| google | 聯合學習 | 機器學習 | Federated Learning | 聯合重建 | Federated Reconstruction | Gboard | 內容推薦

Google在行動鍵盤Gboard使用聯合重建技術改進推薦品質

聯合重建技術能夠在保有用戶隱私的情況下,使用本地端參數個人化模型,達到大規模進行部分本地聯合學習的目的

2021-12-22

| ONNX | 機器學習 | 模型推理 | ONNX Runtime | Xamarin

ONNX Runtime 1.10支援Xamarin,供開發者建構AI行動應用程式

開發者現在可以使用ONNX Runtime,藉由Xamarin來建構跨Android和iOS平臺的人工智慧應用程式

2021-12-20

| AWS | AWS ML Stack | SageMaker | 機器學習

【AWS 2022新戰略3:以SageMaker為核心,降低ML門檻擴大影響力】完善端到端資料戰略,AI工具鏈變成生態系平臺

SageMaker不只是一個完整的ML工具鏈,甚至向下串聯了AWS的各種基礎架構服務,資料服務,向上整合了多種AI應用服務,更要發展成一個完整AI生態系平臺

2021-12-20

| 雲端服務 | AWS | re:Invent | Graviton | Inferentia | Trainium | 自研晶片 | Outposts | SageMaker | ML | 機器學習

硬體自主是公有雲擴張不可忽視的助力

這幾年以來,隨著AWS推出VMware Cloud on AWS,以及日益增多的Arm架構執行個體服務,甚至是今年初出現的高效能儲存Volume搭配,他們正一步步展露自己設計多款晶片的用意

2021-12-20

| 雲端服務 | AWS | re:Invent | Graviton | Inferentia | Trainium | 自研晶片 | Outposts | SageMaker | ML | 機器學習

AWS迎來雲服務發展15周年,算力、落地布局、AI戰略全面展開

累計至今,AWS已推出超過200項雲服務,涵蓋運算、儲存、ML、分析等,然執行長Adam Selipsk強調這只是開端,一連發布多項新產品和功能,從新一代自研晶片、5G專網服務,到免費精簡版SageMaker服務Studio Lab,凸顯各戰略布局已可更貼近用戶需求

2021-12-20

| GTC技術大會 | 機器學習 | Nvidia | 黃仁勳 | 虛擬分身 | Omniverse | AI引擎Riva | edge AI | UCF統一運算框架

【總覽Nvidia 2022新戰略】以多AI技術實現高擬真的3D虛擬分身,更布局邊緣AI三大關鍵

在秋季GTC技術大會上,Nvidia展示多AI技術應用與更聰明虛擬分身,還推出新ML框架,來因應超大語言模型訓練,還要加速物理模型的建立

2021-12-06

| SageMaker Studio Lab | AWS | 機器學習 | ML

Amazon發表SageMaker Studio Lab,免AWS帳號就能免費實驗與學習ML

針對想接觸機器學習的開發者、學術人員或資料科學家,Amazon提供精簡版SageMaker,透過電子郵件帳號就能申請免費註冊

2021-12-02

| Google Cloud | Vertex AI NAS | ML | 機器學習 | 高通 | Snapdragon 8

Google Cloud公布高精確性、低延遲ML服務Vertex AI NAS,已整合高通Snapdragon 8

Vertex AI NAS源自Google Brain開發的神經架構搜尋技術,強調能以更高精確度、低延遲性及更低耗能,來執行複雜的ML任務

2021-12-01

| Databricks | 資料 | AI | 機器學習

Databricks推出Partner Connect供平臺用戶連接第三方資料和工具

Partner Connect讓Databricks湖邊小屋用戶,可以方便使用第三方資料和人工智慧工具,目前已支援Fivetran、微軟Power BI和Tableau等服務

2021-11-23

| Everyday Robot | Alphabet | 機器人 | AI | 機器學習 | 強化學習 | 協同學習

Alphabet的Everyday Robot開始在自家辦公室執行打掃任務

透過強化學習、協同學習的機器學習演算法,Alphabet X實驗室強調其通用型學習機器人Everyday Robot執行特定任務能力更成熟,能拿抹布擦桌子、開門、將椅子歸位

2021-11-22

| NLP | 生態圈 | HyperCLOVA | 朴懿彬 | 機器學習 | AI | MLOps | 使用者特徵自動預測 | 使用者人格預測 | User Persona | Naver | 日本Yahoo | 整併 | 封面故事 | Lupus | AI生產力

因應整併後3億日本用戶規模新考驗,Line從3大技術關鍵來強化AI生產力

今年3月,日本Line和日本Yahoo整併後,光是日本用戶規模就達到3億人,作為未來主要用戶服務核心的Line,如何因應用戶數暴增挑戰,繼續邁向AI公司轉型之路?關鍵是這3件事

2021-11-22

| 封面故事 | 機器學習 | AI | 日本Yahoo | Line | AI生產力 | 使用者特徵自動預測 | 使用者人格預測 | User Persona | Naver | K8s | ML

【Line AI生產力關鍵3:新一代使用者特徵自動預測系統】導入GPU和K8s叢集,靠ML大規模自動預測使用者特徵資料

未來光是日本用戶規模將達到3億人,如何讓使用者人格系統的屬性預測能力更強,Line去年夏天導入了GPU和K8s叢集,重新改造了這套系統

2021-11-22