目前对健康益处的证据有限；早期的研究表明没有适用于所有人的通用方法
Leave a Comment7 search results for "Ars Technica"
关于AI中“伦理”最重要的一点是它与价值观有关。伦理不告诉你什么是对的或错的，它提供了一个价值观的词汇表，透明度、安全性、公正性，并提供了优先考虑它们的框架。今年夏天，我们能够将我们对AI中的价值观的理解带给欧盟、英国和美国的立法者，帮助塑造AI监管的未来。这就是伦理的闪光之处：在还没有法律制定的情况下帮助开辟前进道路。 符合Hugging Face对开放和问责的核心价值观，我们在这里分享了我们所说和所做的一些内容。其中包括我们CEO克莱姆在美国国会作证和美国参议院AI洞察论坛上的发言；我们对欧盟AI法案的建议；我们对NTIA关于AI问责的意见；以及我们首席伦理科学家梅格在民主党代表团的意见。在许多这些讨论中，经常出现的问题是为什么AI中的开放性是有益的，我们在这里分享了我们对这个问题的回答的一些内容here。 顺应我们的核心价值观民主化，我们也花了很多时间公开演讲，并有幸与记者进行交流，以帮助解释目前AI领域的情况。这包括： 莎夏在AI的能源使用和碳排放方面的评论（The Atlantic，The Guardian，两次，New Scientist，The Weather Network，华尔街日报，两次），以及参与了华尔街日报关于这一主题的发表的一部分；对AI末日风险的看法（Bloomberg，The Times，Futurism，Sky News）；关于生成AI中的偏见的详细信息（Bloomberg，NBC，Vox）；解释边缘化工人如何为AI创建数据（The Globe and Mail，The Atlantic）；强调AI中的性别歧视（VICE）；以及在MIT Technology Review上就AI文本检测、开放模型发布和AI透明度发表见解。 内森就语言模型和开放发佈的最新进展发表评论（WIRED，VentureBeat，Business Insider，Fortune）。 梅格就AI和虚假信息发表评论（CNN，半岛电视台，纽约时报）；关于在AI中公平处理艺术家作品的需要（华盛顿邮报）；生成AI的进展及其与更大利益的关系（华盛顿邮报，VentureBeat）；通过报告解释记者如何更好地塑造AI的发展（CJR）；以及解释AI中的基本统计概念困惑度（Ars Technica）；并强调性别歧视的模式（Fast Company）。 艾琳就理解AI的监管环境发表评论（MIT Technology…
Leave a Comment潜入Analytics Vidhya的数据科学转型世界，通过Analytics Vidhya领先数据系列的突破性演讲《以数据为先导》。在这个系列的独家采访中，Analytics Vidhya的CEO Kunal Jain与杰出的人工智能领导者Vin Vashishta进行了一场激动人心的对话。揭示Vin的旅程的秘密，他从技术职位转变为领导职位的战略性转变，分享了宝贵的见解和经验。 与Vin Vashishta，V Squared的创始人兼人工智能顾问对话 让我们开始吧！ 关键见解 踏上Vin Vashishta非凡的旅程，从安装个人电脑到成为人工智能战略的开拓者。 揭示他对领导者关键决策的看法：在快速解决方案与数据科学应用的可靠性之间取得平衡。 深入了解Vin在行业趋势爆发前预见行动的独特过程，指导他在不断变化的环境中的战略举措。 探索他的创业起源并见证其多年来的发展，亲身经历了挑战和胜利的第一手账户。 深入了解Vin对商业愿景的重要性的信念，即使对于最新技术的晚期采用者，也为持续成功提供动力。 了解为什么Vin主张技术专家进入不同的领域，强调在快速发展的领域中前进的必要性。 您是如何开始您的数据科学之旅的？ 起初，我接受教育以成为土木工程师，追随着我父亲的脚步。然而，我12岁时第一次接触编程对我产生了深远的影响。我被在虚拟环境中创造东西的能力所吸引。大学的第一年我上了一门编程课程，立刻就知道这是我的激情所在。我的注意力转移到了编程上，那大约是在1994-1995年。我的数据科学之旅并不直接。我在90年代的第一次人工智能繁荣周期中毕业。尽管我渴望为微软工作并构建先进的模型，但我一直从事更传统的软件工程角色。我从安装个人电脑一步步升职到建立网站和数据库管理。我的第一份公司工作涉及到在公司内部安装软件和平台，直接与客户合作。这种经历至关重要，因为它教会了我交付软件承诺的重要性。 您在数据科学模型方面早期面临的挑战是什么？ 我的第一个数据科学项目是在2012年，那时候我们没有今天这样的库和资源。我使用不同的语言构建模型，包括C、C++和Java，因为由于技术限制我们必须对所有东西进行优化。我们没有现在这样的云基础设施，大规模的数据只有大型公司才能获得。我早期的客户是大型公司，直到2016年才有中小型企业来找我。与这些较小的客户合作使我遇到了现实世界的限制，如预算和时间，这与企业界有所不同。 您是如何从技术角色过渡到战略和领导角色的？ 在2012年被解雇后，我迅速将我的副业咨询转变为全职事业，创办了V…
Leave a Comment简介 在一个正在经历技术革命的世界中，人工智能和医疗保健的融合正在重新塑造医学诊断和治疗的格局。在这一转变背后默默支持的是大型语言模型（LLMs）在医疗、健康领域和主要的文本分析中的应用。本文深入探讨了LLMs在基于文本的医疗应用领域的作用，并探索了这些强大的人工智能模型如何革新医疗保健行业。 图片来源-约翰·斯诺实验室 学习目标 了解大型语言模型（LLMs）在医学文本分析中的作用。 认识现代医疗保健中医学影像的重要性。 了解医学影像在医疗保健中所面临的挑战。 理解LLMs在自动化医学文本分析和诊断中的辅助作用。 欣赏LLMs在分诊关键医疗案例中的效率。 探索LLMs如何根据患者病史贡献个性化治疗计划。 理解LLMs在协助放射科医师中发挥的协同作用。 发现LLMs在医学生和医疗从业人员教育中的作用。 本文是数据科学博文马拉松的一部分。 医学影像和医疗保健的未见世界 在我们深入了解LLMs的世界之前，让我们先停下来欣赏医学影像的存在。它是现代医学中的支柱，帮助可视化和检测疾病，并监测许多治疗进展。尤其是放射学在X射线、核磁共振、CT扫描等医学影像方面依赖重大。 然而，这些医学影像的宝库也带来了一个挑战：庞大的数量。医院和医疗机构每天使用大量的医学影像。人工分析和解读这一泛滥的数据是困难、耗时且容易出错的。 图片来源-一步到位诊断 除了在分析医学影像方面发挥关键作用外，大型语言模型在理解和处理基于文本的医学信息方面也表现优秀。它们有助于理解复杂的医学术语，甚至帮助解释笔记和报告。LLMs提供更高效、更准确的医学文本分析，提升医疗专业人员和医学分析的整体能力。 有了这样的认识，让我们进一步探索LLMs在医学影像和文本分析中如何革新医疗保健行业。 LLMs在医学文本分析中的应用 在了解大型语言模型在医疗保健领域中扮演的多面角色之前，让我们简要看一下它们在医学文本分析领域的主要应用： 疾病诊断和预后：LLMs可以搜索大量的医学文本数据库，协助医疗保健提供者诊断各种疾病。它们不仅可以帮助初步诊断，还可以根据足够的上下文信息对疾病的进展和预后进行有根据的猜测。 临床记录和电子健康记录：处理广泛的临床文件可能对医疗专业人员来说是耗时的。LLMs提供了一种更高效的方法来转录、总结和分析电子健康记录（EHR），使医疗保健提供者能够更专注于患者护理。 药物发现和重用：通过挖掘大量的生物医学文献，LLMs可以找到潜在的药物候选，并提出现有药物的替代用途，加速了药理学中的发现和重用过程。 生物医学文献分析：不断增长的医学文献库可能令人不知所措。LLMs可以筛选出大量的科学论文，识别关键发现，并提供简洁的摘要，帮助更快地吸收新知识。…
Leave a Comment模拟计算机是一类设备，其中物理量如电压、机械运动或流体压力被表示为与问题中相应数量相似的量。 这是一个模拟计算机的简单示例。 来源：https://www.youtube.com/watch?v=IgF3OX8nT0w&t=763s 如果我们按一定量转动黑色和白色的轮子，灰色的轮子显示两个旋转的总和。 最早的模拟计算机之一是公元前100-200年左右建造的安提基瑟拉机械。它由一系列相互连接的青铜齿轮组成，某些指针的运动类似于太阳和月亮的运动。它还能够提前几十年预测日食。 来源：https://arstechnica.com/science/2021/03/scientists-solve-another-piece-of-the-puzzling-antikythera-mechanism/ 模拟计算机的优点和缺点 要添加两个八位数，需要大约50个晶体管。然而，使用模拟计算机，我们只需将两根电线连接起来即可相加两个电流。同样，要乘以两个数，我们需要1000多个晶体管。相反，我们可以通过电阻（R-欧姆）通过电流（I安培），线两端的电势差将是I*R，即两个数的乘积。 模拟计算机功能强大、快速且能源高效。然而，数字计算机取代了它们，因为它们是单用途的且不准确，而且由于输入是连续的，很难完全重复过程。 模拟计算机与人工智能 在人工智能中，模拟计算机用于各种任务，包括模式识别、决策和控制。例如，它们被用于训练神经网络，这是受人脑结构和功能启发的机器学习模型。模拟计算机还用于实现基于规则的人工智能系统，这些系统使用特定规则进行决策或采取行动。 尽管在过去广泛使用，但模拟计算机在人工智能和机器学习中已不再常见，这主要是由于数字计算机的出现。数字计算机比模拟计算机更快速、可靠，可以存储和处理更大量的数据。此外，数字计算机更易于编程和维护，这使其成为大多数人工智能和机器学习应用的首选。 模拟计算机在人工智能中的应用增加 在机器学习和人工智能应用中，使用更大的神经网络的趋势越来越明显。这一趋势是由于需要在日益复杂的任务上提高性能，以及更多的数据、硬件和算法来支持更大网络的训练。然而，这种增加的需求也带来了一些挑战。 训练一个大型神经网络需要的能量相当于三个家庭一年的平均消耗量。 现代计算机将数据存储在内存中，并根据需要访问。但是当神经网络需要大规模矩阵乘法时，大部分能量用于获取权重的值，而不是执行计算。 根据摩尔定律，芯片上的晶体管数量传统上每两年翻一番。然而，我们现在正接近晶体管的尺寸接近原子尺寸的点，这对进一步微型化带来了重大的物理挑战。 随着数字计算机接近其极限，神经网络在矩阵乘法上的广泛应用使其受到了广泛关注。此外，神经网络不要求数字计算机进行精确计算，对于将图像分类为狗的置信度达到98%或95%即可。这些因素为模拟计算机在人工智能领域扮演更重要的角色提供了绝佳机会。 案例研究： Mythic AI Mythic AI 是一家模拟计算初创公司，致力于创建用于运行神经网络的模拟芯片。不同的人工智能算法，如动作检测、深度估计、对象分类等，都在模拟领域中运行。 Mythic修改了数字闪存单元，使其能够实现这一点。这些单元通常用于存储内存，可以存储1或0。将正电压应用于控制栅，电子将穿过绝缘层并被困在浮动栅上。然后可以去除电压，电子将长时间保持在浮动栅上，阻止电流通过该单元。…
Leave a Comment介绍 从土木工程师转变成数据科学家是一个充满激动和挑战的旅程，具有巨大的个人和职业成长潜力。土木工程师凭借其解决问题的能力和分析技能，拥有一个坚实的基础，可以无缝地融入数据科学的动态世界。让我们一起探索从土木工程到数据科学的转型之旅，揭示这两个领域的相关性，识别可转移的技能，并提供获取必要的数据科学技能的指导。 土木工程与数据科学有何关联？ 土木工程和数据科学可能看起来是两个不相关的领域，但它们存在联系和重叠。土木工程技能在数据科学中得到应用。这两个领域之间的关键交叉点包括： 解决问题的方法：两者都需要系统化、分析性的问题解决方法，土木工程师将复杂性分解的能力与数据科学任务相辅相成。 数据收集和分析：土木工程项目生成大量数据集，类似于数据科学对数据收集和分析的依赖。 统计分析：土木工程师在结构完整性方面使用统计学，这与数据科学用于模式识别和预测的使用类似。 数学建模：在土木工程和数据科学中创建模型是常见的，用于预测行为和构建算法。 地理空间分析：土木工程师使用地理空间数据；数据科学依靠它进行空间洞察和预测。 数据可视化：两者都使用可视化技术来呈现发现并有效沟通洞察。 风险评估和决策：土木工程师评估项目风险，而数据科学提供基于数据的决策和预测建模。 可持续基础设施：数据科学可以通过优化资源和预测维护需求为可持续基础设施做出贡献。 还阅读：2023年成为数据科学家的逐步指南 相似之处和可转移的技能 通过认识土木工程和数据科学之间的相似之处，专业人士可以缩小差距，实现职业转型的顺利过渡。了解以下在这两个领域中常见的技能： 技术技能 土木工程师具备强大的分析能力，在数据科学中解释复杂数据集并应用统计分析、数学建模和数据处理技术至关重要。 他们使用诸如MATLAB、Python或R之类的语言进行模拟和数据分析，这些技能可以轻松转移到数据科学领域，用于预处理、机器学习和数据可视化。 他们擅长管理和处理大型数据集以提取有意义的见解，这是数据科学中数据清洗、转换和分析的重要技能。 领域知识 土木工程师在建筑、桥梁和交通网络等物理系统方面的专业知识与数据科学在基础设施性能、优化和资产管理方面的应用相吻合。 他们在环境考虑方面的专业知识对于数据科学分析环境数据、趋势预测和资源优化非常有价值。 软技能 土木工程师的协作和演讲技巧对于将见解有效传达给非技术人员至关重要。 这两个领域都需要解决问题和批判性思维能力，识别和分析问题，评估解决方案和基于数据的决策。…
Leave a CommentCan't find what you're looking for? Try refining your search: