近日,Amazon在旧金山召开的AWS(Amazon Web Services)峰会宣布,在其云服务家族中加入一项Machine Learning,为没有机器学习背景的开发者提供分析和预测工具。该应用基础版目前有一年的免费期,只限美国东部地区。
在此之前,很多公司如Netflix和维权网站Change.org都在使用Amazon的AWS工具,来对用户行为和数据进行分析和推断。但通过原有工具实现机器学习的任务对技术人员要求较高,Amazon这次希望搭建一个门槛更低的平台,更好地为企业用户服务。
Amazon 内部使用机器学习已经很多年,而这些企业用户对这项技术也垂涎已久。坐拥大量数据的开发者越来越多地需要从这些数据中挖掘价值,比如电商可以根据分析用户 行为关联,选择性地投放广告。这些对数据分析、建模的要求很高,同时用户需求很大。使用Amazon的新工具,只需要大致三步:首先使用Amazon S3或Redshift建模,然后对模型进行验证和优化,最后使用它来进行预测。
在这个领域,目前也是存在竞争的。如微软旗下专注云服务的Azure在二月推出了自己的机器学习工具,而IBM上个月收购AlchemyAPI后,将把AlchemyAPI的深度学习技术整合到Watson核心平台,增强Watson挖掘非结构化数据并识别出它们之间联系的能力。
除 了机器学习工具,Amazon这次一口气推出了另外两个企业服务,一个是云存储服务,叫作“亚马逊弹性文件系统”(Amazon Elastic File System),用以处理容量超过1PB(相当于1024TB)的庞大数据,这么说可能有些抽象,举个例子,1PB存储空间可以是连续十多年拍摄的高清视 频。
另一个是第三方软件交易平台,可能颠覆以往的软件采购模式。像正在席卷的订阅大潮一样,企业客户不再需要签订多年的订购合同,而是可以通过这个平台按月租用软件,并通过Workspaces服务在亚马逊提供的虚拟PC上运行,灵活性增强。
好文章,需要你的鼓励
论文提出CAST框架,通过多智能体系统把任务成败的粗略反馈转化为逐步动作的详细批评理由,训练出更懂节制的批评模型,再用它优化执行策略,让8B小模型在可靠性指标上反超120B大模型,提升智能体在真实动态环境中的稳定表现。
论文提出NavMCP框架,用意图、观察、记忆三条通道把VLM推理与导航基础模型NFM结合,解决具身问答中长距离探索问题,在多个基准和真实机器狗测试中均取得最优效果。
研究发现教师模型批改学生生成内容时噪声率高达50%,但学生依然能进步。作者发现真正起作用的是压制学生自己低概率词,据此提出无需外部监督的OPSA方法,在AIME24等数学测试上带来最高307%的提升。
PaperGym提出一套把科研论文转化为AI训练环境的方法,解决科研计划生成缺乏可验证奖励的难题,通过问题答案分离降低评分标准泄露,结合自蒸馏与强化学习两阶段训练,让小模型在多个基准上超越更大规模的商业模型。