提升科学数据可用性,中科院张正德团队提出基于智能体的 AI-Ready 数据加工和供给方案

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

在当下的高能物理研究领域,前沿大科学装置无刻不在生产着海量数据。当前所未有的数据洪流远超传统分析方法的处理极限,人工智能技术,尤其是机器学习和深度神经网络,迅速成为贯穿高能物理研究链条的核心工具。 AI 算法不仅能高效处理巨量原始数据,从数据中挖掘出隐含的、非线性的复杂模式与关联,同时还在加速器运行优化、探测器性能模拟、实验触发系统设计以及理论模型探索等方面展现出应用优势。人工智能方法的持续创新与深度整合,已成为推动高能物理未来发展的潜在动力。

在 2025 CCF 全国高性能计算学术大会上,高能物理研究所计算中心 AI4S 负责人张正德研究员在「AI-Ready 科学数据技术」专题论坛中,以「基于大模型的数据加工智能体进展与实践」为题,从目前大装置科学数据状态出发,系统阐述了针对数据的高效、高质量 AI-Ready 化构建方案,以及智能体和多智能体框架在数据标注和供给的应用。

 

HyperAI 超神经在不违原意的前提下,对张正德老师的演讲分享进行了整理汇总,以下为演讲实录。

AI-Ready 数据与科学数据现状

在 AI4S 算法开源的背景下,数据已成为最关键的核心问题。 AI4S 要求数据具备统一规范以实现高效分析,虽然来自大科学装置的数据普遍具有统一的格式与存储架构,但实际来看,大部分科学数据并不是 AI-Ready 的。

高能物理领域产生的大规模数据,不仅对数据的采集、处理、加工与融合技术提出了要求,同时也为发展 AI 方法提供了重要资源。今天报告中提到的数据类型,不仅包括实验数据,还涵盖模拟数据、装置运行数据、语料数据。

AI-Ready 数据集的通用定义,是能够被高效、安全可复现的用于训练、评估和部署机器学习和人工智能的数据集合。高质量 AI-Ready 数据具备 10 个特征:

* 任务适配。与目标场景、任务强相关,需具备覆盖面和代表性;

* 高质量与一致性。准确、完整、一致,去重,噪声可控;

* 符合本体与标注要求,具有高质量标签、层次、本体映射关系,标注有审计;

* 工程可用。机器可读,如具备标准格式、合理分片/分桶、可流式、可并行;

* 可评估且可复用。严格划分训练、测试、验证数据,基准集具有明确、合理的评价指标;

* 元数据和丰富性。涵盖元数据的采集方式、时间、设备系统、上下文、版本等信息;

* 数据偏差控制。如采样偏差、标签偏差、历史偏差;

* 可获取。稳定访问接口,文档与示例;

* 合理合规。许可和使用权、隐私保护、最好 PII;

* 安全可靠。加密(传输/静态)、最小权限、秘钥管理等。

在实际研究中,数据不仅用于训练模型,还必须能够支持模型评估,因此数据集需建立相应的评估指标,例如准确率、召回率和 F1 分数等。然而,这类指标在一些任务(如分类)中可通用,却难以有效适用于回归等问题,这对 AI-Ready 数据集的质量提出了更高要求和挑战。

目前,一个合格的 AI-Ready 数据集除包含本体数据与标注数据之外,还应提供元数据,其中包括对 AI 任务的描述等信息。更重要的是,AI-Ready 数据集需与有价值的 AI 任务直接关联。以光源为例,其 AI 应用应能够有效支持成像、谱学、衍散射等具体科学任务。

光源 AI 应用与 AI-Ready 数据集任务支持示意图

接下来我用 2 个例子来说明什么样的数据集是 AI-Ready 的数据集。例如纳米纤维取向预测 AI 数据集,它有明确的 AI 任务,即在输入广角衍射谱后直接预测纳米纤维的取向参数。构建这样一个数据集,需要模拟数据和实验数据共同作用。

纳米纤维取向预测 AI 训练数据集结构 [1]

又比如,叠层成像快速重建 AI 数据集能够完成输入衍射图样,预测相位和振幅,计算得到重建图像的 AI 任务,完成重建图像过程中涉及到的大量计算。该架构中包含 2 个分支,分别预测相位和振幅,其真值通过科学计算迭代算法和高投影数计算得到。

叠层成像快速重建 AI 数据集及其计算流程图 [2]

将智能体技术用于数据加工

智能体(Agent)的定义与人工智能的最初定义非常接近,指能够依据其知识、程序、环境与输入信息,代表用户自主做出决策或执行动作的软件或系统。

虽然智能体与自动化技术有相似之处,但后者通常依赖固定流程运作,而智能体与传统自动化不同,尤其适合处理确定性规则无法有效覆盖的工作流程,能够处理传统基于规则的计算方法难以胜任的任务。智能体并非适用于所有场景,其有效性高度依赖于具体任务环境,需充分考虑决策和处理的复杂性,因此,构建智能体需重新思考系统应如何应对复杂决策过程。

智能体的大脑是大模型,所以智能体与大模型的关系实际上是包含关系。智能体与大模型的不同在于,其包含了感知层、执行层、记忆层和处理中枢等架构,能够学会领域专业知识、科学分析工具、感知数据和元数据、编写代码和执行程序、任务规划以及角色分配和协同等。

智能体架构

同时,单智能体和多智能体的应用场景也有所不同。一般来说,单智能体搭载单个工具,当搭载的工具数量增加时,选择工具的时候准确率就会下降,此时可以通过多智能体以避免混淆。

Open Dr.Sai 智能体和多智能体框架和应用 [3]

基于标注工具的 AI-Ready 数据标注精度高但人工参与度高,基于智能体的 AI-Ready 数据标注则自动化程度高,效率高,同时可提供数据信息理解和辅助,适合学科交叉领域研究,但是初始精度可能相对较低,需要通过持续学习和反馈机制不断改进标注精度。目前,很多基于标注工具的标注已经逐渐向「搭载智能体模块+人机交互+智能辅助+审核系统+数据库」的模式过渡。

应用于光源场景的数据智能体

我们团队做的数据智能体主要应用于光源(HEPS)/中子源(CSNS)场景,支持数据的加工和供给。智能体的上游是 Domas 数据管理系统(Data Management System),Domas 的上游是大数据装置的采集系统,采集系统上游是探测器本身。

有关数据智能体的更多信息:

https://github.com/hepaihub/drsai

HepAI 平台链接:

https://ai.ihep.ac.cn

该智能体工作流程分为 5 步:

* 接入 Domas,获得包括实验数据、元数据在内的数据信息;

* 基于所获数据更新知识库;

* 智能体根据具体任务进一步感知数据,通过数据格式转换和执行命令完成数据交互;

* 调用多种科学计算工具对数据进行加工处理;

* 将数据输入执行器推动任务执行,并将输出结果反向输入 Domas 。

智能体架构演示

目前,该智能体已经可以用于构建跨装置的 X 射线衍射和中子粉末衍射实验和模拟的 AI 数据集、构建对分布函数(PDF)的实验-仿真融合数据集。

跨装置 X 射线和中子粉末衍射实验和模拟人工智能数据集

对分布函数(PDF)的构建实验-仿真融合数据集

AI 驱动的科学发现系统

之所以把智能体技术用于数据处理方面,是因为 AI4S 已经逐渐成为发展趋势。 AI 有助于高能物理的研究发现,但是对数据有要求,因此我们采用了「AI4Data」到「Data4AI」的策略,利用 AI 将原始数据转化为 AI-Ready 的形式,以促进成果研发,构建 AI 驱动的科学发现系统。

「AI4Data」与「Data4AI」示意图

关于张正德研究员及其团队

张正德博士是中国科学院高能物理研究所特聘青年研究员,毕业于中国科学院上海应用物理研究所,粒子物理与原子核物理理学博士,主要研究方向为面向科学发现的 AI 算法、大模型及智能体,涵盖深度学习算法、面向科学数据的大模型、人工智能平台和软件系统等,主要目标为推动 AI 在粒子物理、粒子天体物理、同步辐射、中子科学和加速器领域的应用。

 

目前,张正德研究员已在 GitHub 上发布了 6 个具有代表性的开源项目,发展了 CDNet 、 FINet 、 MWNet 等神经网络,研发了高能·溪悟大语言模型和「赛博士」科研智能体,并规划和建设了高能物理人工智能平台 HepAI[4],同时主持了多项重要科研项目,包括「从 0 到 1 项目-AI 大模型驱动高能物理科学发现的研究」和「基于人工智能的高能物理大数据技术研究与示范」等。

参考文献:

[1] Fast extraction of three-dimensional nanofiber orientation from WAXD patterns using machine learning. IUCrJ, 10, 3 (2023). https://doi.org/10.1107/S205225252300204X 

[2] AI-enabled high-resolution scanning coherent diffraction imaging. Appl. Phys. Lett. 117, 044103 (2020). https://doi.org/10.1063/5.0013065

[3] hepai-group. (n.d.). Open drsai [Computer software]. GitHub. https://github.com/hepaihub/drsai

[4] hepai-group. (n.d.). HepAI Platform. https://ai.ihep.ac.cn

一键获取 2023—2024 年 AI4S 领域高质量论文及深度解读文章 ⬇️

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx 立即下载

相关推荐

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

当我们在谈 AI Ready的时候,是在谈什么?

AI Ready 即一个组织为有效利用人工智能(AI)构建竞争力而做好全面准备的状态。这种准备涉及到战略、技术、数据、流程、人员和文化等多个方面。

liju_yang的博客 2156

nvidia-container-toolkit 国内镜像源安装

nvidia-container-toolkit 国内镜像源安装

湫然的博客 1万+

拥抱AIⅹData 新时代:构建企业新一代AI基础设施,重塑企业核心竞争力

花几百万买模型,不如先建个像样的数据平台。

优快云资讯 5628

在C++中,NULL和nullptr有什么区别?

这两个定义导致了冲突,C++中的NULL如果和C语言一样也是(void *)0指针,而C++不允许void*隐式转换成其它指针类型,那NULL就无法表示空指针了。因此,使用 nullptr可以增加代码的清晰性,避免类型安全问题。即使在混合C++和C代码时,nullptr也提供了一个明确无误的空指针表示,达到兼容的目的。C++11 引入 nullptr 彻底解决了这些问题,提高语言的安全性、清晰性和现代性。在了解NULL和nullptr背后的故事之后,相信大家以后再也不会用NULL了。

hebhljdx的博客 679

ADS 2013安装教程

1.2013和2014安装过程是一样的,运行ads2013_06_shp_windows文件进行安装 2.点击“NEXT”。 3.选择I accept,然后点击“NEXT”。 4.选择“complete”,然后点击“NEXT”。 5.选择安装路径,最好默认安装路径,安装路径不要有中文,然后点击“NEXT”。 6.点击“NEXT”. 7.如下路径默认安装,然后点击“NEXT”。 8.点击“NEXT”。 ...

谢谢关注“小鱼教你模数电”,各平台同号 6010

AI Agent卡壳?不是模型不行,而是数据没准备好!AI-ready data全攻略

本文探讨了AI Agent落地应用面临的数据难题,指出低质量数据严重影响AI Agent效果。文章介绍了AI-ready data(针对AI应用优化的高质量数据)作为解决之道,强调其元数据和本体对提升数据价值的重要性。目前企业构建AI-ready data面临挑战,需要技术供应商支持。未来AI-ready data将成为AI Agent应用标配,帮助企业实现数据高效应用和智能化转型。

m0_59235945的博客 489

四旋翼无人机数学模型推导

本周开始进行四旋翼无人机的学习工作,首先来进行四旋翼无人机的数学模型推导工作。。 四旋翼动力学数学模型 坐标变换 介绍四旋翼数学模型之前,首先引入坐标变换的概念,定义两个坐标系惯性坐标系{E},以及机体坐标系{B},惯性坐标系就相当于在地面建立的、静止不动的坐标系,也是我们操纵无人机所在的空间,而机体坐标系是建立于四旋翼机体之上,随着四旋翼姿态变换而变化,所以建立一种地面上的惯性坐标系与四旋翼机体坐标系之间的转换关系,就有这个必要。 对于惯性坐标系{E},以及机体坐标系{B},它们之间的转换关系

BiuBiuSun的博客 1万+

【论文阅读笔记】 Curated Pacific Northwest AI-ready Seismic Dataset

【论文阅读笔记】 Curated Pacific Northwest AI-ready Seismic Dataset

qq_44653420的博客 1516

Viobot使用教程总贴

使用教程总贴

weixin_66666206的博客 1411

从图片到3D模型:用Tripo+Unity打造AI建模流水线(避坑指南)

本文详细介绍了如何利用Tripo和Unity构建AI驱动的3D建模流水线,从图片到3D模型的高效转换。通过文生模型和图生模型的双模系统,开发者可以大幅提升建模效率,适用于游戏开发和数字内容创作。文章还提供了环境配置、图片预处理、批量生成等实用技巧,帮助开发者避开常见陷阱。

weixin_27024175的博客 618

AI时代的“数据之困”,什么是AI-Ready Data

更深远地看,实现数据AI就绪的努力将催化组织在数据治理、数据素养和跨部门协作等方面的全面成熟,打破数据孤岛,提升整体数据能力,从而孕育出惠及企业全局的数据驱动文化,这其中,人的因素和流程优化与技术平台同等重要。至关重要的是,每个切分后的数据块都应附带丰富的元数据,如原始文档出处、章节信息、主题标签等,这些元数据不仅能提升检索的精确度,还能为大模型提供更全面的背景知识,从而增强其输出内容的可信度和可溯源性。最后,贯穿整个数据生命周期的是数据治理与安全,要求企业建立清晰的管理政策,确保数据合规、安全。

MatrixOrigin的博客 1360

华为OD机试双机位C卷-开心消消乐(Py/Java/C/C++/Js/Go)

华为OD机试(机考)双机位C卷 【开心消消乐】,提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为od机试 - 开心消消乐。

qq_45776114的博客 1514

AI-Ready:前端工程深度拥抱人工智能的系统性框架

摘要: "AI-Ready"框架系统性地重构前端工程,实现人工智能深度集成。其核心包括:1)构建AI友好的模块化代码架构;2)设计人机协同研发流程,形成"AI生成-人工精修"闭环;3)搭建智能化基础设施,支持多模态交互与安全接入。该框架推动前端角色从代码实现者向"智能体验架构师"转变,通过提示工程、领域知识显性化等技术手段提升AI协作效率。实施路径分为评估试点、能力建设、生态融合三阶段,最终实现从辅助开发到自主智能的演进。这一变革将重塑前端开发范式

LYFlied的博客 954

Agentic AI应用架构师如何提升AI应用的灵活性

可扩展性(Scalability):快速添加新功能或扩展任务范围(如Agent从“客服”扩展到“供应链管理”);可修改性(Modifiability):调整Agent的决策逻辑或动作策略,无需重构整个系统;鲁棒性(Robustness):在环境异常或数据噪声下保持性能稳定;自适应(Self-Adaptation):自主学习新场景,无需人工干预。状态空间(S):Agent能感知的所有内部/外部状态(如用户需求、环境数据);动作空间(A):Agent能执行的所有动作(如调用工具、发送消息);

项目管理的博客 607

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Baklib AI Ready:解锁企业拥抱 AI 的最后一公里

Baklib,作为一款 AI Ready 新一代数字内容体验云,正是为解决这一难题而生。它以强大的功能和卓越的性能,助力企业提升 60% 的数据准备效率,让企业在 AI 赛道上快人一步。

liju_yang的博客 885

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Gartner:生成式AI进入幻灭的低谷

这份报告,尤其是针对人工智能领域的版本,因其深刻的洞察力和前瞻性,已成为全球企业高管、技术领袖和投资者在制定战略时不可或缺的重要参考。然而,这恰恰是技术挤出泡沫、走向成熟的转折点。”和“AI智能体”成为新的热点,跃居“期望膨胀的顶峰”,这反映出市场已普遍认识到高质量数据是规模化AI的先决条件,而AI智能体则代表了下一波自动化的巨大潜力。例如,AI工程化(AI engineering),它使组织能够持续且安全地建立和发展高价值的AI解决方案组合,是企业大规模交付AI和GenAI解决方案的基础学科。

人工智能学家 1863

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

大模型时代,基于数据平台实现数据AI ready

相信大家对大模型训练的方方面面都很感兴趣,今天我来讲一下,数据处理这一块是怎么做的,有什么挑战和解法。在过去几年里面,我们在模型和AI 应用积累了非常多的经验。在这个过程中,我们有两个新的认识。第一个:我们发现,不管是模型训练和应用开发的过程中,我们的工程师,50%~80% 的时间都消耗在数据治理上。这个和以往开发范式完全不相同。我们知道一个事情超过50%比例就相当高,可以说就成为关键瓶颈了。那之所以这么高的原因是什么呢,相信在座的各位一定非常好奇。

2401_85375151的博客 1124

从原生分布式缓存加速服务谈Serverless AI-ready Data Cloud

为解决这些问题,NDP使用remote-cache解决方案,提供一套独立的缓存集群,将数据缓存在计算的近地集群,减少跨地域网络和对象存储本身的读写时延,提高IO性能。在频繁的数据读写中,保证热表的优先缓存,不淘汰的级别,并在设置的TTL之后UNPIN,进入可淘汰阶段,有效保证了热表长期cache的策略。在一些必要向对象存储获取数据的情况下,为了优化性能,NDP将大IO进行切割,通过将一次大IO变成多个小IO,增加并发的方式,减少等待读取对象存储的时间。如何提升对象存储的IO速度,成为业界面临的重大挑战。

AI_DataCloud的博客 756

今年,很多搞AI变革的CIO,都被干掉了

数据质量、时效性与治理水平直接决定AI模型的效能上限,是避免“垃圾进,垃圾出”困境的根本。很多企业的数据分散、滞后、质量不稳、缺少治理,“垃圾进、垃圾出”,再强的模型也难以奏效。从AI应用刚起步的初始级,逐步递进至有初步管理流程的受管理级,再到相对成熟规范的稳健级,直至AI价值可量化并持续优化的量化管理级,最终实现AI成为企业核心驱动力的优化级。谈到AI转型,不少企业的第一反应是:我们已经买了最新的大模型,也部署了最先进的AI平台,那是不是就算“AI Ready。这是一套系统、完整的方法论,

技术领导力 688

AI Ready!企业接入大语言模型的最后一公里

未来 3年企业上 AI 的目标时间线定义用例和目标:首先,企业需要明确希望使用大语言模型解决的具体用例和目标。这可以是自动化客户支持、智能对话系统、内容生成、文本摘要等等。明确用例和目标有助于确定所需的功能和整合方式。数据准备和清理:大语言模型通常需要大量的数据进行训练和微调。企业需要评估其现有数据的质量和可用性,并进行必要的数据准备和清理工作。这可能涉及数据清洗、标注、格式转换等。此外,如果现有数据不足,企业可能需要探索其他数据源或进行数据采集。

liju_yang的博客 816

耘想WinNAS:以聊天交互重构NAS生态,开启AI时代的存储革命

这种“工具化”交互模式将用户与设备割裂,限制了NAS从“存储工具”向“智能中枢”的跃迁。当AI大模型与边缘计算深度融合时,WinNAS将超越传统NAS的工具属性,成为连接物理世界与数字智能的“神经中枢”。这场始于交互方式的变革,终将引领存储设备从“数据容器”进化为“认知伙伴”,开启人机协作的新纪元。其核心在于将人类用户、NAS设备、AI模型视为平等的“社交节点”,通过内置的聊天系统实现自然语言驱动的交互闭环。耘想WinNAS的聊天交互模式,标志着存储设备从“功能载体”向“认知实体”的质变。

weixin_44489985的博客 898

AI时代数据库如何Ready?TiDB率先给出答案

AI正在重塑软件行业,数据库需要从架构上更系统地做到 AI ready。

大数据在线 311

60%的AI项目死于缺乏AI-Ready数据!企业如何正确搭建AI数据湖?

湖仓一体(Lakehouse)解决了一份数据如何被多种引擎分析的问题,而AI数据湖则进一步解决了一份数据如何被多种AI负载持续消费、持续沉淀的问题,最终形成AI-Ready数据底座。

qq_43622568的博客 398

揭秘 Injective EVM 机制:部署最快的开发者统一运行环境

交换预编译是一个关键组件,作为基于 EVM 的智能合约和 Injective 强大链上模块之间的网关,这种集成允许开发者将链上金融功能直接集成到他们的智能合约,以解锁更复杂的去中心化应用程序。Injective 研发工作专注于优化 EVM 功能,并将其原生嵌入到链核心中,确保与最新的以太坊工具完全兼容,同时为开发者和用户在 Injective 生态上的接续体验提供支撑。例如,当交易触发对智能合约的调用时,如果 EVM 内部的执行恢复或耗尽 Gas ,预期行为是交易失败,就像在以太坊上一样。

TinTinCommunity的博客 668

Data AI-Ready的关键因素

Data AI Ready强调数据的可访问性、可理解性、高质量和高效管理,以便为人工智能(AI)应用提供坚实的基础。”没有数据认责和管控系统,您的模型将不断产生幻觉,经常崩溃,并且始终无法实现公司期望的业务价值。人工智能算法受益于广泛的数据输入,因为多样化的数据源有助于减少偏见并提高洞察的准确性。通过整合来自各种来源的数据,您可以降低这些偏见的风险,因为人工智能解决方案将具有更平衡的视角,可以反映不同的观点。当数据字段具备全面、详细的信息时,AI系统可以进行更深入、更细致的分析,并提供更个性化的建议。

Datablau国产数据库建模工具 1532
上一篇: 在线教程 | 突破结构化文档依赖,dots.ocr基于1.7B参数实现百种语言OCR处理,性能达SOTA
下一篇: 在线教程 | 突破结构化文档依赖,dots.ocr 基于 1.7B 参数实现百种语言 OCR 处理,性能达 SOTA
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值