PulseAugur
中
实时 21:38:18
实体 311

311

PulseAugur coverage of 311 — every cluster mentioning 311 across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 7
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 0
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 7 条
  1. TOOL · CL_326583 ·

    卡尔加里311数据分析管道成本和发现详情

    本文详细介绍了使用基于AWS SageMaker构建的MLOps管道分析六年卡尔加里311数据的发现。作者讨论了运行整个管道的相关成本,识别了失败的组件,并为生产加固提出了改进建议。这篇是关于AWS上MLOps和AIOps系列文章的第八篇,也是最后一篇。

  2. TOOL · CL_318592 ·

    MLOps 从业者在公平性检查失败后,用真实的市政数据测试模型

    一位 MLOps 从业者评估了一个先前未能通过公平性检查的模型,让它处理了真实的 311 服务请求。评估重点关注模型在实际市政数据上的表现,考察了数据本身、MLOps 流程以及最终结果。

  3. TOOL · CL_318593 ·

    卡尔加里在 SageMaker 上使用影子模式机器学习模型处理 311 请求

    作者详细介绍了在 Amazon SageMaker 上使用影子模式的机器学习模型对卡尔加里未结的 311 请求进行评分的过程。由于作者对该模型获批上线使用有所保留,因此这种方法允许在不直接影响城市服务的情况下评估模型的性能。目的是收集数据用于下一阶段,以衡量模型的有效性。

  4. TOOL · CL_314511 ·

    MLOps公平性门禁拒绝了作者为卡尔加里311请求构建的模型

    作者详细介绍了为卡尔加里311请求系统在MLOps管道中实施公平性门禁的过程。该门禁旨在确保对城市不同区域的公平对待,但出人意料地拒绝了作者自己的模型。文章讨论了在实际应用中构建和部署此类公平性机制所面临的挑战和考量。

  5. TOOL · CL_302749 ·

    利用机器学习模型分析卡尔加里311数据中的季节性模式

    本文详细介绍了开发一个机器学习模型以分析卡尔加里311呼叫数据中的季节性模式。该模型在AWS SageMaker上训练,旨在识别有延误风险的呼叫。作者讨论了该项目的MLOps和AIOps方面,重点关注构建和部署此类系统所涉及的挑战和方法。

  6. TOOL · CL_297941 ·

    MLOps和AIOps可以缩短公共服务请求时间

    本文以卡尔加里311系统为例,讨论了公共服务请求的管理挑战。文章指出,市民通常不会被告知其请求的延长处理时间,这导致了不满。文章将此问题定位为可通过MLOps和AIOps解决的问题,并提出更好的数据管理和管道构建是改善服务交付和沟通的关键。

  7. TOOL · CL_186808 ·

    新奥尔良部署AI进行911电话分诊,引发可靠性争议

    新奥尔良正在实施一个AI系统来处理非紧急311电话和分诊911紧急电话,旨在减轻调度员的工作量并缩短响应时间。Orleans Parish Communication District正在使用Carbyne的AI紧急电话分诊系统来评估来电,提供与事件相关的查询信息,并将其他电话转接给人工调度员。虽然该AI不直接处理紧急电话,但人们对其潜在的偏见、理解不同口音的问题以及AI在关键紧急情况下的整体可靠性表示担忧。