Data Commons
PulseAugur coverage of Data Commons — every cluster mentioning Data Commons across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
联合国与谷歌合作，使全球数据为人工智能做好准备
联合国正在与谷歌合作创建联合国系统数据共享中心（UN System Data Commons），该平台旨在使全球统计数据能够被人工智能代理访问。该计划建立在谷歌的数据共享中心之上，旨在提高人工智能对数据查询生成响应的准确性和可靠性，以解决目前全球发展指标仅为21.2%的基准准确性问题。该平台将支持模型上下文协议（Model Context Protocol）以实现直接人工智能集成，并计划到2027年托管联合国80%的统计数据集，谷歌将…
-
Google AI 通过新的行星预测引擎自动化全球预测模型
Google Research 推出了行星预测引擎 (PPE)，这是一个实验性的 AI 系统，旨在自动化整个地理空间建模工作流程。该系统可自主处理从数据发现和策展到模型训练和评估的任务，将所需时间从几周大大缩短到几分钟。PPE 利用 LLM 选择相关的地理空间数据，将其与基础模型嵌入融合，并在各种模型架构中进行搜索，为公共卫生、粮食安全和环境风险等关键全球挑战提供预测。
-
机器学习在供应链优先级排序方面难以超越价值排序
一项新的研究论文探讨了机器学习模型在供应链管理中对发货进行优先级排序的有效性。该研究分析了来自SCMS采购、DataCo物流和Olist电子商务的三个真实世界数据集，发现虽然机器学习模型可以优于仅基于严重性的排名，但它们并不总是能胜过按已知价值对发货进行排序的基线方法。该论文强调了不仅要根据预测准确性来评估机器学习模型，还要评估其实际影响的重要性，建议价值排序应继续作为基准，并且只有在对严重性可学习性和校准进行严格审计后，才应部署机器学习模型。
-
机器学习在供应链优先排序方面难以超越价值排序
一项研究评估了机器学习模型在供应链管理中能否通过优先排序发货来超越简单的基于价值的排序。该研究测试了三个真实世界的数据集：SCMS采购、DataCo物流和Olist电子商务。结果表明，虽然机器学习模型有时可以超越价值排序，尤其是在延迟严重性可学习的情况下（如DataCo），但它们在所有环境中并非始终优于基线方法。该论文提出了一个部署此类模型的诊断和评估协议，强调在部署前审计严重性可学习性和校准的必要性。