Teradata将于今年晚些时候启用其TAP——Teradata Analytics Platform (Teradata分析平台)。
该公司还采用了IntelliSphere概念的降价捆绑策略。
TAP将Teradata和Aster技术整合在一起,计划包含Spark、TensorFlow、Gluon和Theano等分析引擎。
这样应该能够快速方便地访问一系列算法,包括深度学习的一些算法。
它将具有可扩展的分析功能,例如归因、路径分析、时间序列以及一系列统计、文本和机器学习算法。
通过TAP,用户可以摄入并分析数据类型,例如文本、空间、CSV和JSON格式,包括对Avro的支持,这是一种允许程序员动态处理基模架构的开源数据类型。
Teradata 表示,TAP将在平台和高速数据网络中管理和分析数据,避免了在多个引擎中存储和转移数据。
它提供商业和开源分析技术和编程语言访问,如Python、R、SAS和SQL。
Jupyter、RStudio、KNIME、SAS和Dataiku等工具也兼容。Teradata AppCenter允许分析人员通过在可以自助服务的、基于网络的界面上部署可重用模型,与同事分享应用程序。
Teradata希望将其软件部署在Teradata Cloud的硬件上,在公共云中或者运行在VMware支持的商品化硬件上,并具有便携式和基于订阅的许可证。基于订阅的IntelliSphere许可证将可以使用数据采集、管理、部署和访问的产品集合。
它表示,相比于单独购买产品,这种做法可以让客户节省大量资金。与单独购买四个产品——Unity、Data Lab、Data Mover和Query Grid——相比,这种做法可以节省30%的费用,并且还附带了六款免费产品。
具有Aster分析引擎的Teradata Analytics Platform将于今年晚些时候可供使用。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。