MobotStone_社区达人页

2023年04月

• 04.20 20:55:19
  发表了文章 2023-04-20 20:55:19

  用于构建聊天机器人的灵活实用的 NLU 意图匹配服务器

  请注意，此 NLU 引擎仍处于 alpha 阶段。所以，非常适合学习和玩耍。尚未准备好用于任何类型的生产用途。还请记住，该项目正在快速发展，这包括其公共 API。在第一个稳定版本出现之前，任何时候都可能发生重大变化。
• 04.20 20:54:43
  发表了文章 2023-04-20 20:54:43

  人工智能对电信欺诈保护策略的影响

  电信欺诈是一个普遍存在且不断演变的问题，影响着电信行业的企业和个人客户。它包括一系列可能对公司和个人造成重大财务损失的欺诈和滥用活动。从 PBX 黑客攻击和 SIMBox 旁路等行之有效的方法，到闪拨电话和移动货币欺诈等新出现的威胁，网络犯罪分子和欺诈者使用的策略在不断变化。 根据欧洲刑警组织和趋势科技发布的一份联合报告，电信欺诈正在蓬勃发展，每年给全球造成327 亿美元的损失。电信欺诈的后果可能很严重，不仅会造成财务损失，还会损害电信公司的品牌声誉。随着人工智能 (AI) 在欺诈保护策略中的使用越来越多，我们着手探索这项技术对打击电信欺诈的影响。
• 04.20 20:54:05
  发表了文章 2023-04-20 20:54:05

  利用 GPT-3 构建适合公司业务的聊天机器人

  聊天机器人或客服助手是AI工具，希望通过互联网上的文本或语音与用户的交付，实现业务价值。聊天机器人的发展在这几年间迅速进步，从最初的基于简单逻辑的机器人到现在基于自然语言理解（NLU）的人工智能。对于后者，构建此类聊天机器人时最常用的框架或库包括国外的RASA、Dialogflow和Amazon Lex等，以及国内大厂百度、科大讯飞等。这些框架可以集成自然语言处理（NLP）和NLU来处理输入文本、分类意图并触发正确的操作以生成响应。
• 04.20 20:48:37
  发表了文章 2023-04-20 20:48:37

  数据聚类—如果你有未标记的数据，如何获得洞察力

  我们在数据处理的时候，经常遇到一些无法归类的数据，但又想用到这些数据，我们需要一种方法，帮我们快速归类整理这些数据，这时候我们需要用到聚类。 在没有可用的标记数据时，聚类是一种灵丹妙药。聚类是一种分组方法，它可以将一组数据划分为若干个类似的组（也称作簇）。这些组通常代表了原始数据集中不同的类别或群组，每个组内的数据项具有相似的特征。与描述未知样本的概率分布不同，聚类的目的是将数据划分为几个有意义的结构，而不是描述原始数据的精确方法。我们看下面这张表。
• 04.20 20:47:40
  发表了文章 2023-04-20 20:47:40

  意图的演变

  在过去中，nlp快速发展的几年中，Intents 随着业务落地，不同行业对意图的理解也有所变化。 意图是对话系统中，一个重之重的一个环节，每个行业中对意图理解的重视也有道理的。在任何对话的开始阶段，意图起着关键的分类作用，帮助聊天机器人了解用户想要什么，并作出响应。 当前很多对话系统中，由于意图太过僵化，因此需要寻找一些解决方案。有两种方法可以解决这个问题。第一种方法意图弃用：是将意图变得更加灵活，不再和特定的实体和对话流相关联，而是让意图更容易与用户交互。第二种方法是意图增强：通过使用机器学习和其他技术来提高意图的准确度和可用性，使其更精确和强大
• 04.20 20:46:54
  发表了文章 2023-04-20 20:46:54

  未来就是现在：生成式 AI

  世界一直是一个不断变化的地方。人们一直在努力寻找缓解生活的方法。每一次做出的决定将带来决定着我们未来的方向。 现在我们正处于迈向类似新变革的十字路口-从信息时代到知识时代的转变。人类智能和人工智能之间的界限正在变得越来越模糊。人工智能可以比以往更好地模仿我们。我们必须为这个新世界做好准备。
• 04.20 20:43:38
  发表了文章 2023-04-20 20:43:38

  民意调查：大多数高等教育领导人对生成人工智能持乐观态度

  根据本月早些时候发布的一份报告，对于生成式人工智能，超过800名高等教育调查受访者中有54％持乐观或非常乐观态度。 这项广泛的调查还询问了高等教育IT领导和管理人员，关于最新的文本生成GPT 3工具的潜在用途和滥用，并探讨了大学在世界看到OpenAI的ChatGPT并担心其在学术界的潜在滥用之后的头几个月中所做的事情。
• 04.20 20:43:08
  发表了文章 2023-04-20 20:43:08

  使用人工智能改变校园网络质量

  1956年，由约翰·麦卡锡教授带领的一小群研究人员聚集在达特茅斯暑期研究项目中，开始研究人工智能。在这次会议上，麦卡锡创造了“人工智能”这个词，该会议被广泛认为是人工智能研究领域的起点。在接下来的几十年中，人工智能从一个理论性的研究领域逐渐发展成为一种强大的工具，正在深刻地改变着我们的世界。从自动驾驶汽车到智能家居音箱，人工智能正在改变着我们的生活方式，并且这只是一个开始。
• 04.20 20:42:43
  发表了文章 2023-04-20 20:42:43

  人工智能在教育行业的应用场景一：学生方向

  人工智能在教育领域的应用已经得到了广泛的关注和探索，它为学生提供了更加个性化和智能化的学习方式，这对于学生的学习和发展具有重要的意义。下面，本文将介绍一些人工智能在教育行业中应用于学生方向的应用场景，以及它们如何改变了学生的学习方式。
• 04.20 20:42:00
  发表了文章 2023-04-20 20:42:00

  人工智能在教育行业的应用场景一：概览

  人工智能（Artificial Intelligence, AI）是当前最热门的技术领域之一，也是未来的发展趋势之一。人工智能可以用于各种领域，包括医疗、金融、交通、农业等。其中，人工智能在教育行业的应用也备受关注。本文将从人工智能在教育领域的概念、应用场景、优势与挑战等方面进行介绍。
• 04.20 20:41:24
  发表了文章 2023-04-20 20:41:24

  基于状态机的聊天机器人设计经验总结

  为了更好地了解智能机器人项目的需求和改进方向，我们常常需要研发一些工具。在我参与的多个机器人项目中，大多数都能够成功地满足产品需求。通过这些实践，我们深刻认识到，如果要不断进步和提高，就必须对现有的机器人定义语言进行重大的改进。 • 简化需要复杂对话流程的机器人的创建过程。 • 最大限度地提高可重用性，通过重用过去已经定义过的模块和对话路径来创建机器人 在传统的做法中，完成这些并不容易，因为意图定义与部分排序约束混合在一起，限制了对话路径的自由度。这对于处理“开放式”机器人（常见于FAQ样式的机器人），其中大多数问题是独立的且始终可用的，这已经足够了。
• 04.20 20:40:41
  发表了文章 2023-04-20 20:40:41

  如何利用FAQ提升客户体验

  FAQ自动化是聊天机器人最受欢迎的应用场景。无论是哪个行业或公司规模如何，FAQ自动化都是必须要做的，并且是使用聊天机器人和人工智能的最佳入场方式。这一点绝对应该引起公司的关注。 这是实施对话式解决方案并为您的员工和客户创造价值的最快方式。如果您之前没有考虑过使用 FAQ 聊天机器人，那么这是开始和试验平台的最佳场所。 它易于设置，不需要任何集成，并允许您测试平台的自然语言理解 (NLU)。并非所有 NLU 生而平等，值得在投入太多时间之前对其进行测试。
• 04.20 20:39:16
  发表了文章 2023-04-20 20:39:16

  推荐系统中的偏差：主要挑战和近期突破

  虽然这些系统在帮助用户发现新内容或产品方面非常有用，但它们也存在着各种偏差，可能导致效果非常差的推荐结果。今天围绕推荐系统的主要研究之一就是如何去除偏差。 在本文中，我们将深入探讨5种最普遍的推荐系统偏差，并了解一些来自谷歌、YouTube、Netflix、快手等公司的最新研究成果。
• 04.20 20:37:15
  发表了文章 2023-04-20 20:37:15

  机器学习不仅能预测未来，还能积极创造未来

  使用稳定扩散生成的图像 标准机器学习课程教导 ML 模型从过去存在的模式中学习，以便对未来做出预测。 这是一个巧妙的简化，但是一旦这些模型的预测被用于生产，它们会创建反馈循环，情况就会发生巨大变化：现在，模型预测本身正在影响模型试图从中学习的世界。我们的模型不再只是预测未来，而是积极创造未来。 一个这样的反馈循环是位置偏差，这是一种在排名模型中观察到的现象，排名模型为整个行业的搜索引擎、推荐系统、社交媒体提要和广告排名提供支持。
• 04.20 20:35:17
  发表了文章 2023-04-20 20:35:17

  推荐系统总结（交替最小二乘法、LightFM、神经网络矩阵分解和神经协同过滤）

  在社交媒体网络上，有大量的半结构化数据。该任务的数据集是从在线照片共享社交媒体网络 Flickr 收集的。Flickr 允许用户分享照片并相互交流（朋友）。目标是向访问此社交媒体平台的大量数据的每个用户推荐对象（图片）列表。训练数据集包含一组用于构建推荐系统的用户和项目（照片）之间的交互，包含评分基本事实的验证数据用于决定最终模型。除测试数据外，其余数据集不用于分析。
• 04.20 20:25:43
  发表了文章 2023-04-20 20:25:43

  使用 BERT 嵌入解决冷电影问题：推荐系统

  推荐冷启动问题是指添加到目录中的项目没有或只有很少的交互。这主要是协同过滤算法的一个问题，因为它们依赖于项目的交互来进行推荐。解决这个问题 我使用 BERT Embeddings。我嵌入所有电影类型并保存所有 . 还将新电影类型转换为BERT 嵌入并使用最近邻。我找到最近的 k 部电影的新电影并将它们推荐给用户。我没有使用预训练电影嵌入层。因为每部电影都有 1 X 50 维度表示。在查询时，我需要计算每个点之间的距离，如果每个点都是 50 个或更多维度，这将非常耗时。
• 04.20 20:23:54
  发表了文章 2023-04-20 20:23:54

  案例研究：Netflix 大数据分析—数据驱动推荐的出现

  Netflix 是当今市场上最大的在线流媒体提供商之一。它于 1997 年开始销售 DVD 并以出租方式提供。但随着时间的推移以及市场和用户需求的变化，Netflix不得不将其商业模式转变为视频流。如今，许多其他视频流媒体平台都在提供优质内容，如 Hulu、espn、disney+ 等，为了留在市场并吸引客户，netflix 在其推荐系统中使用大数据分析。该推荐系统有助于根据客户的兴趣和需求向他们推荐电影和节目。使用从订阅者处收集的大量数据，例如用户的位置；用户观看的内容、用户搜索的数据以及用户观看的时间，Netflix 分析这些数据为客户提供更好的订阅服务。基于这些数据，训练算法以提供最佳的
• 04.20 20:18:40
  发表了文章 2023-04-20 20:18:40

  推荐系统：协同过滤

  可以根据产品元数据计算的，提供制定推荐的选择，推荐与用户过往购买过的产品相关性最相似的产品，今天我们来聊聊如何通过利用用户和产品之间的相似性提供建议的方法。 协同过滤是一种利用用户和产品之间的相似性提供建议的方法。协同过滤分析相似的用户或相似评级的产品，并根据此分析推荐用户。
• 04.20 14:06:22
  发表了文章 2023-04-20 14:06:22

  推荐系统：基于内容的过滤

  此图像包含用户喜欢的电影的描述。根据用户喜欢的电影向用户推荐电影，需要使用这些描述得到一个数学形式，即文本应该是可测量的，然后通过与其他电影进行比较来找到相似的描述。 我们有各种电影和关于这些电影的数据。为了能够比较这些电影数据，需要对数据进行矢量化。在向量化这些描述时，必须创建所有电影描述（假设 n）和所有电影（假设 m）中的唯一词矩阵。列中有所有唯一的单词，行中有所有电影，每个单词在交叉点的电影中使用了多少。这样，文本就可以被矢量化。
• 04.20 13:52:52
  发表了文章 2023-04-20 13:52:52

  推荐系统：ARL（关联规则学习）

  一家公司的产品内容一般都是非常丰富的，但用户的兴趣往往会针对整个内容集进行筛选，挑选出用户感兴趣的产品，筛选的规则因人而异。为了让用户不迷失在丰富的产品集群中，并根据兴趣领域达到所需的个性化服务，一般都会制作各种过滤器。这些过滤器和算法显示就是我们的“推荐系统”。
• 04.20 11:06:52
  发表了文章 2023-04-20 11:06:52

  推荐算法如何影响我们的生活

  在生活中，我们经常面对需要决策的问题时，会使用多种策略来帮我们做出决策。诸如“我应该买哪个品牌手机？”，“我应该看哪部电影？”，“中午吃什么好？”等问题。我们做出选择时一般会依赖于朋友的推荐、在线评论、网上搜索和其他方法。 网上购物的兴起只会让这个决策过程变得更加复杂，因为购物者现在面临着更多的选择。互联网让我们从物质匮乏的时代变成了物质丰富的时代！ 推荐引擎是帮助我们进行决策的工具。从推荐产品、要观看的电影、微信上的朋友到朋友、要阅读的新闻文章、搜索引擎优化、餐厅等等。在某种程度上，这些算法正在改变我们的决策过程。