加入收藏 | 设为首页 | 会员中心 | 我要投稿 阿坝站长网 (https://www.0837zz.com/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 站长资讯 > 外闻 > 正文

带你搞定Spring Boot中Schedule

发布时间:2021-02-01 16:58:01 所属栏目:外闻 来源:互联网
导读:全球技术研究和咨询机构ISG公司自动化部门负责人Wayne Butterfield说,随着持续蔓延的疫情继续影响组织的运营能力,随着组织寻求了解受到疫情影响的数据集,并继续使日常任务实现自动化,在许多领域,人工智能将变得越来越重要。 此外,由于大量员工在家远程

全球技术研究和咨询机构ISG公司自动化部门负责人Wayne Butterfield说,“随着持续蔓延的疫情继续影响组织的运营能力,随着组织寻求了解受到疫情影响的数据集,并继续使日常任务实现自动化,在许多领域,人工智能将变得越来越重要。”

此外,由于大量员工在家远程办公,IT运营团队在2020年面临着许多挑战和压力,而且这种情况很可能在2021年持续下去,人工智能将在这里发挥作用。凯捷公司北美人工智能和分析副总裁Dan Simion说,“随着企业的数字化联系比以往任何时候都要多,人工智能技术可以确保它们保持运营。”

2021年人工智能趋势:企业发生的事情

然而,人工智能应用的重点将不仅仅是提高运营效率或有效性。管理咨询和研究机构Everest Group公司业务主管Alisha Mittal说:“由于发生疫情,人们开始转向利用人工智能来改善利益相关者的体验。”

2021年IT领导者应该关注的人工智能趋势包括:

1. 人工智能专业人才将仍将紧缺

Mittal表示,随着人工智能在2021年的加速采用,人才供应将成为关键问题。他说,“组织已经开始意识到人工智能民主化的重要性,以解决持续存在的人工智能专业人才紧缺的问题。”

正如首席信息官致力于让非技术用户能够访问数据,他们需要确保人工智能技术能够被更广泛的用户使用。Mittal说:“成功实现人工智能民主化需要关注数据、技术和学习策略的关键方面,并由分散的治理模式支持。企业还必须关注环境、变革管理和治理。”

2. 人工智能为自我导向的IT提供动力

凯捷公司的Simion预测,到2021年,人们将看到更多的人工智能解决方案,能够自行检测和修复常见的IT问题。Simion说:“这些解决方案将以主动方式自我纠正和自我修复任何故障或问题,从而减少系统或关键应用程序的停机时间。这将使团队可以将资源分配给他们应该关注的复杂和更高优先级的项目。”
 

评估基准

尽管该领域忙于使用新的Transformer模型,但几乎没有一种简单的方法可以将这些模型比较。许多研究论文选择自己的基准来展示所提出模型的功能。再加上不同的超参数设置(例如模型大小和配置),可能难以正确地找到性能提升的原因。此外,一些论文将其与预训练相提并论,使区分这些不同模型相对性能的难度更大。 考虑使用哪个基本高效的Transformer block,仍然是一个谜。

一方面,有多种模型集中在 generative modeling ,展示了提出的Transformer单元在序列AR(auto-regressive)建模上的能力。为此,Sparse Transformers, Adaptive Transformers, Routing Transformers 和 Reformers主要集中在generative modeling任务。这些基准通常涉及在诸如Wikitext、enwik8和/或ImageNet / CIFAR之类的数据集上进行语言建模和/或逐像素生成图像。而segment based recurrence模型(例如Transformer-XL和Compressive Transformers)也专注于大范围语言建模任务,例如PG-19。

一方面,一些模型主要集中于**编码(encoding only)**的任务,例如问题解答、阅读理解和/或从Glue基准中选择。例如ETC模型仅在回答问题基准上进行实验,如NaturalQuestions或TriviaQA。另一方面,Linformer专注于GLUE基准测试子集。这种分解是非常自然和直观的,因为ETC和Linformer之类的模型无法以AR(auto-regressive)方式使用,即不能用于解码。这加剧了这些编码器模型与其他模型进行比较的难度。

有些模型着眼于上述两者的平衡。Longformer试图通过在生成建模和编码器任务上运行基准来平衡这一点。Sinkhorn Transformer对生成建模任务和仅编码任务进行比较。

此外,还值得注意的是,尽管Seq2Seq任务的**机器翻译(MT)**是普及Transformer模型的问题之一,但这些有效的Transformer模型没有能对MT进行多些的评估。这可能是因为MT的序列长度不足以保证这些模型的使用。

尽管generative modeling、**GLUE(General Language Understanding Evaluation)**和/或question answering,似乎是这些应用的通用评估基准,但仍有一些基准可供小部分论文单独进行评估。首先,Performer模型会对masked language modeling进行评估,和其他有效的Transformer模型进行了正面对比。而且Linear Transformer还对语音识别进行评估,这是比较罕见的了。

(编辑:阿坝站长网)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!

    热点阅读