Публикации по теме 'research-and-development'


Почему вам нужно заботиться об интерпретируемом машинном обучении
Модели машинного обучения (ML) находят свое применение в реальных приложениях. Все мы слышим новости о системах ОД для кредитного скоринга , здравоохранения , прогнозирования преступности . Мы можем легко предвидеть систему социальной оценки , основанную на машинном обучении. Благодаря быстрому темпам исследований машинного обучения и великолепным результатам, полученным в контролируемых экспериментах, все больше и больше людей, похоже, теперь открыты для возможности использования..
TorchMetrics v0.10 — Большие изменения в классификации
Вышел TorchMetrics v0.10, значительно изменивший весь пакет классификации. В этом сообщении блога будут рассмотрены причины, по которым пакет классификации нуждается в рефакторинге, что это означает для наших конечных пользователей и, наконец, какие преимущества он дает. Руководство по обновлению кода до последних изменений можно найти внизу. Почему показатели классификации должны измениться Нам давно известно, что изначально были проблемы с тем, как мы структурировали классификационный..
Исследования и разработки потребительских товаров с автоматическим прогнозированием стабильности продукта
Потребители сегодня более образованы, чем когда-либо, что привело к изменению предпочтений в сторону, среди прочего, большей прозрачности в отношении источников ингредиентов, отходов и тестирования продуктов. Это побудило компании искать новые способы оставаться конкурентоспособными — только для того, чтобы обнаружить, что необходимые эксперименты и корректировки могут отнимать много времени и ресурсов. В результате производители потребительских товаров стали свидетелями перехода к..
Графовые нейронные сети (GNN)
Введение GNN — это тип нейронной сети, которая может обрабатывать данные со сложной неевклидовой структурой, такие как графики и сети. Они широко используются в AI и ML для таких задач, как классификация узлов, классификация графов и предсказание ссылок. Области исследований Одной из ключевых областей внимания была разработка более эффективных архитектур GNN для крупномасштабных графов. Это включало разработку иерархических и модульных GNN, а также использование методов разреживания и..
8 уроков, извлеченных при внедрении машинного обучения
Краткий обзор того, что можно и чего нельзя делать в разработке машинного обучения и науки о данных Последние три года я руководил машинным обучением и наукой о данных в DataArt, исследуя болевые точки различных предприятий, предлагая технологические решения и выполняя их внедрение. За время работы с технологиями я определил восемь ключевых правил, которые использую. 1. Если инструмент существует, не изобретайте велосипед Популярная в техническом сообществе идея создавать..
Оптимизация тестовых сред за счет сохранения стабильности
Передовой опыт технической команды Alibaba в тестировании программ Среды тестирования являются важным аспектом любого процесса исследований и разработок программного обеспечения и обеспечивают систему для эффективного тестирования новых функций перед выпуском. Стабильность таких систем - один из важнейших факторов, влияющих на эффективность НИОКР. В этой статье описаны основные проблемы и ограничения тестовых сред, а также представлены методы улучшения, которые могут эффективно..
Мнение: Будущее успешных исследований и науки о данных
Сегодня мир исследований и науки о данных претерпевает одну из самых существенных трансформаций. Большие наборы данных, созданные как побочный продукт действий и выбора людей в Интернете, используются почти во всех областях исследований. Поскольку мы оставляем свой цифровой след при каждом взаимодействии, часто непреднамеренно, мы позволяем мощным системам искусственного интеллекта (ИИ) анализировать и генерировать идеи из этих больших и сложных потоков данных, которые поступают во многих..