Waarom vertrouwt u ons bedrijf?
We halen de paniek uit de inkoop. We hebben miljoenen moeilijk te vinden onderdelen uit onze vertrouwde bronnen op voorraad. We vernieuwen onze productvermeldingen met minuten en online aankopen worden in realtime voltooid en elke dag verzonden.
MFGChips, opgericht in 2002, is een lokale leider in de distributie van elektronische componenten en wordt tegenwoordig ook erkend als een van de meest gerespecteerde en innovatieve bedrijven op de lokale markt. MFGChips heeft zijn hoofdkantoor in Hong Kong en heeft een indrukwekkende reputatie opgebouwd voor het leveren van uitstekende service en het ontwikkelen van efficiënte, uitgebreide wereldwijde supply chain-oplossingen.
Kom meer te weten >
Nu kan AI ons efficiëntere wiskundealgoritmen bieden
Computerprogrammering werktuigen van wiskunde voor het analyseren en manipuleren van representaties van real-world fenomenen. De belangrijkste wiskundige berekening die betrokken is bij het programmeren zijn matrices. Het uitvoeren van matrixberekeningen vereist veel werk, vooral naarmate de matrices groter worden. Daarom heeft een team van onderzoekers van Google's DeepMind, Londen, aangetoond dat AI snellere algoritmen kan vinden om matrixvermenigvuldigingsproblemen op te lossen.
De onderzoekers van DeepMind stelden zich de mogelijkheid voor om een AI-systeem op basis van een op wapening te gebruiken om nieuwe algoritmen te genereren met minder stappen dan die nu geïmplementeerd. Ze ontdekten dat de meeste spelsystemen het leren van versterking implementeerden. Het team verlegde zijn focus naar het zoeken naar boom na het voltooien van voorlopige systemen, die ook worden gebruikt bij het programmeren van games. Wanneer toegepast op het vermenigvuldigen van matrices, ontdekten de onderzoekers dat het omzetten van een AI -systeem naar een spel mogelijk was om te zoeken naar de meest efficiënte manier om het gewenste resultaat te bereiken - een wiskundig resultaat.
De onderzoekers experimenteerden met hun systeem door het in staat te stellen om bestaande algoritmen te vinden, te beoordelen en te implementeren, waardoor beloningen worden gebruikt om ze aan te trekken om de meest efficiënte te kiezen. Het systeem leerde over de factoren die de efficiëntie van de matrixvermenigvuldiging verbeteren. De onderzoekers dwongen het systeem ook om zijn algoritmen te genereren om de efficiëntie opnieuw te verbeteren. In veel gevallen toonde dit experiment aan dat het algoritme van het systeem efficiënter was dan die gecreëerd door menselijke voorgangers.