中国北京,2021年 3月 12日 —— IBM (NYSE: IBM) 宣布,全球调研公司 Gartner 在最近发布的两份 Gartner 魔力象限报告中(2021年云 AI 开发者服务魔力象限和 2021年数据科学与机器学习平台魔力象限),将 IBM 评为领导者。
IBM 数据与 AI 总经理 Daniel Hernandez 表示:“IBM 专注于企业级人工智能,致力于帮助客户通过自动化节省宝贵的时间,通过自然语言处理生成关键洞察,培育源自人工智能洞察的可信度。我们相信,Gartner 给予的这些认可凸显了通过我们的战略以及 IBM 研究院与 IBM Watson 之间的强大创新管道,我们正在为各行各业的业务创造价值。”
2021年 Gartner 云 AI 开发者服务魔力象限报告指出:“该魔力象限是针对软件工程领导者们为创建强大的下一代应用所需的人工智能服务”。IBM 凭借其远见的完整性和出色的执行能力被评为领导者。IBM 持续强化其语言、视觉和 autoML 产品组合,其中包括 IBM Watson Assistant、IBM Watson Discovery、IBM Watson Natural Language Understanding、IBM Watson Studio AutoAI、IBM Maximo Visual Inspection 及更多产品,为开发者提供易于使用的工具,帮助他们快速构建人工智能解决方案。
2021年 Gartner 数据科学与机器学习平台魔力象限指出:“本报告对 20家可协助数据科学家和其他用户获取数据、构建模型和实现机器学习的平台供应商进行了评估。”IBM 凭借其远见的完整性和出色的执行能力而受到认可。为了给专家以及普通的数据科学家和开发者提供端到端的 AI 生命周期管理,IBM 专门设计了 IBM Watson Studio on IBM Cloud Pak for Data,不仅如此,IBM 还为实现可解释性、公平性和治理提供了强有力的支持,以帮助企业构建可信任的人工智能模型。
2021年 Gartner 数据科学与机器学习平台魔力象限
来自各行各业的企业纷纷采用 IBM Watson 和 IBM Maximo 解决方案,为其工作流注入智能。
美国 AMC 连锁电影院分析部门的高级总监 Reena Mathews 表示:“我们已开始使用 Watson Studio 来帮助我们更深入地了解各个影院的消费者行为。接下来,我们还会继续扩大该产品在企业内的使用范围。我对此感到非常兴奋。”
从事潜水器设计、制造与运营的美国Submergence 集团的工程部总监 Don Scott 指出:“通过大力简化培训、部署和运行计算机视觉模型的过程,IBM Maximo Visual Inspection (MVI) 帮助我们实现了按时交付,即使在客户需求快速变化的情况下也未发生延迟。MVI 包含所有必备要素,可迅速帮助航运业的学科专家构建应用,无需用户掌握编码或深度学习的专业知识。使用 MVI 可以将人工智能创新直接交到专家手中,因为它能够分担大部分繁琐的任务,协助专家快速部署新模型。”
为了给企业、数据科学家和开发者提供扩展 AI 应用所需的能力,IBM 不断将 IBM 研究院在自然语言处理 (NLP)、信任和自动化等核心领域的创新融入 IBM Watson。2020年,IBM 在 IBM Watson 中推出了源自 IBM 研究院 Project Debater 的 高级自然语言处理功能,通过推出 IBM Watson AIOps 和 发布 AI Factsheets,扩展了由 AI 赋能的自动化功能,这种能够将信任和透明嵌入 AI 模型开发过程的新方法于 2021年融入 Cloud Pak for Data 的 Watson Studio 当中。
好文章,需要你的鼓励
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
谷歌发布基于Gemini 3的快速低成本模型Flash,并将其设为Gemini应用和AI搜索的默认模型。新模型在多项基准测试中表现优异,在MMMU-Pro多模态推理测试中得分81.2%超越所有竞品。该模型已向全球用户开放,并通过Vertex AI和API向企业及开发者提供服务。定价为每百万输入token 0.5美元,输出token 3美元,速度比2.5 Pro快三倍且更节省token用量。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。