logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

AI Agent在物流与运输中的应用:路径优化与调度自动化

时代时间跨度核心驱动主要技术特点代表性应用前计算机时代人类经验经验法则、简单数学依赖人类智慧,缺乏计算工具铁路调度、邮政路由早期计算机时代算法优化线性规划、启发式算法静态优化,注重最优解生产计划、配送路线规划元启发式时代智能算法遗传算法、模拟退火、蚁群算法近似优化,注重解的质量和计算时间的平衡复杂VRP求解互联网时代实时数据GPS、实时交通、大数据动态优化,注重实时响应导航应用、实时调度智能体时代

#人工智能#自动化#运维
AI Agent Harness Engineering 供应链管理应用:需求预测、库存优化与物流调度

在后疫情时代地缘冲突、消费需求波动、供应链全球化重构的三重压力下,传统供应链管理体系面临着牛鞭效应放大、库存周转效率低下、物流调度响应滞后等核心痛点,单点式机器学习应用已无法满足全链路协同优化的需求。

#人工智能#大数据
AI Agent Harness Engineering 模型部署工具推荐:Docker、K8s 与云服务平台对比

Docker容器化部署:把Agent代码、依赖、环境打包成统一镜像,解决环境一致性问题,适合小规模场景和POC验证;K8s容器编排部署:基于Docker实现集群级的调度、弹性伸缩、高可用,适合中大规模生产场景,对自主可控要求高的业务;云服务平台托管部署:把底层容器、集群的运维细节全部封装,用户只需关注Agent逻辑,零运维快速上线,适合想要快速验证业务、没有专门运维团队的场景。

#人工智能#docker#kubernetes
AI原生应用部署指南:增强智能系统的云端与边缘计算实践

在当今数字化时代,AI技术飞速发展,AI原生应用如雨后春笋般涌现。本指南的目的就是帮助开发者、技术爱好者以及相关从业者了解如何将AI原生应用进行有效部署,特别是在云端和边缘计算环境下。范围涵盖了从核心概念的理解、算法原理的掌握,到实际项目的开发与部署,以及未来发展趋势的探讨。本文将首先介绍相关的核心概念,包括AI原生应用、云端计算和边缘计算,并阐述它们之间的关系。接着详细讲解核心算法原理和具体操作

AI原生应用工具使用全攻略:从数据处理到模型部署

本文旨在为初学者和有经验的开发者提供一份全面的AI应用开发工具指南。我们将覆盖从数据到部署的完整生命周期,重点介绍每个环节最实用、最高效的工具和方法。核心概念与工具链全景数据处理工具详解模型开发工具实践部署与运维解决方案行业案例与未来趋势AI原生应用:以AI为核心功能设计的应用程序,而非后期添加AI功能的应用特征工程:将原始数据转换为更适合机器学习模型理解的特征的过程模型部署:将训练好的模型集成到

反向传播算法在边缘计算中的应用:轻量化模型训练技巧

【代码】反向传播算法在边缘计算中的应用:轻量化模型训练技巧。

#算法#边缘计算#人工智能
深度长文:AI Agent Harness Engineering 与具身智能(Embodied AI)的终极融合

Harness的原义是「线束、管控装置」,AI Agent Harness Engineering是指一套标准化的智能体管控工程体系,负责智能体的任务解析、分层规划、环境适配、工具调度、安全管控、反馈闭环、知识沉淀的全生命周期管理,是AI Agent从Demo走向工业化落地的核心支撑。

#人工智能
AI对话机器人架构设计:基于强化学习的对话优化

想象你打电话给银行客服,机器人机械地重复"请告诉我您的账号",完全忽略你刚说过"我忘记账号了"——这就是传统对话机器人的痛点:它们依赖预设规则或固定模板,无法应对复杂、动态的真实对话场景。而强化学习(Reinforcement Learning, RL)就像给机器人配了一位"教练",让它能从与用户的交互中学习:哪些回复能让用户满意?哪些会导致对话中断?通过不断"试错"和"总结经验",机器人能逐渐学

#人工智能#机器人
企业AI资源负载均衡优化:架构师的5个实战案例拆解

目的:解决企业AI场景中“资源供需不匹配”的核心问题——让“大胃王”(训练任务)吃饱,让“急脾气”(推理服务)快吃,让“多客人”(多租户)不打架。范围:覆盖AI全生命周期(训练/推理)、全资源类型(GPU/NPU/CPU/存储)、全部署场景(云/边缘/混合)的负载均衡策略。AI资源:像“餐厅的餐桌”——有大小之分(比如8卡GPU服务器是“大包间”,1卡GPU是“小桌”),需要分配给不同的“客人”(

#人工智能#负载均衡#运维
基于知识蒸馏的轻量级推理模型设计

在深度学习领域,随着模型复杂度的不断增加,模型的参数量和计算量也急剧上升。这虽然提升了模型的性能,但也带来了诸多问题,如推理速度慢、对硬件资源要求高、能耗大等。在一些资源受限的场景,如移动设备、嵌入式系统等,这些问题尤为突出。基于知识蒸馏的轻量级推理模型设计的目的就是在保证模型性能的前提下,通过知识蒸馏技术将复杂模型(教师模型)的知识迁移到简单模型(学生模型)中,从而实现模型的压缩和加速,使其能够

    共 887 条
  • 1
  • 2
  • 3
  • 89
  • 请选择