• 實(shí)踐中的代碼復(fù)雜性第一部分：軟件復(fù)雜性介紹

    想象一下，你走進(jìn)一個(gè)熙熙攘攘的工作室——這里不是機(jī)器嗡嗡作響的地方，而是人們齊心協(xié)力的思想。這才是軟件編程的真正本質(zhì)：集體努力，代碼不僅是機(jī)器的指令，也是開(kāi)發(fā)人員的共同語(yǔ)言。然而，與口頭語(yǔ)言不同，代碼往往會(huì)成為一種晦澀難懂的方言，籠罩在復(fù)雜性之中，新手難以理解。這就是為人類(lèi)編寫(xiě)代碼的藝術(shù)發(fā)揮作用的地方，將神秘的腳本轉(zhuǎn)化為其他人可以輕松理解的敘述。

  • 軟件定義汽車(chē)中的 MLOps：集中式平臺(tái)方法

    ML 平臺(tái)應(yīng)具有完善的實(shí)用程序來(lái)跟蹤訓(xùn)練 ML 模型所需的數(shù)據(jù)沿襲，例如數(shù)據(jù)提取、數(shù)據(jù)轉(zhuǎn)換和用于訓(xùn)練當(dāng)前模型的最終數(shù)據(jù)集。良好跟蹤的數(shù)據(jù)沿襲可以幫助使用該平臺(tái)的功能團(tuán)隊(duì)深入了解用于訓(xùn)練模型的數(shù)據(jù)點(diǎn)，從而改進(jìn)模型以有效地幫助該功能。

  • 人工智能在低代碼和無(wú)代碼開(kāi)發(fā)中的作用

    大型語(yǔ)言模型 (LLM) 的出現(xiàn)導(dǎo)致人們急于將人工智能 (AI) 強(qiáng)行塞入每一種有意義的產(chǎn)品，以及相當(dāng)一部分不有意義的產(chǎn)品。但有一個(gè)領(lǐng)域已經(jīng)證明人工智能是一個(gè)強(qiáng)大而有用的補(bǔ)充：低代碼和無(wú)代碼軟件開(kāi)發(fā)。

  • 人工智能風(fēng)險(xiǎn)管理框架：面向人工智能開(kāi)發(fā)人員的技術(shù)深度探究

    人工智能 (AI) 快速融入軟件系統(tǒng)，為軟件開(kāi)發(fā)社區(qū)帶來(lái)了前所未有的機(jī)遇和挑戰(zhàn)。作為開(kāi)發(fā)人員，我們不僅要負(fù)責(zé)構(gòu)建功能齊全的 AI 系統(tǒng)，還要確保它們安全、合乎道德且負(fù)責(zé)任地運(yùn)行。本文深入探討了NIST AI 風(fēng)險(xiǎn)管理框架的技術(shù)細(xì)節(jié)，為構(gòu)建和部署 AI 解決方案的軟件開(kāi)發(fā)人員提供具體指導(dǎo)。

  • 了解機(jī)器學(xué)習(xí)的貝葉斯建模和概率規(guī)劃

    傳統(tǒng)機(jī)器學(xué)習(xí) (ML) 模型和 AI 技術(shù)通常存在一個(gè)嚴(yán)重缺陷：它們?nèi)狈Σ淮_定性量化。這些模型通常提供點(diǎn)估計(jì)，而不考慮其預(yù)測(cè)的不確定性。這種限制削弱了評(píng)估模型輸出可靠性的能力。此外，傳統(tǒng) ML 模型需要大量數(shù)據(jù)，通常需要正確標(biāo)記的數(shù)據(jù)，因此，在數(shù)據(jù)有限的問(wèn)題上往往會(huì)遇到困難。此外，這些模型缺乏將專(zhuān)家領(lǐng)域知識(shí)或先驗(yàn)信念納入模型的系統(tǒng)框架。如果無(wú)法利用特定領(lǐng)域的見(jiàn)解，模型可能會(huì)忽略數(shù)據(jù)中的關(guān)鍵細(xì)微差別，并且往往無(wú)法發(fā)揮其潛力。ML 模型正變得越來(lái)越復(fù)雜和不透明，人們?cè)絹?lái)越需要數(shù)據(jù)和人工智能做出的決策具有更高的透明度和可問(wèn)責(zé)性。

  • 了解 RLAIF：使用 AI 反饋擴(kuò)展 LLM 對(duì)齊的技術(shù)概述

    隨著最近法學(xué)碩士 (LLM)的成就和關(guān)注，以及隨之而來(lái)的人工智能“夏季”，模型訓(xùn)練方法開(kāi)始復(fù)興，旨在盡快獲得最優(yōu)、性能最佳的模型。其中大部分是通過(guò)大規(guī)模實(shí)現(xiàn)的——更多芯片、更多數(shù)據(jù)、更多訓(xùn)練步驟。然而，許多團(tuán)隊(duì)一直專(zhuān)注于如何更高效、更智能地訓(xùn)練這些模型，以實(shí)現(xiàn)預(yù)期結(jié)果。

  • 可解釋的人工智能：解讀 BERT 模型

    近年來(lái)，隨著人工智能的發(fā)展，專(zhuān)門(mén)針對(duì)人工智能的法規(guī)也應(yīng)運(yùn)而生，例如制藥行業(yè)的良好機(jī)器學(xué)習(xí)實(shí)踐 (GMLP) 和金融行業(yè)的模型風(fēng)險(xiǎn)管理 (MRM)，以及其他涉及數(shù)據(jù)隱私的廣泛法規(guī)，如歐盟的 GDPR 和加州的 CCPA。同樣，內(nèi)部合規(guī)團(tuán)隊(duì)在驗(yàn)證基于模型預(yù)測(cè)的決策時(shí)可能也希望解釋模型的行為。例如，承保人希望了解為什么特定的貸款申請(qǐng)被 ML 模型標(biāo)記為可疑。

  • 機(jī)器學(xué)習(xí)分類(lèi)技術(shù)的進(jìn)步對(duì)數(shù)據(jù)質(zhì)量的改善

    數(shù)據(jù)質(zhì)量差會(huì)導(dǎo)致信息驅(qū)動(dòng)系統(tǒng)中的分析和決策不準(zhǔn)確。機(jī)器學(xué)習(xí) (ML) 分類(lèi)算法已成為解決各種數(shù)據(jù)質(zhì)量問(wèn)題的有效工具，它通過(guò)自動(dòng)查找和糾正數(shù)據(jù)集中的異常來(lái)解決問(wèn)題。有各種方法和策略可用于將 ML 分類(lèi)器應(yīng)用于數(shù)據(jù)凈化、異常值識(shí)別、缺失值插補(bǔ)和記錄鏈接等任務(wù)。用于衡量機(jī)器學(xué)習(xí)模型在解決數(shù)據(jù)質(zhì)量問(wèn)題方面的有效性的評(píng)估標(biāo)準(zhǔn)和性能分析方法正在不斷發(fā)展。

  • 何時(shí)應(yīng)將分布式 PostgreSQL 用于 Gen AI 應(yīng)用程序？

    Postgres 繼續(xù)推動(dòng)數(shù)據(jù)庫(kù)格局的發(fā)展，超越傳統(tǒng)的關(guān)系數(shù)據(jù)庫(kù)用例。其豐富的擴(kuò)展和派生解決方案生態(tài)系統(tǒng)使 Postgres 成為一股強(qiáng)大的力量，尤其是在時(shí)間序列和地理空間等領(lǐng)域，以及最近的生成式 AI 工作負(fù)載。

  • 從架構(gòu)師的視角看待，GenAI 時(shí)代的 API 安全革命

    作為一名經(jīng)驗(yàn)豐富的安全架構(gòu)師，我見(jiàn)證了人工智能和機(jī)器學(xué)習(xí)對(duì)軟件開(kāi)發(fā)領(lǐng)域的變革性影響，尤其是在API 安全方面。GenAI 的出現(xiàn)及其快速生成代碼和整個(gè)應(yīng)用程序的能力為創(chuàng)新帶來(lái)了前所未有的機(jī)會(huì)。然而，這種開(kāi)發(fā)速度的加速也帶來(lái)了復(fù)雜的安全挑戰(zhàn)，需要先進(jìn)的解決方案。

  • 在Lyra-T板上使用GPIO引腳詳解

    隨著物聯(lián)網(wǎng)(IoT)和嵌入式系統(tǒng)的迅猛發(fā)展，GPIO(General-Purpose Input/Output，通用輸入/輸出)引腳在微控制器和嵌入式開(kāi)發(fā)板中的應(yīng)用愈發(fā)廣泛。GPIO引腳允許用戶(hù)直接控制硬件設(shè)備的輸入和輸出，是嵌入式系統(tǒng)開(kāi)發(fā)中的關(guān)鍵組成部分。本文將詳細(xì)介紹如何在Lyra-T板上使用GPIO引腳，包括GPIO的基本概念、Lyra-T板的GPIO引腳配置、以及通過(guò)編程實(shí)現(xiàn)對(duì)GPIO引腳的控制等。

  • AC&DC適配器的開(kāi)關(guān)管設(shè)計(jì)應(yīng)用案例分析

    東科DK065G氮化鎵合封芯片內(nèi)部集成了650V耐壓，導(dǎo)阻260mΩ的氮化鎵開(kāi)關(guān)管，并集成高性能反激控制器，支持谷底開(kāi)通降低損耗。

  • 一種基于FPGA的雙接口NFC芯片驗(yàn)證系統(tǒng)（含偽代碼）

    隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，近場(chǎng)通信（NFC）技術(shù)作為其中的重要組成部分，已廣泛應(yīng)用于智能支付、門(mén)禁系統(tǒng)、數(shù)據(jù)交換等多個(gè)領(lǐng)域。為滿(mǎn)足市場(chǎng)對(duì)高性能、多接口NFC芯片的需求，本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于FPGA的雙接口NFC芯片驗(yàn)證系統(tǒng)。該系統(tǒng)不僅提高了芯片驗(yàn)證的效率和準(zhǔn)確性，還為后續(xù)芯片設(shè)計(jì)提供了有力的技術(shù)支持。

  • AI智算網(wǎng)絡(luò)兩大主流架構(gòu)及差異分析

    隨著人工智能（AI）技術(shù)的飛速發(fā)展，AI智算網(wǎng)絡(luò)作為支撐AI應(yīng)用高效運(yùn)行的關(guān)鍵基礎(chǔ)設(shè)施，其重要性日益凸顯。在AI智算網(wǎng)絡(luò)的構(gòu)建中，網(wǎng)絡(luò)架構(gòu)的選擇對(duì)于系統(tǒng)的性能、成本以及可擴(kuò)展性等方面具有決定性的影響。當(dāng)前，市場(chǎng)中主要存在兩大主流架構(gòu)：InfiniBand和RoCEv2。本文將對(duì)這兩種架構(gòu)進(jìn)行深入探究，并分析它們之間的差異。

  • 基于FPGA的實(shí)時(shí)圖像邊緣檢測(cè)系統(tǒng)設(shè)計(jì)（附偽代碼）

    在圖像處理領(lǐng)域，邊緣檢測(cè)是一項(xiàng)至關(guān)重要的技術(shù)，廣泛應(yīng)用于機(jī)器視覺(jué)、模式識(shí)別、圖像分割和目標(biāo)跟蹤等任務(wù)中。傳統(tǒng)的圖像邊緣檢測(cè)方法多依賴(lài)于軟件實(shí)現(xiàn)，但由于處理速度的限制，難以滿(mǎn)足實(shí)時(shí)性的需求。FPGA（現(xiàn)場(chǎng)可編程門(mén)陣列）以其高度的并行性和可配置性，在實(shí)時(shí)圖像處理領(lǐng)域展現(xiàn)出巨大的潛力。本文旨在介紹一種基于FPGA的實(shí)時(shí)圖像邊緣檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。

發(fā)布文章