至顶网CIO与应用频道 10月19日 北京消息:电梯安全问题已成为社会各界关注的焦点,电梯数量庞大,逐渐老化,部分场景下维修资金跟不上,另外还有不文明乘梯行为,带来非常大的安全隐患。
提高电梯出行安全是民心所向,新再灵携手华为云,基于物联网技术实现了“云梯”解决方案,将电梯运行监管、紧急事件响应、故障发现和处理、公众信息服务等业务系统集成为统一的服务平台,使其具有事前预警、事中安抚与处置、事后追溯功能,为政府部门的安全监管提供了有效保障,从而在根本上减少电梯事故的发生概率。
电梯作为方便人们日常出行的主要运输工具。随着电梯数量的激增及电梯的老龄化和维保不到位,导致电梯安全事故频发,各地的电梯困人、伤人事件也常见端于媒体的报导。电梯安全已引起社会的高度关注。国家质检总局连续发文,要求加强电梯的安全管理。
如何让电梯安全有效运行?浙江新再灵科技股份有限公司经过两年多的攻坚克难研发,用物联网技术架构出一套电梯安全的智能管理系统——云梯。
云梯在安全管理方面实现了事前预警、事中安抚与处置、事后追溯的三大功效。
云梯由四大技术层对电梯实现有效的安全管理:
(1)信号传输:用PLC技术实现传感信息的稳定传输。
(2)视频分析:用视频算法有效识别电梯开关门状态,异物挡门,不当乘梯行为等。并可通过视频对讲劝阻不文明乘梯行为的发生。
(3)实时体检:以预防为主提高电梯的安全性。由线上的传感记录加线下的维保记录,对电梯实时安全体检,做到事前预警。
(4)智能处理:云梯对电梯运行在检测、管理、处置上都由智能系统自主处理。
图1:整体系统架构
从上图我们可以分析到,云梯系统将实时采集大量数据,通过各种通道传输到后台进行实时处理,并能实时将相关信息通知相关单位(例如维保、物业、质监部门等)。在这个过程中,大量数据将通过全国各地的网络传入到后台。我们以杭州市余杭区为例,假设有10万部电梯接入,那么相当于有10万用户在同时访问系统。如果全杭州市的电梯也接入这套系统,那么后台将承受非常大的压力,具体体现在如下几个方面:
1、 并发高,假设有10个县市区接入,并发将达到百万级别;
2、 数据处理性能要求高:云梯系统将实时采集视频、物理数据、环境信息,数据量非常庞大,需要后端大数据平台能实时处理,并将重要信息呈现给相关业务部门;
3、 高可靠的维保服务:电梯是一年365天不间断运行,而且云梯关系大众民生,后端系统必须保障极高可靠性以及对故障的容错处理;
4、 接入:全国范围内地接入;
5、 数据独立性:涉及大众民生的大量数据,必须确保数据安全可靠,不被泄露,不被滥用。
6、 人工智能的支持:云梯引入了人 工 智 能 视 频 识 别 技 术,需要对海量视频数据样本增加深度学习算法的支持;
综合考虑,云梯系统只能部署在公有云上。新再灵通过对业界多家云服务商的考察,发现与华为云契合度最高。在2015年,华为发布云战略时,提出“华为公有云上不做应用、下不碰数据”的运营原则,能极大打消客户的数据疑虑。通过双方的不断努力合作,双方构建了如下稳健的基于公有云的“云梯”系统。
图2:云梯系统架构
在整套系统中,新再灵使用到的华为云服务的如下资源对客户提供服务:
1)云计算资源:ECS服务器/Docker容器/GPU加速云服务器/裸金属服务器
2)存储资源:CDN/对象存储服务
3)网络资源:VPN(虚拟专用网络)
4)大数据基础服务: DIS(数据接入)/ DWS(数据仓库)/ MapReduce服务 / 数据挖掘服务 / 多维交互分析服务 MOLAP / 第三方人工智能服务
图3:云梯系统服务平台
图4:华为云服务保障
基于上述服务,华为云能协助新再灵“云梯”系统解决高并发、高数据处理性能、高可靠、全国范围内随时随地接入的要求,与新再灵“云梯”系统一起发展,共同构建云生态系统,推动物联网产业向智慧化发展。
未来,双方合作将进入全新发展阶段,向更高层面、更多领域迈进。基于真实场景的物联云服务,发挥新再灵在城市安全物联网方面的核心优势,实现对消防、游乐设施、索道等领域的安全监控与预警,有效提升城市安全管理能力、助力城市智慧转型,加快智慧城市发展进程。
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。