本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。将一块仅硬币大小的圆片，贴在喉咙处，嗓子有问题的人就可以重获新“声”了。这是清华大学发表在Nature子刊上的最新研究成果，一个用石墨烯材料做成的可穿戴喉咙。△NatureMachineIntelligence（自然·机器智能）它可以准确识别到佩戴者喉咙处的细微振动以及模糊的话语，然后将之合成为正常的语音，平均识别准确率高达99.05%。据称，这款设备在噪音非常大的地方也好使。如此一来，那些不能正常发声的人，包括喉切除患者、临时嗓子发炎者、长时间讲课的老师、在嘈杂环境工作但需要交流的人等，都有救了。当然，还有不少人直接
本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。将一块仅硬币大小的圆片，贴在喉咙处，嗓子有问题的人就可以重获新“声”了。这是清华大学发表在Nature子刊上的最新研究成果，一个用石墨烯材料做成的可穿戴喉咙。△NatureMachineIntelligence（自然·机器智能）它可以准确识别到佩戴者喉咙处的细微振动以及模糊的话语，然后将之合成为正常的语音，平均识别准确率高达99.05%。据称，这款设备在噪音非常大的地方也好使。如此一来，那些不能正常发声的人，包括喉切除患者、临时嗓子发炎者、长时间讲课的老师、在嘈杂环境工作但需要交流的人等，都有救了。当然，还有不少人直接
随着数据分析岗位招聘越来越内卷，问“你用过/建过什么模型”的也越来越多。这个问题很容易给人“面试造航母，工作拧螺丝”的感觉。实际工作中，真的要搞那么多模型？？？搞得很多同学在疑惑：“对数据进行监控，分析指标异动原因”是数据分析常见工作内容。这个需求看似简单，可实际做起来却让很多同学很困惑：到底指标波动多大算大？为啥有时候看起来没多大波动，业务却很紧张问原因，有时候波动很大业务又不着急呢？想正确解题，关键在于：不能就数论数，得读懂数据波动背后的业务含义。这样才能知道：哪些是真正的异动，哪些是正常波动。看似异常的正常波动有三类波动，是典型的看似异常，实则正常：1、业务指标季节性波动2、业务指标生
随着数据分析岗位招聘越来越内卷，问“你用过/建过什么模型”的也越来越多。这个问题很容易给人“面试造航母，工作拧螺丝”的感觉。实际工作中，真的要搞那么多模型？？？搞得很多同学在疑惑：“对数据进行监控，分析指标异动原因”是数据分析常见工作内容。这个需求看似简单，可实际做起来却让很多同学很困惑：到底指标波动多大算大？为啥有时候看起来没多大波动，业务却很紧张问原因，有时候波动很大业务又不着急呢？想正确解题，关键在于：不能就数论数，得读懂数据波动背后的业务含义。这样才能知道：哪些是真正的异动，哪些是正常波动。看似异常的正常波动有三类波动，是典型的看似异常，实则正常：1、业务指标季节性波动2、业务指标生
1、引子履约时长是电商的生命线，直接关系到用户的消费体验。新华网[5]2022年双十一的报告显示，37.4%的受访者希望次日达，29.91%希望当日达。相较于其他物品，受访者对手机、电脑、数码产品的物流时效要求更高，更希望当日或1-2天内能收到货。得物履约场景中，主要的阶段包括仓库内生产和第三方承运商配送。在用户支付时，得物会根据仓库的生产情况和运配资源，给用户一个承诺时效。1.1为什么要预测承运商的线路时效在履约过程中，得物需要监控订单的流转，及时的发现可能超时的订单（与和用户承诺时效相比），这里包含仓库生产的监控和三方配送的监控。在实际过程中我们发现：配送节点发生变更时，承运商给的预测偏保
1、引子履约时长是电商的生命线，直接关系到用户的消费体验。新华网[5]2022年双十一的报告显示，37.4%的受访者希望次日达，29.91%希望当日达。相较于其他物品，受访者对手机、电脑、数码产品的物流时效要求更高，更希望当日或1-2天内能收到货。得物履约场景中，主要的阶段包括仓库内生产和第三方承运商配送。在用户支付时，得物会根据仓库的生产情况和运配资源，给用户一个承诺时效。1.1为什么要预测承运商的线路时效在履约过程中，得物需要监控订单的流转，及时的发现可能超时的订单（与和用户承诺时效相比），这里包含仓库生产的监控和三方配送的监控。在实际过程中我们发现：配送节点发生变更时，承运商给的预测偏保
大型语言模型最为人诟病的缺点，除了一本正经地胡言乱语以外，估计就是「不会算数」了。比如一个需要多步推理的复杂数学问题，语言模型通常都无法给出正确答案，即便有「思维链」技术的加持，往往中间步骤也会出错。与文科类的自然语言理解任务不同，数学问题通常只有一个正确答案，在不那么开放的答案范围下，使得生成准确解的任务对大型语言模型来说更具挑战性。并且，在数学问题上，现有的语言模型通常不会对自己的答案提供置信度（confidence），让用户无从判断生成答案的可信度。为了解决这个问题，微软研究院提出了MathPrompter技术，可以提高LLM在算术问题上的性能，同时增加对预测的依赖。论文链接：https
大型语言模型最为人诟病的缺点，除了一本正经地胡言乱语以外，估计就是「不会算数」了。比如一个需要多步推理的复杂数学问题，语言模型通常都无法给出正确答案，即便有「思维链」技术的加持，往往中间步骤也会出错。与文科类的自然语言理解任务不同，数学问题通常只有一个正确答案，在不那么开放的答案范围下，使得生成准确解的任务对大型语言模型来说更具挑战性。并且，在数学问题上，现有的语言模型通常不会对自己的答案提供置信度（confidence），让用户无从判断生成答案的可信度。为了解决这个问题，微软研究院提出了MathPrompter技术，可以提高LLM在算术问题上的性能，同时增加对预测的依赖。论文链接：https
手写签名在日常生活中随处可见，简单来说就是亲笔书写自己的名字，在纸质文档上使用手写签名主要用以确定签字者的身份，并表示签字者同意所签署文档中规定的内容，对文档的真实性负责，且具有法律效力。由此看见手写签名的重要性。在现实的生活中不乏有不法分子模仿其他人的字体，进而模仿他人的签名获得不发的利益。尽管会有鉴别字体的工作，但在鉴别时不仅不准确，而且还十分的消耗人力以及财力。为了解决这一客观显示存在的问题，笔者结合着人工智能的思想和并使用计算机视觉技术对手写签名进行训练，得到了高达100%的训练准确率。并将训练模型进行优化后运用实现了一套手写签名识别系统。1.开发环境笔者的开发环境如下，大家可以参考进
