Jun, 2024

社交和电商推荐系统中生成式 AI 的应用调查 -- 行业观点

PDF
TL;DR最近，生成式人工智能（GAI）由于其新兴能力，呈现了增强和改革产业推荐系统（Recsys）的独特机会。尽管在这些领域的交叉研究越来越多，将 GAI 整合到工业 Recsys 中仍处于初级阶段，主要是由于现代工业 Recsys 基础设施、运营和产品复杂性的复杂性。通过我们在几个主要社交和电子商务平台成功整合 GAI 的经验，本综述旨在全面考察底层系统和人工智能基础、解决方案框架、与关键研究进展的联系，以及总结在将 GAI 整合到工业 Recsys 的努力中遇到的实践见解和挑战。作为该领域的开创性工作，我们希望概述相关领域的代表性发展，为工业界提供实用的 GAI 应用，并激励未来的研究。
发现论文，激发创造
  • 地球科学与生成式人工智能以及大型语言模型的交叉研究：基础、趋势与未来挑战

    通过生成人工智能在地球科学领域的潜在应用，我们探讨了机器学习和深度学习的最新发展，以及它们在解决与地球科学和地球系统动力学相关的预测问题、模拟和多准则决策挑战方面所发挥的作用。并且介绍了在地球科学中使用的几种生成对抗网络（GANs）、物理信息神经网络（PINNs）和基于生成预训练转换器（GPT）的结构。这些工具在数据生成 / 增强、超分辨率、全色锐化、去雾、恢复和地表变化等多个应用中帮助地球科学界取得了进展。但还存在一些挑战，如确保物理解释性、恶意用途案例和可信度。总的来说，GAI 模型对地球科学界有着巨大潜力，特别是在支持气候变化、城市科学、大气科学、海洋科学和行星科学方面，通过其对数据驱动建模和不确定性量化的非凡能力。

    Jan, 2024

  • 生成人工智能（GAI）在移动和无线网络中的应用：综述

    人工智能在移动网络和物联网领域的成功促进了移动网络和未来互联网向整合人工智能的物联网时代迈进。本文详细介绍了生成式人工智能在移动和无线网络中的作用，包括基础知识、模型、应用、网络管理、无线安全、语义通信，并总结了当前移动和无线网络中生成式人工智能的研究现状和面临的挑战。

    May, 2024

  • 深度强化学习的生成式人工智能：框架、分析与应用案例

    使用生成式人工智能（GAI）来提高深度强化学习（DRL）算法的性能，解决样本效率低和泛化能力差的问题，通过介绍经典的 GAI 和 DRL 算法及其应用，并展示了 GAI 增强 DRL 算法的实际集成框架，提供了一个基于无人机辅助的近场 / 远场通信的案例研究来验证框架性能，并介绍了几个未来的研究方向。

    May, 2024

  • 软件开发教育中的生成式人工智能助手

    本研究探讨运用生成式 AI 助手在软件开发中的应用，以 GitHub Copilot 和 ChatGPT 为例，纳入领域专家面谈以了解业界现状和挑战，进一步提出未来的软件开发教育建议。

    Mar, 2023

  • 生成型人工智能在人机交互教育中的潜力与影响

    直接或间接地影响教学与学习的生成式人工智能（GAI）正影响着各种学科和学科的教育。作为教育者，我们需要了解 AI 在人机交互教育中的潜力和局限，并确保我们的人机交互设计专业的毕业生了解 AI 在此领域中的潜力和局限。本文报告了将生成式人工智能纳入为期 10 周的本科模块所得出的主要教学见解。我们设计了这个模块，以鼓励学生在设计任务要求和计划实践会话与讨论中进行 GAI 模型的实验。我们的见解基于学生在完成模块后的调查回复。对于人机交互设计教育者而言，我们的主要发现是 AI 作为发展项目想法和创建设计资源的一个人物角色，以及 AI 作为反映学生对关键概念和想法的理解并突出知识差距的一面镜子。我们还讨论了应该考虑的潜在陷阱以及评估学生对 GAI 作为教学工具的识字能力和假设的需求。最后，我们提出了教育者以 GAI 作为教育工具所带来的机会，并在实践中富有实验性、创意性和勇气的案例。最后，我们就我们的发现与人机交互中的 TPACK 框架进行了讨论。

    May, 2024

  • 赋能商业转型：生成式人工智能在软件产品管理中的正面影响及伦理考虑 —— 系统文献综述

    利用 2016 年至 2023 年的相关文章进行的系统文献评价显示：生成型人工智能（GAI）可应用于软件产品管理，包括在需求工程、产品开发和市场调研中提供帮助，但其准确性、可靠性和道德问题仍待解决。最终，生成型人工智能的实际应用可以显著提高软件产品管理活动，实现更有效地利用资源，更好的产品结果和改进的最终用户体验。

    Jun, 2023

  • 在生成类人工智能时代的黎明：关于 6G 无线智能的新前沿的教程与综述

    通过对 6G 网络研究中的数据驱动的无线研究、生成式人工智能、生成模型、GMs 和 6G 网络研究等关键词进行分析，本文介绍了生成模型的教程和调查，并对无线研究领域的核心问题进行了回顾和分析，提出了 GMs 在 6G 网络研究的重要作用，并针对未来可能面临的挑战提供了潜在的策略和有希望的解决办法。

    Feb, 2024

  • 生成式人工智能的强化学习综述

    深度生成人工智能是机器学习社区中长期关注的重要话题之一，能够影响文本生成和计算机视觉等多个应用领域。最大似然估计是训练生成模型的主要范式，通过减少模型分布和目标分布之间的差异来捕捉和近似目标数据分布。然而，该目标无法满足用户对生成模型的全部要求。增强学习作为一种竞争性选择，能够通过创建新目标以利用新信号来注入新的训练信号，具有灵活性和强大的能力，能够从多个角度遵循人类的归纳偏好，如对抗学习、手工设计规则和学习奖励模型等。因此，增强学习已成为一个热门的研究领域，在模型设计和应用方面拓展了生成人工智能的界限。虽然最近在不同应用领域存在一些调查报告，但本综述旨在提供一个高级别的综述，涵盖了广泛的应用领域，包括严格的分类和对各种模型和应用的充分覆盖。值得一提的是，本综述还调查了快速发展的大规模语言模型领域。通过展示可能解决当前模型限制并扩展生成人工智能前沿的潜在方向，我们总结了本综述。

    Aug, 2023

  • 当生成 AI 遇见边缘智能时的集成微调和推理

    高性能生成人工智能与边缘智能之间的相互作用提供了新的机会，而基于大量计算资源和大规模未标记语料的 GAI 预训练为 EI 提供了强大的基础知识，而 EI 可以利用碎片化计算资源为 GAI 聚合个性化知识。本文提出了一种面向 GAI 的综合网络（GaisNet），它利用无数据的知识传递来缓解矛盾，并通过双向的知识流实现 GAI 的循环模型微调和任务推断，实现了 GAI 和 EI 之间无缝融合和协同进化。实验结果验证了所提机制的有效性。最后，我们讨论了 GAI 和 EI 之间相互作用的未来挑战和方向。

    Jan, 2024

  • 生成人工智能：系统综述和应用

    人工智能与生成式人工智能的应用领域，特别是语言生成与伦理考虑的最新研究成果与未来发展轨迹的综合分析。

    May, 2024