE 团队开发了下一代镜像分发方案ImageApparate(幻影), 将大规模大镜像分发的速度提升 5-10倍。 ? 如上所述，相比于传统的下载全部镜像的方式，ImageApparate 在容器全部启动时间上都有 5-10倍 的提升。 镜像本地缓存由不同的IAS附加存储插件自身实现，目前 CFS 实现使用了 FScache 框架作为本地缓存可以自动按页缓存访问过的在远端存储上的部分数据，根据当前磁盘通过本地缓存能力，有效提升镜像数据重复访问的性能和稳定性 Apparate-snapshotter 主要负责解析记录在镜像层中的IAS信息，从而拿到另外数据存储地址，接下来 Apparate-snapshotter 会去数据存储服务中加载远程数据，并在本地提供访问的 比如在 CFS 场景下，会把远端数据 mount 到本地，并把挂载点作为接下来本地访问的入口。当需要使用远端数据时便由 snapshotter 或内核来提供按需加载的能力。
1.7K10发布于 2021-02-25 - 来自专栏企鹅号快讯
Hinton：5-10年内深度学习取代放射科医生
IEEE Spectrum在2018新年伊始推出专刊“AI vs Doctors”，统计了从2016年5月至今，AI在医疗领域的进展，并对比各大细分领域AI与人类医生能力差距，人工智能正在医生的主场获取成功 人类往往无法长时间处理大量的扫描影像和医疗数据，这导致有时候病变会被看漏，或者过了很久之后才被发现，AI正好可以解决这个问题，极有希望在不久的将来，在医疗领域掀起又一次技术革命。 英国诺丁汉大学的研究人员创建了一个AI系统，可以扫描病人的常规医疗数据，并预测哪些人在10年内会发生心脏病或中风。与标准预测方法相比，AI系统正确预测了355名患者的命运。 自闭症：AI扫描婴儿脑部以预测自闭症 北卡罗来纳大学教堂山分校的一个研究小组发现了6个月大儿童大脑的变化与自闭症的关系，而深度学习算法能够使用数据，预测在24个月时自闭症高危儿童是否会被诊断为病症。 他们使用这一数据集创建了图像库，并将其作为原始像素提供给算法，每个像素都带有标签，描述了相关疾病的附加数据。 为了测试算法的性能，研究人员找来斯坦福医学院的21名皮肤科医生。
1.6K60发布于 2018-01-05 光照计算 采用手动优化重写，通常能获得5-10倍的性能提升
物理碰撞检测光照计算 采用手动优化重写，通常能获得5-10倍的性能提升第三阶段：内存优化通过JavaScript特有的内存管理技术：代码语言：javascript代码运行次数：0运行AI代码解释// 使用对象池减少 资源打包与压缩策略30MB的HTML文件内包含超过2000个资源文件，其打包系统采用分层压缩策略：资源目录结构代码语言：python代码运行次数：0运行AI代码解释/textures /block i sound.wav -acodec libvorbis -aq 50 sound.oggBase64编码优化： 使用更高效的Base62编码方案：代码语言：javascript代码运行次数：0运行AI > C[区块排序] C --> D[材质绑定] D --> E[着色器渲染] E --> F[后期处理]关键性能优化1.实例化渲染：代码语言：javascript代码运行次数：0运行AI id=23094051901151433196793.智能区块更新： 使用Dirty Flag机制减少不必要的重绘：代码语言：javascript代码运行次数：0运行AI代码解释class Chunk
21410编辑于 2025-07-19- 来自专栏大数据文摘
让Python和C一样快，MIT推出新编译器，训练大数据集可提速5-10倍
大数据文摘出品 Python太慢了！ 除了这个缺点，Python可以说是有无数个优点，但就是这个缺点，让无数程序员吐槽不已。 编译器执行的第一个关键步骤之一称为“类型检查”，即在程序中计算每个变量或函数的不同数据类型的过程。例如，一些可以是整数，一些可以是字符串，还有一些可以是浮点数ーー这是常规 Python 不会去做的。 这允许编译器将代码转换为本机代码，从而避免了 Python 在运行时处理数据类型的所有消耗。 第二个难点在于编译器中的优化。 举个例子，如何使用插件实现一组特定于该某计算领域的优化？ 比如使用涉及到使用基因组序列和其他生物学数据的基因组学库。 Codon 的方法是生成一个可执行文件——让其以 C 或 C + + 的速度运行，甚至一旦应用了特定于领域的优化，运行速度甚至更快。 除了基因组学，他们还探索了定量金融的应用，定量金融同样也需要也处理大数据集，并大量使用 Python，效果也非常显著。
66730编辑于 2023-04-10 - 来自专栏企鹅号快讯
AI需要大数据，而大数据也需要AI
美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 然而，Manchett警告说，AI尚不足以满足非技术业务的需求。“为了实现大数据和AI的目标，你仍然需要理解提取、转换和加载的概念，以及机器学习是什么，可以做什么。” 数据占据了中心位置。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
888100发布于 2018-01-18 - 来自专栏AI科技评论
百度王海峰Quora精华整理：未来5-10年，NLP领域将会有什么进展？
AI科技评论按：近日吴恩达发文将在4月底离职百度。 2、未来5-10年，NLP领域将会有什么进展？ 机器翻译、语义理解、问答和对话技术将会有重大突破。这些技术将会被广泛应用，并最终改变人与计算机、人与各种硬件设备、以及人与人之间的沟通方式。 这些技术的发展将得益于以下四个领域的发展：大数据、学习机制、知识图谱、推理和规划。 大数据。随着互联网的繁荣，数据量和种类都在高速增长。即便是非常传统的商业领域，都在开始把数据放到网上。 大数据的价值将继续在物联网领域增长。 学习机制。学习机制的发展将会持续进行，这使得我们能从大数据中学习更多的东西。 知识图谱。 AI 篮球解说员 我们的AI解说系统，可以像人类解说员一样，生成一场比赛的实时解说并与观众互动。
1.5K40发布于 2018-03-12 - 来自专栏苦逼的码农
在一个公司死磕了5-10年的人最后都怎么样了
互联网企业给人的感觉就是流动性非常大，跳槽一词也常挂嘴中，并且也是涨薪资最好的方式，很少有人在一家公司待五六年以上。
61950编辑于 2023-09-07 - 来自专栏ATYUN订阅号
【观点】AI需要大数据，而大数据也需要AI
AI和大数据已经形成了一种真正的共生关系，彼此需要相得益彰。 美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
59270发布于 2018-03-06 - 来自专栏AI系统
【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
1.2K10编辑于 2024-12-07 - 来自专栏技术墨客
从数据到AI
一篇关于數據倉庫建設、人工數據分析、AI數據分析的讲义 數據Data&信息Information 信息 信息是一個客觀存在物體的自然表現，比如說“I am a local villain.” 隨著數據的不斷累積和堆積在數據背後發現了驚人的統計規律，隨著這些統計規律的發展漸漸的出現了AI分析和數據分析。 數據&數據分析&AI 如下圖是建立數據分析工程的過程 ? 根據需要訓練AI模型。 數據倉庫的建立 聯機事物型系統&決策分析系統 在數據能力上，通常將系統的數據結構模型分為2類，聯機事物型、決策分析型。 數據倉庫案例展示superset 地址：http://192.168.0.212:8088 賬號：admin 密碼：admin 數據分析到AI訓練 進過大量的數據演練，可以逐漸的發現數據背後的統計規律。
95250发布于 2019-11-21 AI Agent + 数据工程
一位在数据领域深耕多年的创业者告诉我，早期AI在数据工程领域的切入点其实很务实——那些原本需要大量人工的数据治理工作，恰恰是大模型最擅长的地方。 比如从海量数据中提炼关键信息、自动生成数据文档、识别重复和冗余的表结构。这些事情以前要靠专人花时间梳理，现在AI可以快速完成。 但这只是第一步。 更深层的变化在于，数据工程的需求本身正在被AI重塑。 以前的交付物很明确：一张张处理好的数据表，加上一个Dashboard，业务方看数据就够了。 现在呢？业务方不仅看Dashboard，还想直接跟数据对话——问AI一个问题，AI直接给出答案。 好的数据工程，应该配合AI在事中就做好管理和体系搭建。” 这句话背后是一个残酷的现实：以前数据工程师的工作更像是管道工——把数据从A搬到B，分层、清洗、汇总。 现在的要求变成了规划师——不仅要搬数据，还要让数据能被AI正确理解和调用。 这需要的不仅是技术能力，更是思维方式的转变。
40010编辑于 2026-02-28- 来自专栏钱塘大数据
2017 AI成熟度曲线图
AI的复兴是由多个关键部分的正向市场发展所驱动的，这些部分是： 对于爆炸性非结构性数据的捕捉，预处理和存贮，用于“训练机器”； 用于机器学习的高互补性的处理单元和并行处理架构； 通过平台/API 上升期 人机回环众包 定义：人机回环众包是人与算法互补来解决问题或是任务，其中人工输入进一步改善自动化AI或数据管理结局方案的表现。 这些请求可以通过对话式UI（chatbot）来发起，或是对事件的响应——例如应用或数据库状态的改变。Bots基于预设规则或是更复杂的算法来自动执行任务，这其中可能涉及到AI。 VA使用AI和机器学习来辅助用户或是自动完成任务。VA聆听并观察行为，建立并维护数据模型，预测并提出行动建议。它们可能会代表用户行事，随着时间推移与用户建立联系。 代表企业：Amazon; Apple; Google; IBM; IPsoft;Microsoft; Nuance; x.ai 位置：距成熟应用5-10年 深度学习 定义：深度学习可以发掘中间表示，扩展了标准的机器学习能力
2.1K90发布于 2018-03-06 - 来自专栏资讯分享
37% 的专业人士使用生成式人工智能工具每周可节省 5-10 小时的时间
此外在日常使用生成式 AI 工具的用户中，20% 用于专业用途，15% 用于个人用途。
22310编辑于 2024-04-24 有声内容平台内容生态治理：AI审核+人工复核的最优配比
最优解是让AI处理90%以上的确定性判断，让人工集中精力在AI不确定的5-10%灰色地带。本文以有声内容平台为案例，深入探讨如何科学地设计AI+人工的协作模型，找到效率、成本与准确率的最佳平衡点。 低置信度/疑似（5-10%）→ 推送人工复核 ⚠️ 处理方 负责内容 占比 特点 AI 明确正常→自动通过 85-90% 速度快、标准统一、永不疲劳 AI 明确违规→自动拦截 偏高 高召回率、即时响应 人工 疑似内容→判断决策 5-10% 理解上下文、处理边界案例 数据验证 以日均审核1000小时的有声内容平台为例： 指标 纯人工方案 AI+人工方案 差异 人工处理量 全量人工处理 仅需处理少量疑似内容 ，不可漏放 均衡型平台（社交、内容平台） 配置 设置 AI自动通过阈值 标准（Score>80自动通过） 人工复核占比 5-10% 人工团队规模 适中 理由 平衡安全与效率 效率型平台（大型UGC、 → 系统越来越智能 关键反馈循环 数据来源 应用方向 人工复核中"判为正常"的案例 优化模型减少误判 人工复核中"判为违规"的案例 补充自定义词库和训练样本 用户申诉数据 发现误判盲区 用户举报数据
58210编辑于 2026-05-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号