本研究介绍了 OmniForce，一个以人为中心的自动机器学习（HAML）系统，利用人类与机器学习相互作用，建立在开放环境场景中的智能应用，自动产生远程服务并证明其有效性和效率。

Mar, 2023

本文介绍了一种创新的低代码开发和部署方法，利用基于代币经济学的全球分散式合作社区，解决基础设施分配、成本和安全的作业分配问题，以实现端到端的智能应用管道。

Jun, 2023

介绍了 Model Share AI (AIMS) 平台，旨在通过协作模型开发、模型追溯、模型部署等功能最大化机器学习研究的实际影响。

Sep, 2023

通过压缩 - 编译器共同设计可以在主流的移动设备上实现实时人工智能，而无需专用硬件支持。CoCoPIE 是一个支持所有主要 DNN 类型的框架，包括 CNN，RNN，转换器，语言模型等等，并且能够在现成的移动设备上运行许多典型的 AI 应用程序。在能源效率和性能方面，Off-the-shelf 移动设备也能胜过一些典型的 ASIC 和 FPGA 硬件解决方案。

Mar, 2020

本研究通过建立适应现代应用和组织要求的架构框架，针对数据科学和机器学习相关的利益相关者的需求，提出了用于评估和基准测试 ML-enabled CPS 的标准以及支持用户进行建模和开发管道的工具评估的标准。通过文献回顾、专家访谈和在线问卷调查等多种经验和定性研究方法，我们收集、分析和整合了来自 25 多个国家的 10 多个组织中 77 位专家的意见，以制定和验证所提出的框架。

Aug, 2023

本文介绍了机器学习在现实世界应用中的重要性，探讨了 MLOps（机器学习运营）的兴起及其在解决模型部署和性能监控等挑战方面的重要性。通过回顾 MLOps 的演变和其与传统软件开发方法的关系，论文提出了将该系统与机器学习相结合以解决现有 MLOps 面临的问题并提高生产力的方法。本文重点关注自动化模型训练的重要性，以及通过版本控制系统确保训练过程的透明性和可重复性的方法。此外，还讨论了将机器学习组件集成到传统 CI/CD 流水线中面临的挑战，并提出了版本环境和容器化等解决方案。最后，论文强调了模型部署后持续监控和反馈循环的重要性，以保持模型的性能和可靠性。本文运用 Netflix 的案例研究和最佳实践，提出了成功实施 MLOps 实践的关键策略和经验教训，并为其他组织构建和优化自己的 MLOps 实践提供了有价值的参考。

May, 2024

机器学习和生成型人工智能的巨大能源消耗对运营成本、电力传输和环境可持续性产生负面影响。然而，通过 Zeus 和 Perseus 的两项最新工作，我们发现软件在机器学习能耗优化方面起着关键作用。特别是对于大型语言模型，由于其模型大小和能源需求增长速度超过硬件效率改进的速度，因此我们主张采用跨层次方法来优化机器学习系统中的能源利用，其中硬件提供支持架构，推动能源高效软件的进一步发展，软件则利用和抽象硬件的特性，开发能够实现与硬件无关的能源效率提升技术。

Apr, 2024

研究探讨使用增强的集体智能的应用，结合人类和大型语言模型在协同创意中的表现，进一步介绍了一个名为 Polis 的实时集合工具，并总结出三个挑战以期设计并完成实验。

Mar, 2023

该研究详细介绍了 MLOps，它的好处，困难，演变以及重要的底层技术，如 MLOps 框架，Docker，GitHub 动作和 Kubernetes。该文章还侧重于使用各种成熟度水平的自动化管道的 ML 项目的端到端生产。它提供了一个企业级 MLOps 项目的详细示例，以解释技术在实际场景中的工作流程。

May, 2023

本文全面研究了利用云计算的可扩展和分布式人工智能框架以提高深度学习性能和效率的关键方面，包括数据存储和管理、优化策略、模型部署与服务等，并讨论了云计算人工智能的挑战、限制和未来研究方向。

Apr, 2023