全球人工智能AI行业专题研究报告.pdf

超大规模多模态预训练模型M6实践 大规模预训练模型高效训练的构架实践 大数据AI检索技术的应用 第四范式 OpenMLDB 的机器学习实时应用最佳实践 端到端语音识别技术的探索与实践 对话式AI数据赋能企业数字化转型 多表自动机器学习应用研究 多模态商品营销文案自动生成实践 泛舆情域智能监控中台架构解读及实践 基于 Glancing Transformer 的并行文本生成技术 基于深度学习的个性化推荐系统实时化改造与升级 决策规划在自动驾驶系统中的挑战与探索 客户微细分：架起结构化数据与深度学习的桥梁 快手精排CTR模型实践 联邦学习在金融领域的落地和应用 面向亿级用户的小布助手对话式ai算法系统实践与思考 内容安全中的多模态模型训练实践 人机结合-产业互联网智能化之路 如何利用强化学习技术提高游戏可玩性和真实性 视觉智能的平台之路 视频智能算法在泛安防场景下的落地应用 图神经网络及其在电商的应用 万亿参数推荐模型预估架构演进之路 问答系统在全球化过程中的挑战与方法 新零售场景下商品知识图谱的构建及应用 新闻信息流推荐技术实战 业务场景下知识计算的探索和应用 语音合成在字节跳动平台的应

2021全球人工智能教育落地应用研究报告

AICon 2021全球人工智能与机器学习技术大会PPT汇总，共38份。供大家学习参阅。 2021全球人工智能与机器学习技术大会聚焦AI前沿技术、产业化和商业化的动态，将重点关注人工智能的落地实践，关注人工智能技术领域的行业变革与技术创新，与企业一起探寻AI的边界。 人机结合-产业互联网智能化之路 Bigdata AI统一架构探索与实践 问答系统在全球化过程中的挑战与方法 超大规模多模态预训练模型M6实践 大规模预训练模型高效训练的构架实践 大数据AI检索技术的应用 第四范式 OpenMLDB 的机器学习实时应用最佳实践 对话式AI数据赋能企业数字化转型 多表自动机器学习应用研究 基于 Glancing Transformer 的并行文本生成技术 基于深度学习的个性化推荐系统实时化改造与升级 多模态商品营销文案自动生成实践 决策规划在自动驾驶系统中的挑战与探索 客户微细分：架起结构化数据与深度学习的桥梁 端到端语音识别技术的探索与实践 精排CTR模型实践 联邦学习在金融领域的落地和应用 面向亿级用户的小布助手对话式ai算法系统实践与思考 内容安全中的多模态模型训练实践 如何利用强化学习技术提高游戏可玩性和真实性 视觉智能的平台之路 视频智能算法在泛安防场景下的落地应用 信息流推荐技术实战 图神经网络及其在电商的应用 万亿参数推荐模型预估架构演进之路 业务场景下知识计算的探索和应用 新零售场景下商品知识图谱的构建及应用 语音合成的应用探索 知识驱动机器翻译研究和实践 知识图谱在结构化知识中台的实践应用 智能语音在内容平台上的应用 中文文本自动校对技术的研究与应用 泛舆情域智能监控中台架构解读及实践 自然语言处理技术范式迁徙之路 AI技术在教育智能硬件上的应用实践 AI在短视频创作与理解上的应用 智能营销中的AI一体化大数据平台实践 Nullmax对构建自动驾驶中间件的一些探索

2018之江杯全球人工智能大赛 - 零样本图像目标识别

《全球人工智能产业地图》(PPT).pdf

2021-GAIIC-Task3-Share 全球人工智能技术创新大赛-赛道三：小布助手对话短文本语义匹配 周周星分享 非常荣幸能够拿到周周星，目前初赛第四，本着互联网开源精神，这里也做一些的分享，和大家相互学习，共同进步。 数据 1，对偶数据增强，即Q1-Q2对变成Q2-Q1对； 2，闭包数据增强，即Q1-Q2 = 1，Q2-Q3 = 1，则Q1-Q3 = 1；注意：数据增强时要保证正负样本比例，与原始分布一致，否则无效果甚至导致效果变差。 模型训练方式 半互动 1，ESIM，2，Bimpm，3，SentenceBert，注意：半交互是我们一开始的思路，并使用双路bert，上层使用bert前模型等；并且使用ESIM单模加上技巧，单模也可以上0.89，但是后面使用全交互，效果更好，就没有再继续实验了。 全互动 1，先MLM预训练，再微调； 2，MLM预训练与微调一起做，注意：第二种方式会比

2021 GAIIC Task3 Preliminary Share 赛题 - 小布助手对话短文本语义匹配 十分荣幸能获得初赛最后一周的周星星，目前成绩第五，这里分享一些实验结果和心得给和我一样刚接触NLP比赛的同学们，同时也感谢比赛路上各位大佬开源的成果给我带来的帮助 模型架构 bert/nezha base 预训练+微调 数据增强 对偶 (q1 - q2 = 1 => q2 - q1 = 1) 闭包 (q1 - q2 = 1 & q2 - q3 = 1 => q1 - q3 = 1) 实验细节 闭包只造了正样本。如果正负样本都造效果会差2个千分点左右 数据增强只在预训练阶段，微调阶段使用原数据集 闭包造的正样本也对偶了 预训练 参考的是 transformers 官方的代码 vocab.txt 是徒手解析原数据按空格切开生成的，没做词频对齐 加载了 bert/nezha base 的预

全球人工智能战略与政策观察（2019）-信通院-2019.8-61页.pdf

全市场科技产业策略报告第三十八期：从《全球人工智能发展白皮书》看AI当前产业变化-20191013-安信证券-32页.pdf