刷新
AI概要设计文档评审实践

博主头像 背景概要设计文档评审是软件开发过程中的一个重要环节,主要体现在以下几个方面:1.确保设计的一致性和完整性:通过评审,可以确保设计文档中描述的系统架构、模块划分、接口定义等内容在各个部分之间保持一致,避免出现相互矛盾或遗漏的情况。评审过程有助于发现设计中的潜在问题,如数据流不一致、模块功能重叠等,从而 ...

AI大模型的潜在风险,如何做好管控?

博主头像 0 前言 这是一系列技术和组织协议,旨在帮助管理开发日益强大的 AI 系统的风险。随 AI 模型强大,我们认为它们将为经济和社会带来巨大价值,但也将带来日益严重的风险。RSP 主要关注灾难性风险,即 AI 模型直接导致的大规模毁灭性风险。这些风险可能源于对模型的故意滥用(例如被恐怖分子或国家行为者用 ...

解密prompt系列42. LLM通往动态复杂思维链之路

博主头像 想要更优的Inference Time Scaling曲线,前提是模型本身是一个很强的Generator,已经拥有足够的生成合理推理过程的能力,同时还拥有很强的Verifier模型来对推理节点进行打分决策,并且二者可以在少人类监督的条件下不断迭代优化。这一章我们先聊聊如何让大模型"自学"推理思考,从... ...

深度学习面试的时候,如何回答1x1卷积的作用

博主头像 11月了,秋招已经开始了。不知最近有没有同学在投简历面试呢? 回想起几年前我面试某大厂的时候,被问到了很多深度学习相关的知识,那时的我懂的不多,可以说是被面试官360度无死角蹂躏。 那次面试,印象最深的是问了很多与卷积相关的问题,导致我后来工作一段时间看到卷积就时不时的去查些资料,害怕自己又理解错了 ...

向量动态量化

博主头像 本文介绍向量检索服务DashVector动态量化功能和作用。 背景介绍 量化(Quantization)是向量检索技术中一种常用的优化方法,通过一定程度的精度(召回率)损失,来换取性能的大幅度提升,以及内存占用(索引文件大小)大幅度降低。 向量检索服务DashVector支持向量的动态量化,用户仅需 ...

AI辅助项目管理过程风险分析与应对

博主头像 背景 在项目管理过程中,风险分析与应对是一个重要的过程,它有助于确保项目的顺利进行并达成目标。常规过程可以分为几个关键步骤: 1. 风险识别 目的:找出可能影响项目成功的各种不确定因素。 方法:可以通过研讨会、访谈、问卷调查、历史数据审查等方式来识别潜在的风险。 2. 风险量化 目的:评估已识别风险 ...

HuggingFace 核心组件及应用实战

博主头像 带着问题来学习 什么是Hugging Face?它的目标是什么? Hugging Face 中包含哪些知名的预训练模型? 如果我们要在 Hugging Face 中下载 BERT,那么 只有一种版本,还是有多种版本可以选择? 每一种版本的 BERT 中,只有一种格式还是有多种格式可以适应多种下游任务 ...

AI大模型实现图片OCR识别

博主头像 AI大模型实现图片OCR识别背景 OCR(Optical Character Recognition,光学字符识别)是一种将图像中的文字转换为机器编码文本的技术。这项技术可以自动读取纸质文档上的文字信息,并将其转换成电子格式,便于编辑、存储和检索。OCR 技术在很多领域都有广泛应用,比如数据录入、文 ...

积分梯度-受监管行业的 AI 可解释性

博主头像 了解积分梯度如何帮助识别哪些输入特征对模型的预测贡献 在金融和医疗保健等受到高度监管的行业中使用 AI 模型肩负着关键责任:可解释性。您的模型预测准确是不够的。您应该能够解释您的模型做出特定预测的原因。例如,如果我们正在开发一个基于脑部 MRI 扫描的肿瘤检测模型,我们应该能够解释我们的模型使用哪些 ...

为何选择Spring AI Alibaba开发智能客服平台?

博主头像 0 前言 本文来看如何使用Spring AI Alibaba构建Agent应用。 1 需求 智能客服平台,可帮助用户完成机票预定、问题解答、机票改签、取消等动作,具体要求: 基于 AI 大模型与用户对话,理解用户自然语言表达的需求 支持多轮连续对话,能在上下文中理解用户意图 理解机票操作相关的术语与 ...

深入解析 Transformers 框架(四):Qwen2.5/GPT 分词流程与 BPE 分词算法技术细节详解

博主头像 本文深入解析 Qwen2.5 大语言模型的分词流程和 BPE 分词算法。通过中英文混合文本示例,详细介绍了从文本规范化、初步分词、字节编码与映射到 BPE 分词的每一步骤。结合代码实现,揭示了 Qwen2.5 如何高效处理多语言文本,帮助读者全面理解 BPE 分词算法的原理和应用…… ...

BERT 微调实战

博主头像 带着问题来学习 BERT 的预训练过程是如何完成的,在预训练过程中,采用了哪两种任务? 本次实战是用 SQuAD 数据集微调 BERT, 来完成我们的问答任务,你能否用 IMDB 影评数据集来微调 BERT,改进 BERT 的结果准确率? 文章最后会公布问题的参考答案~ 一、BERT 简介 BERT ...

AI辅助Kano模型进行产品开发

博主头像 AI集成Kano 模型可以改变游戏规则,了解客户需求和加强产品开发。Kano 模型有助于识别不同类别的产品功能,例如必不可少、令人愉悦和无关紧要,让您优先考虑真正重要的事情。这种理解可以提高客户满意度和整体产品成功。AI集成Kano 模型:简化产品开发并提高客户满意度。使用 Generative A ...

LM Studio让你的Mac秒变AI神器!

博主头像 0 前言 M芯片Mac想跑大模型,强烈推荐LM Studio。因为它支持专门为M系列芯片优化过的模型文件,运行速度快了不止亿点点!intel mac 不支持哦! 本地运行大模型的工具中,LM Studio和Ollama是最受欢迎的两款。最近LM Studio新增了对MLX的支持。 1 MLX是啥? ...

AI辅助需求规格描述评审

博主头像 1. 背景软件需求规格说明书(SRS)是软件项目中定义系统需求的关键文档,涵盖了功能、性能、设计限制等需求细节。SRS的质量直接影响到整个项目的成败,确保文档清晰、准确、无歧义是产品成功的基础。然而,由于需求规格描述的复杂性和人工审查过程的主观性,手动评审往往耗时且容易出现疏漏。为了提升评审效率和精 ...

关于HuggingFace数据的加载

配置HF镜像 注意:如果无法访问HuggingFace可以访问它的国内镜像站,方法如下: 先安装依赖: pip install -U huggingface_hub 然后在代码的头部加入下面的环境变量设置,记得一定要加载代码的最前面,在import datastes之前。 import os os. ...

软件架构演变:从单体架构到LLM链式调用

博主头像 0 前言 软件架构——我们数字世界的蓝图——自20世纪中叶计算机时代诞生以来,已经发生了巨大演变。 20世纪60年代和70年代早期,以大型主机和单体软件为主导。而今天,数字领域已完全不同,运行在由云计算、API连接、AI算法、微服务和编排平台组成的分布式网络上。 软件架构是如何随着岁月演变的?回顾几 ...

蚂蚁KAG框架核心功能研读

博主头像 首篇KAG框架解读,看蚂蚁KAG框架如何通过知识图谱和向量检索结合,增强大模型在专业领域知识服务中的准确性和逻辑推理能力,解决现有RAG技术栈的挑战。 ...

探索AI驱动Web开发动态UI

博主头像 背景在快速发展的网络开发领域,人工智能(AI)正在为创造力和效率的新水平铺平道路。本文将深入探讨 OpenAI 强大的 API、Node.js 的灵活性以及创建动态用户界面的可能性之间令人兴奋的协同作用。通过研究这些技术如何协同工作,我们将揭示它们如何改变我们的网络开发和用户界面开发方法。动态用户界 ...

TAG与RAG实现摘要和标签自动化转化客户反馈意见

博主头像 在数据驱动的今天,企业通过评论、调查和社交媒体互动获得大量客户反馈。虽然这些信息可以产生宝贵的洞察力,但也带来了巨大的挑战:如何从大量信息中提炼出有意义的数据。先进的分析技术正在彻底改变我们了解客户情感的方法。其中最具创新性的是表增强生成(TAG)和检索增强生成(RAG)技术,它们使企业能够利用自然 ...

<1···91011···24>