登录
主页
 文章
基于医疗数据深度学习的疾病预测
医疗领域积累了大量的患者数据，包括病历、检验报告、影像资料等。利用这些数据，通过深度学习算法构建疾病预测模型，能够提前预测疾病的发生风险、病情发展趋势等。比如，基于患者的历史病历和基因数据，预测心血管疾病的发病风险；或者根据肿瘤患者的治疗过程数据，预测肿瘤的复发概率和治疗效果。可以采用时间序列分析、生存分析等方法，结合深度学习模型，对医疗数据进行建模和分析，挖掘数据中的潜在规律，为临床决策提供科学依据。
2025-05-22
548
9
10
智能合约：开启数字经济新时代的“魔法契约”
在数字经济浪潮汹涌澎湃的当下，智能合约作为区块链技术的核心应用，正以颠覆性的力量重构商业交易的底层逻辑。这项被誉为“魔法契约”的创新技术，打破了传统商业对纸质合同与人工履约的依赖，让信任建立与价值交换无需第三方中介背书，如同为数字世界赋予了自动执行的契约魔法，开启了经济活动的全新范式。
2025-05-21
921
6
7
构建基于向量数据库的智能问答机器人全攻略
智能问答机器人已成为提升用户体验、提高工作效率的重要工具。基于向量数据库的智能问答机器人能够快速、准确地回答用户问题，为用户提供高效的服务。一、向量数据库基础1.向量表示与语义理解向量数据库的核心在于将各种信息，如文本、图像、音频等，转化为向量形式进行存储和处理。以文本为例，通过自然语言处理（NLP）技术中的词嵌入（Word Embedding）、句嵌入（Sentence Embedding）等方法，将单词、句子甚至整个文档转换为多维空间中的向量。这些向量不仅包含了文本的语义信息，还能通过向量之间的距离（如余弦相似度、欧氏距离等）来衡量文本之间的语义相似度。例如，使用 BERT、GPT 等预训练模型对文本进行编码，得到的向量能够准确反映文本的语义特征，使得语义相近的文本在向量空间中距离较近。
2025-05-21
908
7
0
智能合约——从基础应用到AI驱动的智能协同
智能合约的概念最早可追溯到 1994 年，由密码学家尼克・萨博（Nick Szabo）提出。他设想了一种通过代码来自动执行合同的机制，旨在去除中间人干预，提升交易效率与透明度。然而，受限于当时的技术条件，这一创新理念在很长时间内仅停留在理论阶段。直到 2015 年以太坊平台的创立，智能合约才真正得以实现。以太坊凭借其独特的区块链架构，为智能合约提供了运行环境，开发者能够基于此编写并部署复杂的去中心化应用（dApps）。早期的智能合约主要聚焦于简单的自动化执行任务，如在满足特定条件时自动进行加密货币的转移。以比特币区块链上的一些简单脚本为例，它们能够实现资金在不同地址间的按条件转移，尽管功能相对基础，但已展现出智能合约自动化执行的核心优势，减少了人为操作失误，提高了交易处理速度。
2025-05-19
701
4
5
开源能源管理系统（MyEMS）
MyEMS面向建筑、工厂、商场、医院、园区等的开源能源管理系统，由专业团队开发和维护。MyEMS由资深专业团队开发维护，源代码基于MIT开源软件许可协议发布。它的发展是在能源管理需求不断增长以及开源技术日益成熟的背景下逐渐推进的。随着双碳目标的提出，能源管理系统的重要性愈发凸显，MyEMS也在不断发展和完善功能，以更好地满足市场需求，从最初的版本不断迭代，保持每个月1个小版本，每年1次大版本更新，功能从简单的能源数据采集、分析，逐渐增加了设备管理、故障诊断、工单管理、人工智能优化控制等众多功能。
2025-05-19
560
8
2
智能体在康复行业中的应用
智能体（Intelligent Agent）在康复行业中的应用正随着人工智能技术的发展逐渐拓展，其核心价值在于通过自动化、个性化、精准化的解决方案，提升康复效率、降低人力成本，并改善患者的康复体验。智能体作为人工智能与康复医学交叉的核心载体，正通过感知、决策、执行的闭环能力，重构传统康复流程。其价值不仅体现在效率提升，更在于通过数据驱动的个性化方案，激活患者主动康复潜能，推动行业向精准医疗跃迁。
2025-05-18
968
8
1
传感器在康复产品中的应用
传感器在康复产品中的应用贯穿于康复评估、训练引导、效果监测及辅助治疗等多个环节，通过实时感知人体运动、生理状态及环境数据，为精准康复提供技术支撑。传感器作为康复产品的"感知神经"，正通过多模态数据采集与智能处理，重构康复医疗的全流程。从临床评估到居家护理，其应用已形成完整技术链条，并在AI、柔性电子等技术驱动下迈向智能化新阶段。
2025-05-18
1160
4
2
强化学习如何与视频理解结合
将强化学习应用于视频理解任务中，例如通过强化学习让智能体从视频中学习如何做出决策以完成特定任务，如机器人通过观察视频学习执行动作任务，或者让模型学习如何根据视频内容进行自适应的采样、特征提取等操作，以优化视频理解的性能。强化学习（RL）与视频理解的结合是一个极具潜力的研究方向，能够让模型从视频序列中学习最优决策策略。
2025-05-18
857
8
13
开源AI智能体框架（Archon）
Archon是一个开源的AI智能体框架，能够自主生成代码并优化智能体性能，支持多智能体协作、领域知识集成和文档爬取等功能。适用于企业等多个领域，通过智能体自主构建与优化、多智能体协作等功能，可将单位内控中的不同环节分配给不同智能体，协同完成内控任务，同时利用领域知识集成功能，让智能体更好地理解和处理内控相关业务。
2025-05-18
776
0
14
大语言模型如何重塑视频理解格局
大语言模型融入视频理解领域带来了多方面的变革。大语言模型具有强大的语言理解和生成能力，能理解视频中的文本信息，包括标题、字幕、描述等，并结合视频内容进行更深入的语义理解。还能生成自然流畅的文本描述，如视频字幕、内容摘要等。将视觉信息与语言信息深度融合，更好地理解视频中的各种元素及其关系，例如识别视频中的物体、人物动作，并通过语言描述其行为和场景。能够处理复杂的视频理解任务，如回答关于视频内容的详细问题、进行事件推理、因果关系分析等。还可以根据视频中的信息进行逻辑推理和知识推断。
2025-05-17
527
8
3
AIEvo智能体框架
AIEvo是蚂蚁集团开源的多智能体协作框架，依托蚂蚁在大规模线上告警诊断与专家经验平台化领域的深厚技术积淀，针对复杂任务的自动化处理与智能决策支持而生。其发展路径紧密围绕智能体协作效率与应用场景适配性展开，形成了一套完整的技术演进体系。项目地址：https://github.com/antgroup/aievo
2025-05-17
1137
1
1
不同行业的数据质量特点与管理重点
在数字经济时代，数据如同新型 “石油”，渗透到社会经济的每一个角落，成为企业和行业发展的核心驱动力。从金融机构基于数据进行风险评估与投资决策，到医疗机构依靠患者数据制定个性化诊疗方案；从电商平台借助用户行为数据实现精准营销，到制造业通过生产数据优化工艺流程，数据的价值愈发凸显。然而，若数据质量参差不齐，犹如沙上建塔，不仅无法发挥数据应有的价值，还可能误导决策，带来巨大风险与损失。
2025-05-16
732
8
3
基于Transformer的视频网络架构
Transformer在自然语言处理领域取得成功后，也被广泛应用于视频理解领域。基于Transformer的架构能够更好地处理视频中的长序列信息，捕捉视频帧之间的长期依赖关系，在视频动作识别、场景理解等任务中表现出优异的性能，成为当前视频理解领域的热门研究方向之一。一、核心设计思路：从NLP到视频理解的迁移
2025-05-16
1168
4
6
构建数据质量文化：企业数据管理的核心
在数字经济时代，数据已成为企业的核心资产和创新驱动力。然而，数据的价值能否充分发挥，取决于数据质量的高低。数据质量文化作为企业数据管理的核心，不仅决定着企业数据管理的成效，更关乎企业在激烈市场竞争中的生存与发展。一、数据质量文化的定义与重要性
2025-05-15
875
4
6
数据质量问题的形成与解决
在数字化时代，数据已成为企业和组织发展的核心资产，数据质量的高低直接影响着决策的准确性、业务的高效性以及系统的稳定性。然而，数据质量问题频发，严重阻碍了数据价值的充分发挥。一、数据质量问题的成因分析1.信息因素元数据描述错误：元数据是关于数据的数据，若元数据描述不准确，会导致数据理解和使用出现偏差。例如，某金融机构在客户信息系统中，将 “客户信用等级” 字段的元数据描述为 “反映客户信用状况的综合指标”，但实际数据中该字段仅记录了客户的信用评分，未涵盖其他影响信用状况的因素，导致后续基于该字段进行的信用风险评估出现较大误差。
2025-05-15
887
0
11
大模型与知识工程
大模型不仅仅是基础技术的差距，还涉及知识工程的差距。什么是知识？有用的数据就是知识。数据的数量多并不意味着其价值高，关键在于数据的质量。训练大模型时，并不是数据越多越好，很多低质量或垃圾数据会使得大模型变得“愚蠢”。高质量的数据来源，如高水平的学术期刊、论文、课本和书籍，才是形成知识的主力。越是难以阅读和理解的内容，越能提供丰富的知识。
2025-05-14
1003
1
9
高效视频理解的临时移位模块（Temporal Shift Module）
在人工智能领域，视频数据蕴含着丰富的信息，如何高效理解这些信息一直是研究的重点与难点。传统的视频理解模型在计算成本和效率上存在一定局限，而临时移位模块（Temporal Shift Module，TSM）的出现，为高效视频理解提供了新的解决方案。它能够有效加速视频理解模型的训练和推理过程，降低计算成本，并且在多个视频理解任务中展现出了优异的性能。
2025-05-14
941
4
5
对比分析视频理解模型
视频理解模型是一种基于深度学习或其他机器学习技术的算法模型，旨在对视频数据进行分析、理解和解释，从而实现各种与视频相关的任务，如动作识别、目标检测、事件分类、视频字幕生成等。一、视频理解模型概述视频理解模型是人工智能领域的核心技术，它以深度学习、机器学习算法为基础，深度解析视频数据中的视觉信息与语义逻辑，实现对视频内容的自动化理解与分析。这类模型不仅能够完成动作识别、目标检测、事件分类、视频字幕生成等基础任务，还广泛应用于智能安防、自动驾驶、体育赛事分析、医疗影像诊断等领域，推动各行业智能化升级。
2025-05-13
806
5
5
视频处理深度学习模型（TimeSformer）
在深度学习浪潮席卷计算机视觉领域的当下，视频数据的高效处理已然成为学术研究与产业应用的关键焦点。海量的视频数据蕴含着丰富的时空信息，从安防监控中的行为识别，到影视娱乐中的内容分析，再到自动驾驶中的场景感知，对视频数据的精准解读需求与日俱增。传统的卷积神经网络（CNN）凭借强大的特征提取能力，在图像识别领域斩获了令人瞩目的成绩，成功实现了对图像中物体、场景的高精度分类与定位。然而，视频数据作为连续的图像帧序列，不仅包含空间维度上的视觉信息，更具有时间维度上的动态变化与因果关联，这使得传统CNN在处理视频数据时面临诸多挑战。CNN固有的局部感受野特性，使其难以捕捉视频中长距离的时间依赖关系和复杂的动态变化，无法充分挖掘视频数据的时空潜力。TimeSformer正是在这样的背景下应运而生，它以自注意力机制为核心，致力于打破传统模型的局限，重新定义视频理解的技术范式，为视频处理领域带来全新的突破与发展。
2025-05-13
563
5
10
视频理解深度学习模型（SlowFast）
在数字媒体技术飞速发展的当下，视频数据呈爆发式增长，从社交媒体的日常分享到专业领域的监控记录，从影视创作到科学研究，视频已成为信息传播与表达的重要载体。视频理解作为计算机视觉领域的核心任务之一，旨在让机器像人类一样“看懂”视频内容，这不仅需要解析每一帧图像的空间信息，还需捕捉帧与帧之间的时间动态变化。传统的视频处理模型，如基于3D卷积神经网络（3D CNN）的方法，虽然在一定程度上实现了对视频时空信息的建模，但由于其固定的卷积核结构和局部感受野特性，难以同时兼顾长期语义信息与快速动态变化，在处理复杂场景和高速动作时存在明显瓶颈。SlowFast模型的出现，打破了这一困境，以独特的架构设计和创新理念，为视频理解带来了全新的解决方案，成为推动该领域发展的重要力量。
2025-05-13
918
9
0
- -
© 2021 - 现在 杭州极深数据有限公司 版权所有 （深数据® DEEPDATA® 极深®） 联系我们 
浙公网安备 33018302001059号  浙ICP备18026513号-1号