关闭

智能应用

所属频道 物联网
  • LDO稳压器:实现高效率、低电压转换与单电源运作的关键技术

    在现代电子系统设计中,电源管理技术是确保系统稳定、高效运行的核心环节之一。低压差线性稳压器(LDO, Low Dropout Regulator)作为一种重要的电源管理器件,以其高效率、低电压转换和单电源运作的特性,在诸多领域得到了广泛应用。本文将从LDO稳压器的基本原理、优势、挑战以及实际应用等方面,深入探讨其在实现高效率、低电压转换和单电源运作方面的关键技术。

  • 如何支持物联网安全性和低功耗要求设计

    随着物联网(IoT)技术的快速发展,其应用已经渗透到工业、农业、智能家居、智慧城市等各个领域。然而,物联网设备在带来便利和效率的同时,也面临着安全性和功耗管理两大挑战。本文将深入探讨如何支持物联网设备的安全性和低功耗要求设计,从硬件、软件、通信协议及能源管理等多个方面提出解决方案。

  • 延长的电池寿命:降低可穿戴物联网设备中更换/再充电电池的成本

    在快速发展的物联网(IoT)时代,可穿戴设备作为连接物理世界与数字世界的桥梁,正逐步渗透到我们日常生活的方方面面。从智能手环监测健康数据,到智能手表提供便捷的信息交互,再到各类专业领域的监测设备,可穿戴物联网设备以其便携性、实时性和个性化服务赢得了广泛的用户基础。然而,随着这些设备的普及,一个不容忽视的问题逐渐浮出水面——电池续航能力的限制。频繁更换或充电不仅影响了用户体验,还无形中增加了使用成本。因此,延长电池寿命成为了可穿戴物联网设计中亟待解决的关键问题之一。本文将从技术革新、设计优化、材料科学等多个维度探讨如何延长电池寿命,并深入分析这一举措如何有效降低可穿戴设备更换/再充电电池的成本。

  • 在金融科技软件开发中集成增强现实时应避免的 10 个错误

    AR 和 VR 技术 正在搅动我们周围的每个行业,金融科技服务也不例外。AR 可以增强客户体验并简化操作,同时为您提供概念化复杂数据的几种新方法。然而,人们一定不能忘记,将 增强现实融入金融服务 本身就带来了诸多挑战,而且,随着新兴开发人员进入这一创新领域,避免常见的陷阱至关重要。这是一份全面的指南,旨在帮助您成功驾驭 金融科技软件开发 领域。

    物联网
    2024-07-16
  • 现代流程管理有助于在数据驱动的业务环境中建立数据处理和大型语言模型 (LLM) 之间的桥梁。

    在当今数据驱动的商业环境中,有效管理数据对于实现组织目标至关重要。虽然数据处理系统在收集和组织数据方面发挥着至关重要的作用,但人们常常忽视,数据不应仅仅为了自身利益而进行管理。真正的价值在于了解如何利用数据来实现业务目标,这就是流程管理概念发挥作用的地方。

  • 数据工程在构建可扩展人工智能系统中的作用第二部分:数据工程在可扩展性中的作用

    数据工程是数据科学的一个分支学科,在解决我们在上一节中提到的可扩展性挑战方面发挥着至关重要的作用。如果一个组织实施了正确且强大的数据工程实践,它可以简化整个人工智能生命周期并很快消除潜在的障碍。这是因为他们将从开发开始就确保采用有关数据处理工作流、资源利用和大规模数据集管理的最佳实践。数据工程解决构建可扩展 AI 系统挑战的三个关键方法如下:

  • 数据工程在构建可扩展人工智能系统中的作用第一部分:了解数据工程

    最陈词滥调却又最真实的一句话是,技术每天都在变化,影响着一切。人工智能是给全球各行各业带来颠覆的最突出的学科之一。随着计算技术每年都在升级和改进,人工智能 (AI) 技术正在为各个行业开创一个创新的新时代。从医疗保健和健康到金融和制造业,人工智能解决方案正在以前所未有的方式改变企业运营、提供见解和做出明智决策的常态。然而,要想在全球范围内发挥作用,人工智能需要大量数据来学习和训练。因此,坚实的数据工程基础对于每个成功的人工智能应用都至关重要。

  • 使用低代码平台协调 IAT、IPA 和 RPA:高级自动化和测试的优势与挑战

    当软件开发团队面临快速交付高质量应用程序的压力时,低代码平台可以为快速发展的业务需求和复杂的集成提供所需的支持。集成智能自动化测试 (IAT)、智能流程自动化 (IPA) 和机器人流程自动化 (RPA) 解决方案可以更轻松地适应变化,确保测试和自动化与不断发展的应用程序和流程保持同步。在低代码开发环境中,如图 1 所示,IAT、IPA 和 RPA 可以减少人工工作量并提高 SDLC 和流程自动化中的测试覆盖率、准确性和效率。

    物联网
    2024-07-16
  • 使用 Python 进行机器学习:数据预处理技术

    机器学习仍然是发展最快、需求量最大的技术领域之一。机器学习是人工智能的一个分支,它使计算机系统能够学习和采用类似人类的特质,最终导​​致人工智能机器的发展。 下表列出了人工智能领域中,机器学习可以赋予计算机的八种关键类人特质。

  • 实践中的代码复杂性第二部分:人为本的代码重要性

    以人为本的代码的重要性,无论主要用户是谁,编写清晰易懂的代码都会让所有参与者受益。从加快协作和知识共享到减少维护和提高软件质量。

  • 实践中的代码复杂性第一部分:软件复杂性介绍

    想象一下,你走进一个熙熙攘攘的工作室——这里不是机器嗡嗡作响的地方,而是人们齐心协力的思想。这才是软件编程的真正本质:集体努力,代码不仅是机器的指令,也是开发人员的共同语言。然而,与口头语言不同,代码往往会成为一种晦涩难懂的方言,笼罩在复杂性之中,新手难以理解。这就是为人类编写代码的艺术发挥作用的地方,将神秘的脚本转化为其他人可以轻松理解的叙述。

  • 软件定义汽车中的 MLOps:集中式平台方法

    ML 平台应具有完善的实用程序来跟踪训练 ML 模型所需的数据沿袭,例如数据提取、数据转换和用于训练当前模型的最终数据集。良好跟踪的数据沿袭可以帮助使用该平台的功能团队深入了解用于训练模型的数据点,从而改进模型以有效地帮助该功能。

    物联网
    2024-07-16
  • 人工智能在低代码和无代码开发中的作用

    大型语言模型 (LLM) 的出现导致人们急于将人工智能 (AI) 强行塞入每一种有意义的产品,以及相当一部分不有意义的产品。但有一个领域已经证明人工智能是一个强大而有用的补充:低代码和无代码软件开发。

  • 人工智能风险管理框架:面向人工智能开发人员的技术深度探究

    人工智能 (AI) 快速融入软件系统,为软件开发社区带来了前所未有的机遇和挑战。作为开发人员,我们不仅要负责构建功能齐全的 AI 系统,还要确保它们安全、合乎道德且负责任地运行。本文深入探讨了NIST AI 风险管理框架的技术细节,为构建和部署 AI 解决方案的软件开发人员提供具体指导。

  • 了解机器学习的贝叶斯建模和概率规划

    传统机器学习 (ML) 模型和 AI 技术通常存在一个严重缺陷:它们缺乏不确定性量化。这些模型通常提供点估计,而不考虑其预测的不确定性。这种限制削弱了评估模型输出可靠性的能力。此外,传统 ML 模型需要大量数据,通常需要正确标记的数据,因此,在数据有限的问题上往往会遇到困难。此外,这些模型缺乏将专家领域知识或先验信念纳入模型的系统框架。如果无法利用特定领域的见解,模型可能会忽略数据中的关键细微差别,并且往往无法发挥其潜力。ML 模型正变得越来越复杂和不透明,人们越来越需要数据和人工智能做出的决策具有更高的透明度和可问责性。