实现A *算法进行路径规划
告诉我你的朋友,我可能会告诉你你是谁…
建立一个解决AI偏见问题的框架[研究与理论]
跟我的车聊天:每次聊天都会自动聊天
Google的自私账本和脆弱的人类意志
人工智能,网络安全和常识
我们对即时知识的期望如何演变
我们对即时知识的期望如何演变

什么是议会悬空? 什么是退出民意调查? 什么是联合会杯? 什么是比特币? 什么是Antikythera机制? (古希腊计算机,顺便说一句) 这些是2017年英国排名前5位的“什么是..”搜索。 这让我开始思考……并不是说“哇,这么容易获得答案有多么容易”,因为老实说,谷歌已经存在了很长时间才知道它在做什么。 这让我开始思考现在如何对知识如此突然的期望 ,以及我们需要立即获得这些知识。 众所周知,“嘿Google”已不再与众不同,但是当您退后一步思考时,您可以从字面上询问这台机器,该数据库,该情报,任何您想要的东西,它会告诉您答案如我们今天所知。 我们都知道时代已经改变,看看学校现在的运作方式,人们的学习方式以及我们每天消费“新闻”的方式。 我很想知道Google的发展方向,但是谁能知道Google将处于这个位置呢? 时代如何改变 如果Albert Einstein可以使用Google,我会感觉到他会给他留下深刻的印象,如果他的办公桌上装有Google mini,他会做得更多。 如果他立即得到某件事的答案而不用花费几年的时间去解决,那我们会在哪里呢? 展望未来的20年,想象每个人都有自己的“ Google”,这是一种小型设备,已连接到互联网,并且非常明显地坐在您的身体上。 您想立即了解一些信息,因此,您请可信赖的Google助手,它会立即向您显示视频或通过耳朵播放指令。 听起来有点熟? 您可能还记得Matrix的场景,在该场景中Neo被物理地插入计算机,并且他通过将指令下载到大脑中学习了如何做功夫。 我们离这有多远? 如果您现在使用Google“学习功夫”,您将获得关于如何学习功夫的无穷信息。 包括视频和说明。 现在,将Google Glass添加到组合中,突然间您将看到如何仅通过Internet连接即可立即进行基本的功夫。 您可能不是立即成为专家(Neo都不是),但是您会知道该怎么做,并且可以开始学习。 由于搜索引擎在过去20年中不断发展,因此今天我们都可以使用这些功能。 Google一直想提供信息,并且会继续提供信息,但是我不禁怀疑,我们将如何在20年后使用这些信息?

亚马逊Clickworker平台内部:如何向半百万人支付几分钱来培训AI
亚马逊Clickworker平台内部:如何向半百万人支付几分钱来培训AI

诸如Amazon Mechanical Turk之类的nternet平台使公司可以将工作分解成较小的任务,并将其提供给全球各地的人们。 但是,他们是使工作民主化还是利用被剥夺权利的人? 每天早晨,她醒来时,克里斯蒂·米兰(Kristy Milland)都会在多伦多启动家用计算机的电源,登录到Amazon Mechanical Turk,然后等待计算机响起。 已有十多年历史的Amazon Mechanical Turk(AMT)是一个在线平台,人们可以在其中执行一些有偿的小任务。 Milland正在寻找职位发布或“ HIT”-当列表符合她的条件时,警报会告诉她。 “警报每分钟发出一次,”米兰德说。 “在接受这份工作之前,我从做的事情中脱颖而出,看看它是否是很好的HIT。” 有时会发布一组HIT。 “如果要来一批,而且是在午餐时间,或者我要去看医生,或者我的狗需要出去,”米兰德说,“我会放弃一切,去做。 我实际上已链接到计算机。 如果这是您喂养孩子的方式,那么您就不会离开。” 她已经这样做了11年。 Milland是超过500,000名“ Turkers”(合同工)之一,这些合同工在亚马逊的数字平台上执行小任务,他们称之为“ mTurk”。全球活跃的工人人数估计在15,000到5,000之间。根据纽约大学商学院的计算机科学家兼教授Panos Ipeirotis的说法,每月20,000个。 Turker每天工作几分钟到24小时不等。 谁是土耳其人? 根据Ipeirotis的说法,2016年10月,美国突击队主要是女性。 在印度,他们大多是男人。 在全球范围内,他们最有可能出生于1980年至1990年之间。 美国人约占75%,印度约占15-20%,其余10%来自其他国家。 “请求者”(将工作外包的人员,企业和组织)为每个任务设定价格,并且任务差异很大。 它们包括但不限于: 数据分类 元数据标记 字符识别 数据输入 电子邮件收集 情绪分析 影片上的广告刊登位置 例如,Milland最近的任务是抄录收据的内容。 据米兰德说,要求这项工作的公司将把信息出售给强生,宝洁等公司的市场和研究部门。 (完成这项特定任务的报酬是三美分。) AMT的早期 Milland自称是数字本地人。 她说:“我进入青春期,(并且)我正在上网。” Milland表示,她一直“在线上忙着”,使用eBay等平台来获得额外收入。 因此,当她看到有关Amazon Mechanical Turk在2005年推出时有机会进行点击工作的文章时,这似乎很合适。 她说,在早期,Milland认为这是“更多的实验”,而不是实际的工作。 但是在2008-2009年的经济衰退期间,情况发生了变化。 曾经经营日托中心的米兰德不得不搬家,失去了收入。 同时,她的丈夫丢了工作。 她开始全职从事AMT工作。 对于Milland而言,这意味着每周7天每天17个小时。 […]

科技在医疗领域的变化面貌
科技在医疗领域的变化面貌

我最近很高兴在年度Evolve用户会议上发表演讲。 这是一次了不起的盛会,来自英国和爱尔兰许多领先的医疗保健信托基金的CIO和CCIO都有很多代表。 出席的每位CIO都是其组织内的技术领导者,并有幸对不断增长的系统,服务和人员负责。 从活动中与CIO的交谈中可以清楚地看出,成为CIO不再仅仅是管理“ IT部门”或在医院内部运营一个孤立的成本中心。 现在,它是组织内部和外部的关键功能,是变革的战略驱动力。 它是业务的中心,负责为提高效率和为患者提供更好的结果所需的许多创新和敏捷性。 为此,当今的CIO必须保持领先地位,以确保他们有能力成为推动变革的动力。 他们需要研究什么是新兴技术以及如何开始转向采用这些技术。 但这并不容易。 众所周知,医疗保健领域的技术格局非常分散且多样化。 现有遗留系统存在挑战和局限性,通常是基础架构老化且缺乏技能。 然后,我们将学习如何驾驭当今颠覆性技术的无穷可能性,更不用说期待明天的技术进步了,这些技术通常看起来如此之近,但在许多情况下仍然遥不可及。 但是仅凭技术观点是不够的。 除其他外,CIO还需要考虑如何应对围绕信息安全和隐私的日益严峻的挑战,如何利用云的不断增长的机遇,如何发展自己的团队以及围绕其的文化来接受变革和新的方式。工作。 重要的是,他们还需要考虑为用户提供新的数字服务所采用的方法。 采用传统瀑布甚至是更多现代敏捷技术本身并不是解决之道。 为了获得更好的结果,他们需要提供基于了解和满足用户需求的核心服务。 为此,他们需要采用以用户为中心的设计。 以用户为中心的设计 以用户为中心的设计并不是什么新鲜事物。 多年来,我们已经看到许多中央政府项目成功采用了这种方法。 这种方法对于创建许多出色的服务至关重要,这些服务正在改变公民消费公共服务的方式,例如DVSA的MOT现代化以及内阁办公室的个人选举登记。 每项服务的核心都是GDS服务手册,其中概述了一种由数据和用户洞察力驱动的方法。 所有服务设计必须首先与要使用该服务的人员交谈。 从开始到结束,这将确保了解并记录这些用户的需求。 考虑支持用户旅程所需的其他服务,流程或基础架构也很重要。 此过程称为发现,是构建任何新的数字服务必不可少的第一步。 下一阶段是Alpha,通常在其中构建服务原型并与用户一起测试。 此阶段将确定用户需求是否得到满足,并突出显示服务中的任何问题以及如何最好地解决这些问题。 如果Alpha成功,则该过程将转到Beta版,在此版本中,该软件的工作版本将被创建并通过更广泛的用户群进行测试。 在将服务移至实时之前,需要确认已满足发现,Alpha和Beta期间确定的用户需求。 此外,有必要演示如何支持,衡量,保护和使用户可以访问该服务。 现在,我们看到这些相同的原则已进入医疗保健领域。 NHS Digital已创建了自己的NHS服务手册,该服务手册遵循GDS服务手册的许多原则,但针对医疗保健进行了优化。 卫生与社会关怀部最近的政策文件走得更远,将用户需求置于其四项指导原则的首位,指出“每项服务必须围绕用户需求而设计,无论是公众,临床医生还是员工的需求”。 当您大声说出这些东西时,它们都是有道理的,并且有证据表明这些方法有效,但将它们付诸实践并不总是那么容易。 对于许多人来说,这将意味着一种不同的工作方式,尤其是在医疗保健领域,而这并不是历史上一直采用的方法。 因此,下次您考虑实施一项新服务时,请停止并考虑该服务的交付方式。 它是迭代交付的,并将用户需求放在首位吗? 如果没有,停下来,问问自己为什么。 技术 我相信有些技术将帮助塑造医疗保健的未来,而我认为很多技术可能不会(区块链,我在看着你)。 我将讨论将要使用的技术。 云 大约3年前,我在同一个会议上作了演讲,而我演讲的重点是云。 当时,云是许多行业的主流,但在医疗保健领域却不是。 AWS和Microsoft在英国没有据点,NHS Digital仍然没有云政策,为了使事情更具挑战性,他们仍然认为英格兰的组织只能在英格兰内部处理和存储数据。 当时我的信息是,我将云视为医疗保健未来的重要组成部分,在Kainos内,我们将越来越多地采用云优先策略。 一些具有远见卓识的CIO可以看到很多好处,这受到了很多人的欢迎,但是仍然有很多人强烈质疑我的观点。 这是一个很好的辩论。 三年后,事情发展了,但仍然存在一些挑战。 AWS和Microsoft都在英国开展业务,NHS […]

我用115Garage放置AI
我用115Garage放置AI

这一切都源于一个单一的起源。 时空的独特之处。 这是创新的火花,助您一臂之力。 对发现的热情揭示了宇宙中所有存在的起源。 如今,人工智能的功能已帮助计算机实现超人的图像识别能力,并让科学家通过在1个月内分析过去需要10年的时间来节省我们最宝贵的资源。 日常设备甚至可以将最复杂的语言从语音转换为文本,将图像转换为单词。 帮助视障人士认识一个老朋友,或者让一个盲人的女人第一次念给她的孩子。 自动驾驶汽车使我们可以自由想象城市的街道,并在根本没有街道的地方旅行; 帮助迷路者找到回家的路。 我们看到机器人自学执行简单的任务,甚至在机器人迈出第一步时就看着他们。 现在,外科医生在剧院里有一双不知疲倦的眼睛,甚至可以利用心脏自身的磁场进行自我诊断。 这是具有前瞻性技术的集体想象力领域,也是您迄今为止最惊人的发现的开始。 你好,世界! 我是Victor,是PlanetNEST一位热情的人工智能工程师和研究员。 成为AI研究人员意味着要尝试几次并失败,直到半夜您大喊“ Eureka!” 。 因为我也是一名工程师,所以我喜欢从零开始创建和构建我的发现,并将其构建为目标人口统计学要使用的实际产品。 115车库非常了解这一点。 这意味着我可以在方便的时候构建和创建自己喜欢的事物,与此同时,我与世界各地的专家一起构建跨多个领域的核心技术。 我将分享我在115Garage期间开发的一些研究和技术。 少量射击学习 :为机器学习应用程序学习良好功能的过程可能在计算上非常昂贵,并且在数据很少的情况下可能会变得困难。 一个典型的例子是单次学习设置 ,在这种情况下,我们必须仅在每个新类的一个单独示例的情况下正确进行预测。 另一方面,很少有镜头学习针对每个新课程处理很少的训练示例 ,而零零点学习则不需要任何训练样本 。 该模型在Few Shot Learning中获得了最新的最新结果,准确性得分超过92%,并且具有攀爬性。 在https://github.com/victor-iyiola/few-shot-learning上了解有关此模型的更多信息。 自动驾驶模拟 :与Udacity SD-ND团队合作,在模拟环境中的自动驾驶汽车。 以有趣的视觉格式探索各种自动驾驶汽车的最新技术,以测试现代自动驾驶技术和算法。 双重学习系统(DLS) :为了增强人类智能 ,我开发了与生物大脑的双向连接,称为双重学习系统或DLS。 它是大脑计算机与计算机大脑接口的实现,该接口提供了与人脑和可穿戴设备的双向通信接口,目的是增强人类的技术视野。 在我最近的出版物中了解有关DLS的更多信息。 在我的GitHub和我的Twitter上查看更多令人兴奋的技术和研究。 我必须承认:115Garage确实帮助平衡了工作与生活之间的平衡,而我在一周内就收到了其他工程师在2个月内没有赚到的钱。 想要加入炒作吗? 立即访问https://115Garage.com进行注册!

塞尔登(Seldon)在人工智能全党国会议员小组中
塞尔登(Seldon)在人工智能全党国会议员小组中

2017年3月20日,Seldon应邀在第一届AI大会上在议会上就“我对AI有什么问题”发表演讲。 这就是我说的 去年这个时候,英国人工智能公司DeepMind挑战了围棋世界冠军。 最后,计算机赢了。 人们之所以疯狂,不仅是因为计算机获胜。 我们已经看到计算机在残酷的国际象棋和危险中击败了人们–使用处理能力来尝试所有可能的动作。 但事实是,Go中可能存在的董事会组合比宇宙中存在的原子还要多-获胜需要战略和创造力。 AlphaGo演奏了专业人士梦dream以求的动作。 利用人工智能将推动第四次工业革命。 从玛丽·雪莱(Mary Shelly)到斯坦利·库布里克(Stanley Kubrick)等科幻小说作家,梦想着创造情报已有数十年的历史。 1965年,Bletchley Park密码学家Irving J Good假设“第一台超智能机器是人类需要做出的最后一项发明” 早在最近对AI的行业痴迷之前,学术界就一直在公开地研究和发表有关诸如深度神经网络之类的技术的论文,这些技术是导致一些最具突破性的近期发展的原因。 由于开源AI软件框架,数据可用性和计算能力的大幅提高,AI现在可以发挥其在现实世界中的潜力。 我们正在进入一个量子计算机时代,它是普通计算机速度的1亿倍。 成立了人工智能全党议会组织(APPG AI),其目的是:解开术语,收集证据以更好地理解它,评估其影响,并最终授权决策者制定政策。球体 我们的宗旨 机器学习无处不在。 它会在线推荐产品,从收件箱中删除垃圾邮件,并决定您应阅读哪些好友的状态更新。 计算机已经在数百个新的且重点突出的领域中获得了超人类的能力。 但是机器学习也可以帮助我们解决一些世界上最大的问题,例如 医疗保健中的药物发现和图像诊断。 预测农业中的农作物产量。 提高能源效率–从数据中心到国家电网,再到智能电网。 我是一家名为Seldon的初创公司的创始人。 我们的目的是使人们能够通过机器学习来预测和塑造未来。 Seldon的开源机器学习部署平台可帮助数据科学团队更快,更有效地解决问题。 当前,只有百分之二的机器学习模型从研发转移到生产,但是现在有超过50%的企业希望在内部构建自己的模型。 现在,我们有一个全球社区,由成千上万的开发人员来Seldon进行机器学习。 包括一些全球最大的公司,例如惠普和巴克莱。 我们是Techstars Barclays Accelerator fintech计划的一部分,该计划是大型企业通过与科技初创公司合作推动创新的光辉典范。 什么是AI? 那么,什么是AI? 人工智能是一个概括性术语,涵盖从自然语言处理到自动化的所有内容。 近年来已经取得了长足的进步,但是研究人员开发真正的人工通用智能(AGI)的过程仍然遥遥无期,该智能体可以证明人类水平的智能或超智能。 实际上,当今大多数成功的AI应用都是基于机器学习的,它使计算机可以在超人的水平上解决非常具体的问题。 运作方式如下: 在软件开发方法中,人类程序员通过将基于规则的编程与数据结合以产生一些输出来解决问题。 机器学习颠覆了这种传统的编程方法。 机器学习的原始成分是预期的输出和一些数据集-在大多数情况下,标记数据对于我们称为监督学习是必需的。 寻找干净的标签数据集是许多组织低估的挑战。 数据通过一种或多种算法来馈送以训练模型。 模型实际上是一种设计得很好的计算机程序。 通常对事物进行分类,分组,预测或推荐。 深度学习是受神经科学启发的机器学习的一部分。 正如人们学习和观察世界时,大脑中神经元之间的路径不断加强一样; 通过训练过程,神经网络节点之间的连接得到了加强–随着网络找出自己的模式识别规则,节点的每一层都有一定程度的抽象。 […]

初学者学习人工智能
初学者学习人工智能

假设我们正在制造一辆自动驾驶汽车,该汽车在城市中行驶并沿途学习,这些因素会影响到达目的地的时间。 或者说我们为日常工作(例如预订酒店,旅行,购买杂货等)设计了一种学习算法。 代理商(例如,自动驾驶汽车)可以具有一个知识库,该知识库可能由一组句子组成。 这些句子基本上是关于系统的事实。 事实像 在交通信号灯为绿色时移动,在交通信号灯为红色时停止。 在道路的特定一侧行驶。 从一个点到另一点的最短路线。 相同的替代路线。 具有规划算法的自动汽车可以到达目的地,从而提供了一个好的解决方案。 但是通过学习它可以产生更好的结果。 假设自动驾驶汽车具有学习能力。 该汽车使用某种算法到达目的地,但也不断观察其环境及其动作结果。 如果下次再次出现类似情况,则汽车可以使用其倾斜的物体并表现得更好。 人工智能学习包括以下内容: 学习要素 评论家 性能要素 问题产生器 一个学习要素是负责发展和改善代理人组成部分的要素。 它从批评者那里获得关于代理人根据固定标准执行绩效的反馈,而代理人的行为则来自绩效要素。 问题生成器为代理提供了新的随机探索可能性,例如采取新路线,使用新策略等。 决策树 决策树是实现学习的最简单方法。 它只能采用简单的布尔函数。 它由不同的属性组成,例如上图中的天气-晴天,阴天,下雨,湿度和风等因素。 这些导致终止节点,是或否。 人工智能学习可以采用多种方法-关联规则学习,神经网络,贝叶斯网络,深度学习,归纳逻辑编程,聚类等。

假人的梯度下降
假人的梯度下降

梯度下降(GD)在机器学习中是最重要的,因为它可以将参数修改为正确的方向(这使算法成为一种学习方法)。 在本文中,我将尽可能简单地解释GD。 简而言之,GD的想法是最小化成本函数(有人称其为损失函数)。 成本函数是算法预测与正确值之间的差。 当GD的想法是最小化成本函数时,这意味着我们试图做出更接近实际价值的预测。 这种差异可以通过多种方式计算,但根据我的说法,最流行的方法是均方误差(MSE)。 记号: y =实际值 ŷ=功能预测 该方程式的思想是首先计算预测的y(=ŷ)与实数y之差。 然后,我们将差值平方(数字乘以自身)。 等式第一部分的目的是仅计算损失的平均值。 我们可以用成本函数和参数绘制模型。 参数的数量可以是数百万,但是对于本示例,我们假设只有两个参数。 梯度下降的想法是在该函数中找到最低点,其中均方误差最接近零。 而且我们希望均方误差尽可能低,因为该算法可以预测几乎是真实的y值。 最初,您定义一个随机的x和z值,这些值会将您带到模型中的某个位置。 在我们的模型中,它约为-50、50,并且该点的损失函数约为200K。现在,GD会研究每个方向,并尝试找到下坡最陡的方向(数学上是在计算坡度)。 从新的角度出发,它再次计算坡度(最陡的下坡)并使用该知识修改参数。 GD将继续这样做,直到到达没有下坡的地步。 图片中的蓝线代表GD的移动。 是的,算法可以在第一时间随机选择正确的参数,但我从未见过这种情况在现实生活中会发生。 步长(某些人称为学习率)参数,它告诉您每步走下坡道的GD数量。 每一步之后,GD都会寻找一个新的方向(最陡峭的下坡路​​)。 多年来,问题一直是确定步长,因为如果选择的数字太大,GD可能会越过最低点,或者学习率(记住这与步长相同,只是名称不同)太低,它会缓慢移动并且花太多时间找到最低点(您也可以说“收敛需要更多时间”)。 但是,此问题已解决。 莱斯利·史密斯(Leslie N. Smith)在《神经网络训练中的循环学习率》中进行了解释,并解释了如何找到一种确定学习率的好方法。 他从一个很小的学习率开始(例如0.000001),然后通过将每个迭代乘以2来增加学习率,直到达到某个大数字(例如5)。 这个想法是,GD最初移动非常缓慢,最终增长太大。 然后将学习率置于y轴,并将均方误差(或其他成本函数)置于x轴,并绘制图表。 上面有一个示例图。 首先查看损失最小的位置。 在我们的例子中,学习率约为10 -1。 然后向左移动一点,到达一个梯度最大的点(直线下降的速度),并将其提高到您的学习速度。 根据该图,0.003对我来说是一个很好的步长。 即使这种方法不流行,它也确实有效。 这里简要解释了梯度下降。 但是,梯度下降已经得到了进一步发展。 这可以帮助初学者练习和理解基本概念,但是如果您有兴趣将其用于更大的问题,则应阅读有关Adam的文章。 亚当是一种可以大大加快梯度下降的方法。 感谢您的阅读,如果有人知道有关亚当的精彩文章,我可以在这里链接。 只需给我发送电子邮件或发表评论。 〜Lankinen

丘脑潜伏
丘脑潜伏

承认吧,你一直在忽略丘脑,不是吗? 原来你并不孤单。 甚至许多神经科学家对丘脑功能的概念都非常简单,往往会忽略它。 结果,尽管在新皮层的各个方面进行了大量的计算工作,但几乎没有丘脑的计算模型。 幸运的是,情况可能正在改变。 在过去的几十年中,科学家发现了有关大脑这一经常被忽视的区域的大量信息。 在这篇文章中,我将向您概述丘脑和这些发现。 这些细节令人着迷,并且已经影响了Numenta的皮质功能理论。 也许最重要的是,我将尝试说服您,丘脑不仅是新皮质的组成部分,而且总体上具有智能功能。 丘脑是大脑的一个壳状区域,位于头骨的正中央,如上方动画[1]中的红色所示。 丘脑的中心位置是其功能的线索。 事实证明,几乎所有进入新皮质的感觉信息都通过丘脑。 丘脑不是一个单一的均质结构,它实际上由数十个称为核的细胞组组成。 每个核都有一个复杂的名称,例如“外侧膝状核”(LGN)和“背内侧膝状体”(dMGB)。 如果您想在聚会上给某人留下深刻的印象,那就是抛出这些术语的条件! 每个核负责中继进入特定皮层区域的某些信息。 确实,在整个上世纪的神经科学中,普遍的观念是丘脑无非是“新皮层的中继站”。 在没有任何真正有趣的假设的情况下,这种简单的观点实际上已经使人们忽略了它。 最近的证据表明,丘脑的作用实际上更为重要。 事实证明,新皮层的每个区域都与特定的核[2]来回编织复杂但规则的连接网,如下图所示(改编自(Sherman,2018b))。 该图显示了新皮层和丘脑之间的物理连通性。 上排显示不同的皮质区域,下排显示与每个区域相关的丘脑核。 在下面的框中,我列出了许多有趣的细节,其中一些非常技术性,但是您可以立即看到一个相当复杂的模式。 最重要的事实是,这是规范的模式 ,从某种意义上说,它被保留在所有皮质区域和细胞核中,而不管其形态如何。 我们可以得出两个广泛的结论。 首先,从复杂性显而易见,丘脑不仅仅是中继站。 还有很多事情要做。 第二,每个原子核都与皮层区域紧密耦合,并且解剖结构在各处都是一致的,这意味着它是普通皮层电路必不可少的组成部分。 丘脑不仅是一些独立的大脑区域。 如果您想了解常见的皮层算法,则必须了解丘脑 。 皮质-丘脑连接的详细信息(技术,请随时跳过!): 每个皮质区域从第5层向下一个丘脑核发送一个强前馈投影,然后投射到下一个皮质区域的第4层(标为“ FF”的箭头)。 该间接投影是对从下一个区域(“ FF2”)的第2/3层到第4层的直接投影的补充。 因此,从一个皮层区域到下一个皮层区域有两条前馈路径。 Sherman和Guillery已证明,间接丘脑通路实际上是更强的通路[ 2 ]。 第5层的投影会分开,并投影到负责控制我们的运动/肌肉系统和行为的皮质下区域。 这种投影被称为“参考副本”,被认为可以调节行为,但同时也可以将信息发送到下一个皮质区域。 该信号的性质是一个谜。 从每个皮层区域到投射到该区域的同一丘脑核都有相互的反馈连接。 这些在图中标记为“ FB”,起源于第6层。它们穿过丘脑的一个子层,称为TRN(或“丘脑网状核”,另一个很棒的称呼)。 稍后在TRN上有更多介绍。 丘脑内部的解剖结构相当复杂。 丘脑内的细胞及其树突非常专门化,并具有复杂的动态特性[ 2 ]。 上面概述的连接方式是规范的,适用于所有皮质区域和细胞核,无论其形式如何。 它适用于视觉(相关的丘脑核:LGN,肺泡),听觉(丘脑核:背侧和内侧膝状体),触摸(丘脑核:腹侧后方,后内侧),运动皮质(丘脑核:腹侧前,腹侧) ),甚至高阶皮质区域(丘脑核:内侧背,中线核)。 […]

人工智能减少车祸
人工智能减少车祸

AI驱动的摄像头设备,可减少汽车租赁公司的事故。 问题陈述 这家汽车租赁公司在印度提供自动驾驶汽车租赁服务。 拥有驾驶执照的18岁以上的任何人都可以租用这些汽车。 无人驾驶汽车租赁公司的事故发生率是个人拥有汽车的两倍以上,有多种原因。 首先,与美国和欧洲国家相比,印度的汽车保有量仍然很低,这意味着驾驶这些汽车的人中有很大一部分是业余驾驶员。 其次,与私家车相比,人们倾向于更轻率地驾驶租车。 第三,与西方国家相比,印度的驾驶没有得到组织和纪律处分,因此更容易发生事故。 产品 该设备随附具有红外技术的4-HD摄像机。 该设备可以使用3M胶带安装在后视镜上方,并通过汽车电池供电。 该设备具有40小时的视频存储和4G连接能力,可将视频流式传输到云中。 该设备还配备了加速度计和GPS传感器。 产品背后的技术 该设备由AI驱动的图像处理算法驱动,可帮助其检测汽车,自行车和行人。 通过图像处理算法和GPS的组合,它可以计算前方物体与所安装车辆之间的相对速度。 通过相对速度,它可以计算出估计的碰撞时间,并在可能的情况下通过高提示音提醒用户。 该设备还可以检测到诸如急速行驶,剧烈加速,剧烈制动,快速转弯和超速等事件。 该设备可以向用户发送音频警告,以警告危险的驾驶行为。 用例 减少皮疹驾驶:我们希望通过向驾驶员提供实时音频警报来减少皮疹驾驶行为。 我们通过与4:1控件/测试组进行A / B实验来开始测试实时音频警报的效果的实验。 我将在几个月后更新实验结果。 对事故采取的主动行动:如果发生重大事故,我们将获得实时警报(设备测量重力)。 这些事故将转发给“事故与故障”团队。 这些警报与事故报告一起发送,该报告包含视频,GPS位置和事故详细信息。 采取该报告是为了减少对路边援助的响应时间。 监控的影响指标 减少轻率驾驶:减少事故,减少警报数量和减少警报持续时间。 主动采取措施:减少事故响应时间。 PS:我目前是Zoomcar物联网团队的产品经理。 Zoomcar引领印度自动驾驶汽车租赁市场。 我们已经与Netradyne合作在汽车上安装了DriverI设备。 这项为期1年的研究,我将在发表见解时对本文进行更新。