当你买回一个智能手表,首先要做的就是绑定设备,打开手机、登录官网、建立账号、激活,一系列的操作本该行云流水,但是由于系统的频频报错,却迟迟不能绑定成功,用户体验大打折扣的同时,甚至可能导致退货。
在全球化的发展过程中,华米科技深知云的稳定性和可靠性已经成为提供服务的重要指标,而且覆盖全球的基础设施和安全合规能力,是满足华米科技全球业务快速扩展的根基。
“芯端云”战略首先需要一朵云
华米科技成立于2013年,是一家基于云的健康服务提供商,拥有全球领先的智能可穿戴技术。华米科技拥有Amazfit自主品牌的七大系列智能手表产品,并构建起完整的健康产品生态,包括智能手环、智能手表、运动耳机、睡眠耳机等可穿戴终端,以及和运动、健康相关的跑步机、体重秤/体脂秤等产品。截至2019年8月,华米全球累计发货量已突破1亿台。
华米的产品和服务一直是面向全球市场,到目前为止,华米的自主品牌智能手表产品和服务已经进入全球超过70多个国家和地区,2020年全年海外出货占比达54.1%。
通过“芯端云”战略,华米科技正在布局芯片、智能可穿戴终端和健康云服务。基于人工智能算法和大数据分析能力,华米科技为用户提供7×24小时的健康监测服务。在“芯端云”战略中,华米健康云为整个健康生态的运营提供了稳定的基础支撑服务和丰富的生态增值服务。
华米科技最早使用的是多云模式,但是也伴随着服务稳定性、合规等常见问题。2017年华米科技开始小规模的使用亚马逊云,到2019年底将华米健康云全面迁移到了亚马逊云平台。华米科技联合创始人、全球创新中心轮值总裁范美辉表示,亚马逊云科技拥有全球一致的基础设施,丰富的产品矩阵,托管服务,多区域灾备和多区域布局的最佳实践,让我们能够为用户提供连续、稳定、可靠的服务。
华米科技联合创始人、全球创新中心轮值总裁范美辉
3月25日,亚马逊云科技与华米科技宣布展开全方位的深度战略合作,利用亚马逊云科技全球基础设施、行业领先的安全合规能力和全面而丰富的云技术和服务,支持华米科技覆盖全球70多个国家和地区的“芯端云”战略布局。
在云上,全面的价值释放
在云上,华米科技使用Amazon DynamoDB存储核心数据,存储用户的健康及运动相关数据。DynamoDB支持无服务器架构,让华米科技无需管理基础设施,自动扩展和缩减容量,自动优化性能。
同时,华米科技使用Amazon S3存储冷数据、日志以及备份数据,Amazon SQS、Amazon SNS进行数据同步,通过Amazon Lambda进行数据迁移和转存,用Amazon Kinesis、Amazon Redshift和Amazon EMR进行大数据分析,形成了一个完整的数据处理和数据分析解决方案。
2020年初,华米科技还基于亚马逊云的计算和存储能力,利用大数据和人工智能算法开发了一个新的模型,预测新冠疫情的流行趋势。
“目前华米科技已经在海外部署了五个数据中心。”华米科技大数据及云平台部研发副总裁张稷表示,在亚马逊云上,我们的服务可用性上升了0.25%,虽然是很小的数字,但是在实际用户的感知上却是非常不同的,大大降低了不可用时间,提升了稳定性。
在芯上,华米科技正通过亚马逊云科技强大的算力和云上EDA(电子设计自动化)的最佳实践,加快新一代智能可穿戴芯片的研发设计和仿真。在端上,华米科技的手环、手表等智能终端上深度集成了Amazon Alexa智能语音助手,实现快速查询天气,设置闹钟,甚至遥控智能家居设备。
未来,双方还将进一步在多个领域探索,例如由智能可穿戴技术驱动的人工智能产品和服务的开发,以及基于云的更多健康服务。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。