новости

шанхай, 25 сентября (корреспондент ян юй) сегодня утром в пудуне, шанхай, успешно прошел специальный форум «расшифровка будущего: глобальные тенденции цифровой разведки». этот специальный форум является одним из подфорумов международного форума по промышленной цивилизации, организованного центром развития промышленной культуры министерства промышленности и информационных технологий, шанхайской муниципальной комиссией экономики и информационных технологий и народным правительством шанхая. новый район пудун.

на специальном форуме матье лорьер, доцент кафедры математики и науки о данных нью-йоркского университета в шанхае, рассказал о машинном обучении и генеративном искусственном интеллекте для крупномасштабных многоагентных систем. мультиагентные системы или мультиагентные системы не редкость в нашей повседневной жизни, например, при движении толпы, маршрутизации трафика в больших городах, и часто используются на финансовых рынках. характерной особенностью мультиагентных систем является то, что существует большое количество агентов, которые взаимодействуют и принимают решения, а окружающая среда очень сложна.

матье лорьер выступил с программной речью. источник фото: фотография предоставлена ​​организатором.

матье лорьер отметил, что поведение и принятие решений людей можно понять с помощью мультиагентных систем. например, станция метро переполнена, и вы хотите понять поведение всех на станции метро, ​​например, в каких районах плотность людей выше, в каких меньше, и каковы траектории их движения. со временем плотность толпы будет меняться, а значит, изменится и их поведение. «мы хотим понять принципы, лежащие в основе их изменений в действиях. в сфере транспорта мы можем использовать мультиагентные системы, чтобы понять работу транспорта», — сказал матье лорьер.

какая связь между мультиагентными системами и генеративным ии? матье лорьер сказал, что для того, чтобы понять действия людей, то есть поведение или принятие решений агента, необходимо создать карту распределения агента, которая может решить многие проблемы генеративного ии. кроме того, с точки зрения глубокого обучения, глубокую нейронную сеть можно параметризовать так, чтобы она была максимально приближена к реальной ситуации, а затем на нее можно сопоставить данные.

ежедневные экономические новости