人工智能促进就业发展
|
仔细看看 在这一点上，梳理并简要考虑引擎盖下正在发生的事情非常有用。与许多其他有趣的ML模型一样，对逻辑回归模型进行迭代训练。为了训练模型，sklearn（或提供类似功能的任何其他软件包）将必须实现以下几个功能： 1. 某种评分函数，指示模型的拟合度。这可能是误差函数或最大似然函数。 2. 该函数可将拟合模型的参数从一次迭代更新到下一次迭代。 训练过程将有效地重复使用这两个功能：最初，模型的参数是随机实例化的。接下来，检查模型的分数。如果认为分数不够（通常是因为与以前的迭代相比，分数有所提高），则将更新模型参数并重复该过程。
即使对于这个简单的模型，sklearn仍需要遍历数据集。以下代码给出了迭代次数： 在最近几个月中，我们已经帮助许多公司在各种环境中部署其AI / ML模型。 我们为医疗行业的模型部署做出了贡献，在过去的几个月中，我们已经帮助多家公司将经过训练的模型转移到不同类型的IoT设备上。 特别是在IoT设备情况下，要求通常很严格：计算周期数和可用内存通常都受到限制。 在本文中，我阐明了如何确保使用标准ML库（例如PyTorch，Scikit-learn和Tensorflow）训练的模型可以有效地部署在各种边缘设备上。 为了使事情变得切实，我们将研究简单的逻辑回归模型的训练和部署。 但是，我们在这里讨论的大多数内容都直接转移到更复杂的模型上。 模型训练
为了说明模型训练与部署之间的区别，让我们首先模拟一些数据。 下面的代码根据以下简单模型生成1000个观测值：图片发布 人工智能(AI)已经开始改变建筑的各个方面，从设计到自动驾驶挖掘机。一些公司甚至提供了一种整体人工智能现场检查员，它将现场拍摄的图像与建筑物的数字平面图相匹配。Buildots现在正通过使用GoPro摄像机的视频镜头，使这一过程比以往任何时候都更容易和可行。 当经理们每周访问网站一到两次时，他们头上的摄像头会捕捉到整个项目的视频片段，然后上传到图像识别软件中。它将现场数千个物体(如插座、浴室配件)的状态与建筑物的数字复制品进行比较。 人工智能还使用视频源来查找摄像机在几厘米范围内在建筑物中的位置，以便它可以在每个帧中找到对象的确切位置。达农声称，该系统每周可以几次跟踪大约150,000件物品的状态。人工智能可以从尚未开始完全部署的每个对象识别出它处于三个或四个状态中的哪一个状态。 Buildots的土木工程师索菲·莫里斯(SophieMorris)说：“现场检查既慢又乏味。”Buildots开发了人工智能来消除许多重复性任务，让人们能够专注于做出重要决定。莫里斯说：“这是人们想要做的工作，人们不需要去检查墙壁是否已经粉刷过，或者有人在天花板上钻了太多洞。” 另一个优点是技术在后台的工作方式。Wates的运营总监GlenRoberts解释道，它记录数据时不需要使用电子表格或时间表访问网站，该公司现在正计划在其他地点推出Buildots系统。 项目的完成情况和它的数字计划有很大的不同。这是在COVID-19大流行期间每周数次比较后发现的。尽管在冠状病毒爆发后，建筑工地被关闭了，但重要的现场工人和各个建筑项目的管理人员都在远程监控施工进度。
人工智能不会很快取代这些重要的工人。人类仍在建造建筑，而不是人工智能。莫里斯预测说:“说到底，这是一个大规模劳动力驱动的行业，这一事实不会改变。” （编辑：甘孜站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
