Beispiel – chatgpz.de – KI-Tools & Praxiswissen

Es geht um die Nichtlinearität: Ein interessantes statistisches Beispiel für Mängel in einem Voter Impression Index

admin — Mon, 13 Jul 2026 21:32:16 +0000

[ad_1]

Folgendes kam neulich in der E-Mail:

Ich melde mich, um das vorzustellen Voter Impression Indexein neues Datentool von PowerMoves, das jeder US-Postleitzahl einen Wählerwirkungswert zuweist, der auf der jüngsten Wettbewerbsfähigkeit von sechs Bundes- und Landeswahlen basiert, die mit diesem Ort verbunden sind.

Der Index kann für Ihre Lehre oder Forschung in vielerlei Hinsicht nützlich sein:

– Diskussionen im Klassenzimmer über politische Geographie, Wählermobilisierung und den Zusammenhang zwischen dem Wohnort der Menschen und der Bedeutung ihrer Stimmen
— Forschungsanwendungen, die sich mit der Wettbewerbsfähigkeit bei Wahlen, der Sortierung von Wählern und dem staatsbürgerlichen Verhalten von Umzugsunternehmen befassen (wir schätzen, dass jährlich 15 Millionen registrierte Wähler umziehen)
– Studentenprojekte zur Analyse von Wahldaten auf Postleitzahlenebene in verschiedenen Bezirken

Die zugrunde liegenden Daten, der Code und die Methodik sind vollständig offen und über GitHub über unsere Web site unter PowerMoves.Vote zugänglich – so können Sie problemlos darauf aufbauen oder replizieren.

PowerMoves ist ein überparteiliches Projekt. Der Index stützt sich auf vertrauenswürdige, überparteiliche Quellen und vergibt Punkte unabhängig von der Parteizugehörigkeit.

Ich conflict neugierig, additionally habe ich nach meiner eigenen Postleitzahl gesucht und Folgendes herausgefunden:

Eine „mittlere“ Wählerwirkung von 44/100. Machst du Witze? Ja, Sie können niedrigere Wirkungswerte erzielen (versuchen Sie einfach, 02139 einzugeben), aber etwas in der Nähe des Mittelpunkts auf einer Skala von 0 bis 100 klingt für mich nicht richtig. Knappe Wahlen gibt es bei uns quick nie. New York ist kein Swing State, und selbst unsere Kommunalwahlen stehen nie kurz bevor.

OK, die Gouverneurswahl 2022 in New York conflict ziemlich knapp, das gebe ich zu, und die Wahl 1994 conflict sogar noch knapper, genau wie 1982 und 1978. . . aber das geht ziemlich weit zurück und sie gewichten die Gouverneurswahlen nur mit 15 % (geh hierher und scrollen Sie nach unten), daher conflict ich verwirrt, wie die Wähler in unserem Bezirk auf einer Skala von 0 bis 100 einen Einfluss von 44 einschätzen können. Auch wenn man die Wahl des Gouverneurs als knapp ansieht (was aber nicht der Fall conflict). Das nah), das wäre immer noch nur du bis 18.

Wenn Sie dieses Dokument sorgfältig durchlesen, können Sie herausfinden, was los ist:

Okay, die Division durch 2 oder 3 hat etwas Merkwürdiges, aber das ist nicht das Hauptproblem. Das große Drawback ist meiner Meinung nach die Linearität. Im Präsidentschaftswahlkampf 2024 beispielsweise gewann Kamala Harris das Zweiparteienrennen in New York mit einem Vorsprung von 13 Punkten. Überhaupt nicht in der Nähe! Wirklich nicht annähernd, wenn man bedenkt, dass die Wählerstimmen in New York bei knappen Landtagswahlen auf keinen Fall ausschlaggebend gewesen wären. Mein Einfluss auf die Wählerschaft bei dieser Wahl conflict ungefähr Null (siehe einige Berechnungen hier, allerdings aus einem früheren Jahr). Wenn Sie es technisch genauer betrachten wollen: Die Wahrscheinlichkeit, dass meine Stimme ausschlaggebend ist, beträgt etwa 1/100 der Wahrscheinlichkeit, dass der Wähler eines Swing State den Ausschlag geben wird.

Wenn additionally der „Präsidentschaftswahl“-Beitrag zu diesem Index für Wisconsin, Michigan und Pennsylvania 100 beträgt und in einem Bundesstaat wie North Carolina oder Georgia etwa 50, dann sollte er in New York etwa 1 betragen. Oder vielleicht 0,1. Oder vielleicht 2. Auf jeden Fall eine winzige Zahl. Sogar das Gouverneursrennen, das Hochul mit 6 Prozentpunkten Vorsprung gewann. . . Okay, das ist knapp, aber auch hier gibt es engere Rennen um den Gouverneursposten. Ich bin on-line gegangen und habe nachgeschaut, und es gab ein paar Rennen, die mit weniger als einem Prozentpunkt der Stimmen entschieden wurden. Wenn diese Unstimmigkeiten als 100 Wählerauswirkungen gelten, wäre das Rennen in New York dann vielleicht 50? oder vielleicht etwas weniger?

Wenn Sie additionally alle diese Wählerwirkungswerte zusammenzählen und gewichten, könnten Sie, wenn Sie großzügig sind, etwa eine 10 für meinen Bezirk erhalten. Nicht 44.

Es ist ein interessantes Beispiel. Auf den ersten Blick könnte diese lineare Skalierung sinnvoll erscheinen. Aber nicht, wenn Ihr Ziel darin besteht, die Wählerwirkung zu messen.

Anders ausgedrückt: Ihre Maßnahme besteht darin, den Wert der Stimmabgabe in einem Swing-State oder einem Swing-Distrikt zu unterschätzen. Die lineare Abbildung glättet das Sign.

PS Ich habe auf die obige E-Mail geantwortet, um meine Bedenken den Erstellern dieses Index mitzuteilen. Wir hatten einen herzlichen E-Mail-Austausch, aber letztendlich schienen sie von meiner Argumentation nicht überzeugt zu sein und so ließen sie den Index so, wie er ist. Schade. Aber hey, sie machen die Arbeit, es ist ihre Aufgabe: Wenn sie meine Postleitzahl als „mittlere“ Wählerwirkung einstufen wollen. . . Nun, es ist ein freies Land!

[ad_2]

Was ist eine Audioanmerkung mit Beispiel?

admin — Wed, 04 Mar 2026 11:00:22 +0000

[ad_1]

Die digitale Landschaft des Jahres 2025 wird durch sprachgesteuerte KI angetrieben – von fortschrittlichen virtuellen Assistenten bis hin zu Echtzeit-Übersetzungs- und Barrierefreiheitstools. Das Herzstück dieser Technologie ist die Audioannotation, ein entscheidender Prozess für den Aufbau, das Coaching und die Skalierung der nächsten Era intelligenter Systeme. In diesem umfassenden Leitfaden erfahren Sie, was es Neues in der Audioannotation gibt, welche High-Instruments es gibt, welche Finest Practices sich weiterentwickeln und wie Shaip in der Branche bei der Bereitstellung hochwertiger Audiodatensätze führend ist.

Was ist Audioanmerkung?

Audioanmerkung ist der Prozess der Anreicherung von Audiodateien mit Beschriftungen, Metadaten und Notizen, die sie maschinenlesbar und für Systeme der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) umsetzbar machen. Dieser Prozess geht weit über die einfache Transkription hinaus:

Zu den Etiketten können gehören: Sprecheridentität, Emotionen, Hintergrundgeräusche, Sprache, Absicht, Zeitstempel und mehr.
Zweck: Wir wollen eine KI aufbauen, die natürliche, menschenähnliche Sprache verstehen, interpretieren und interagieren kann.

Beispiel (Szenario 2025)

Ein Sprachbefehl an ein Good-House-System:

„Dimmen Sie das Licht im Wohnzimmer, nachdem der Movie zu Ende ist.“

Zu den Anmerkungen könnten gehören:

Sprecher: Erwachsener, männlich
Zweck: Steuergerät (Beleuchtung)
Kontext: Bezogen auf Unterhaltungsaktivitäten
Zeitstempel: 00:00:05–00:00:08
Emotion: Impartial

Diese umfassende Annotation ist für intelligente Systeme unerlässlich, die sowohl das Gesagte als auch den Kontext verstehen müssen.

Warum ist eine Audioanmerkung erforderlich?

Audioanmerkungen sind im Jahr 2025 wichtiger denn je, weil:

Sprachschnittstellen gibt es überall: Von Smartphones und Good Properties bis hin zu Fahrzeugen und Wearables erwarten Benutzer eine nahtlose Sprachinteraktion.
KI ist multimodal: Modelle verarbeiten jetzt Audio, Video, Textual content und Bilder gemeinsam und erfordern für den Kontext reichlich kommentierte Audiodaten.
Personalisierung: Kommentiertes Audio ermöglicht es der KI, sich an Benutzerpräferenzen, Akzente und emotionale Zustände anzupassen.
Compliance und Zugänglichkeit: Präzise, kommentierte Audioaufnahmen gewährleisten die Einhaltung globaler Barrierefreiheitsstandards und Datenschutzbestimmungen.
Branchenwachstum: Der weltweite NLP-Markt wird im Jahr 2025 voraussichtlich die 80-Milliarden-Greenback-Marke überschreiten, angetrieben durch Fortschritte bei der Nutzung von Audiodaten (Quelle: Branchenprognosen).

Arten von Audioanmerkungen

Moderne Audioannotations-Workflows im Jahr 2025 umfassen typischerweise:

Audioklassifizierung: Sortieren von Audioclips in Kategorien (z. B. Musik, Befehl, Alarm, Lachen, Stille).
Speech-to-Textual content (Transkription): Gesprochene Sprache in geschriebenen Textual content umwandeln (wörtlich, nicht wörtlich oder phonetisch).
Anmerkung zur natürlichsprachlichen Äußerung (NLU): Kennzeichnung von Absicht, Kontext, Stimmung, Dialekt und Semantik gesprochener Sprache. Entscheidend für Konversations-KI.
Sprecherdialog: Markieren Sie, wann verschiedene Sprecher sprechen, und identifizieren Sie sie im gesamten Audio mit mehreren Lautsprechern.
Anmerkung mit mehreren Etiketten: Weisen Sie einem Audiosegment mehrere Kategorien zu, zum Beispiel „Musik + Hintergrundgeräusche + fröhliche Gefühle“.
Phonetische und morphologische Annotation: Detaillierung der phonetischen Komponenten oder morphologischen Merkmale der Sprache, häufig für Sprachforschung und Sprachsynthese.
Mehrsprachige Anmerkung: Kennzeichnung und Klassifizierung von Sprache in mehreren Sprachen oder Dialekten, einschließlich Codeumschaltung und Akzenterkennung.
Anmerkung zu Ereignissen und Umgebungsgeräuschen: Markieren Sie nichtsprachliche Audiodaten wie Hintergrundereignisse (Türklingel, Hundegebell, Verkehr) für eine kontextsensitive KI.

(Lesen Sie auch: Der vollständige Leitfaden zur Konversations-KI)

Finest Practices für Audioanmerkungen (2025)

Um eine effektive und qualitativ hochwertige Annotation sicherzustellen:

Definieren Sie klare Richtlinien: Dokumentieren Sie jedes Etikett, stellen Sie Beispiele bereit und aktualisieren Sie es bei Bedarf.
Formatierung standardisieren: Verwenden Sie in Ihrem gesamten Datensatz konsistente Tags, Zeitcodes und Strukturen.
Annotatoren schulen und unterstützen: Bieten Sie Onboarding, fortlaufende Schulungen und Zugang zu Experten für Fragen.
Mehrstufige Qualitätssicherung: Nutzen Sie Peer-Evaluations, Expertenvalidierung und regelmäßige Audits.
Automatisieren Sie, wo möglich: Nutzen Sie die KI-Voretikettierung für mehr Geschwindigkeit und die menschliche Validierung für die Qualität.
Datenschutz gewährleisten: Anonymisieren Sie Daten und befolgen Sie alle gesetzlichen Anforderungen.
Iterieren und optimieren: Überprüfen und verbessern Sie Prozesse regelmäßig auf der Grundlage von Suggestions und Ergebnissen.

Herausforderungen bei der Audioannotation und wie man sie meistert (2025)

Wichtigste Herausforderungen

Datenvolumen: Die explosionsartige Verbreitung von Audiodaten erfordert skalierbare Lösungen.
Audioqualität: Hintergrundgeräusche, überlappende Lautsprecher und variable Akzente.
Mehrdeutigkeit der Bezeichnung: Emotionen und Absichten können subjektiv sein.
Werkzeugbeschränkungen: Nicht alle Instruments bewältigen neue Datentypen oder Datenschutzanforderungen.
Regulatorisches Risiko: Strengere Datenschutzgesetze (DSGVO, CCPA und neue 2025-Requirements).

Lösungen

Hybridanmerkung: Kombinieren Sie KI-gestützte Voranmerkungen mit fachmännischer menschlicher Überprüfung.
Robuste Qualitätssicherung: Mehrstufige Validierung zur Minimierung von Fehlern.
Kontinuierliche Schulung: Qualifizieren Sie Annotatoren für neue Requirements und Sprachen.
Nutzen Sie Instruments der nächsten Era: Nutzen Sie Plattformen, die Echtzeit-, multimodale und datenschutzorientierte Arbeitsabläufe unterstützen.
Compliance by Design: Integrieren Sie die Einhaltung gesetzlicher Vorschriften in jede Part.

(Lesen Sie auch: Videoanmerkung für maschinelles Lernen )

Neue Traits in der Audioannotation (2025)

KI + menschliche Zusammenarbeit: Intelligente Werkzeuge erledigen die schwere Arbeit, Menschen sorgen für Genauigkeit und Kontext.
Echtzeit- und Streaming-Anmerkung: Stay-Untertitel, Übersetzung und Stimmungserkennung in großem Maßstab.
Multimodale Datenintegration: Audio-, Video- und Textanmerkungen für ganzheitliche KI-Modelle.
Ressourcenarme Spracherweiterung: Stärkerer Fokus auf Dialekte und unterrepräsentierte Sprachen.
Ethische KI: Proaktive Voreingenommenheitsminderung, datenschutzorientierte Annotation und inklusive Datensätze.

Wie Shaip bei der Audioanmerkung hilft

Shaip setzt den Normal für Audioanmerkungen im Jahr 2025 mit:

Umfassende Dienstleistungen

Audiotranskription (wörtlich, nicht wörtlich, phonetisch)
Sprachkennzeichnung und -trennung
Sprechertagebuch und Multi-Label-Annotation
Mehrsprachige und dialektspezifische Annotation
Ereignis- und Umgebungsgeräuscherkennung
Äußerung in natürlicher Sprache und Sentimentanalyse

Was Shaip auszeichnet

Expertenkommentatoren: Mehrsprachig, branchenerfahren und qualitätsorientiert.
Erweiterte Instruments: Nutzung der KI-gestützten Annotation für Geschwindigkeit und Genauigkeit.
Skalierbarkeit: Abwicklung von Projekten jeder Größe und Komplexität weltweit.
Finish-to-Finish-Compliance: Strenger Datenschutz und Sicherheit, vollständig DSGVO/CCPA/2025-konform.
Kundenspezifische Lösungen: Maßgeschneiderte Arbeitsabläufe für Branchen wie Gesundheitswesen, Automobil, Finanzen und mehr.

Auswirkungen auf die reale Welt

Führende Sprachassistenten, Gesundheitssysteme und Unternehmen vertrauen auf Shaip, wenn es um präzise, skalierbare und konforme Audiokommentare geht.
Schnelle Lieferung, fortlaufender Help und messbarer ROI.

(Lesen Sie auch: Warum benötigt Ihre Konversations-KI gute Äußerungsdaten?)

Sind Sie bereit, Ihre KI im Jahr 2025 mit dem besten kommentierten Audio zu versorgen? Kontaktieren Sie Shaip noch heute für ein individuelles Angebot oder eine kostenlose Beratung.

[ad_2]

Ein reales Beispiel für die Verwendung von UDF in DAX

admin — Mon, 27 Oct 2025 22:04:40 +0000

[ad_1]

Einführung

Die Funktion der benutzerdefinierten Funktionen wurde als erste Vorschauversion mit dem Launch vom September 2025 eingeführt.

Mit dieser Funktion können wir Geschäftslogik in Funktionen kapseln, die wie alle anderen Standardfunktionen aufgerufen werden können.

In diesem Artikel werde ich die Verwendung dieser Funktion anhand eines realen Beispiels demonstrieren: der Berechnung einer Prognose auf der Grundlage von Inflationsraten.

Sie erfahren, wie Sie eine einfache Funktion erstellen und ein komplexeres Szenario handhaben.

Szenario

Stellen wir uns ein Unternehmen vor, das seine Einnahmen mithilfe einer Inflationssimulation prognostizieren möchte.

Sie wollen simulieren, wie sich unterschiedliche Inflationsraten auf ihr monatliches Einkommen auswirken.

Der Einfachheit halber ignorieren wir die Saisonalität und verwenden den letzten bekannten monatlichen Verkaufsbetrag, um das zukünftige Einkommen für den Relaxation des Jahres zu berechnen.

Der Benutzer muss in der Lage sein, eine Inflationsrate einzustellen und zu sehen, wie sich die Zahlen ändern.

Bereiten Sie das Datenmodell vor

Nun kommt es darauf an, ob ich mit einer neuen Energy BI-Datei beginne und die Daten lade oder diese Funktionalität zu einer bestehenden hinzufüge.

Als erstes müssen Sie die Vorschaufunktion aktivieren:

Abbildung 1 – Aktivieren Sie die Vorschaufunktion für benutzerdefinierte Funktionen (Abbildung vom Autor)

Möglicherweise müssen Sie Energy BI Desktop nach der Aktivierung neu starten.

Für eine vorhandene Energy BI-Datei müssen wir den richtigen Kompatibilitätsgrad festlegen, um benutzerdefinierte Funktionen (UDFs) zu erstellen.

Sie können entweder eine Dummy-Funktion erstellen, die den Kompatibilitätsgrad automatisch aktualisiert, oder verwenden Tabelleneditor um es auf mindestens 1702 einzustellen:

Abbildung 2 – Verwenden Sie den Tabelleneditor, um den Kompatibilitätsgrad der Datenbank zu aktualisieren (Abbildung vom Autor)

Sie können 1702 in das markierte Feld eingeben und speichern.

Ich werde später in diesem Artikel zeigen, wie man eine einfache UDF erstellt.

Weitere Informationen zum Erstellen einer neuen UDF in Energy BI Desktop finden Sie in der Microsoft-Dokumentation. Den Hyperlink finden Sie im Abschnitt „Referenzen“ am Ende dieses Artikels.

Hinzufügen der Tarifauswahl

Da der Benutzer die Inflationsrate auswählen können muss, füge ich dem Datenmodell einen Parameter hinzu:

Abbildung 3 – Hinzufügen eines Parameters zum Datenmodell für einen numerischen Bereich (Abbildung vom Autor)

Nachdem ich auf „Numerischer Bereich“ geklickt habe, fülle ich das Formular aus:

Abbildung 4 – Einrichten des Parameters für einen Prozentbereich (Abbildung vom Autor)

Da ich den Prozentsatz steuern möchte, stelle ich den Bereich auf -0,02 bis 0,05 ein, was -2 % bis 5 % entspricht.

Nach einigen Sekunden wurde der neue Slicer automatisch zur Berichtsseite hinzugefügt.

Aber es werden nur die Dezimalzahlen angezeigt.
Ich muss das Zahlenformat ändern, um Prozentsätze anzuzeigen:

Abbildung 5 – Formatieren Sie die Spalte des Parameters als Prozentsatz (Abbildung vom Autor)

Jetzt zeigt der Slicer die Zahl nach Bedarf an:

Abbildung 6 – Der Slicer mit den Zahlen in Prozent (Abbildung vom Autor)

Jetzt ist es einsatzbereit.

Schreiben Sie die erste Funktion

Erstellen wir zunächst eine UDF, um die ausgewählte Charge zurückzugeben.

Ich bevorzuge es, es im Tabelleneditor zu schreiben, da der DAX-Editor viel schneller ist als Energy BI Desktop.

Sie können es aber auch in der DAX-Abfrageansicht in Energy BI Desktop erstellen.

Im Tabelleneditor gehe ich zum Knoten „Funktionen“, klicke mit der rechten Maustaste darauf und wähle „Neue benutzerdefinierte Funktion“ aus:

Abbildung 7 – Erstellen einer neuen UDF im Tabelleneditor (Abbildung vom Autor)

Jetzt kann ich einen Namen festlegen.

Für dieses erste habe ich „ReturnRate“ eingestellt.

Dies ist der Code für die Funktion:

(
    Charge : DECIMAL VAL
)

=>
Charge

Innerhalb der Klammern definiere ich den Eingabeparameter.

Nach dem => kann ich den DAX-Code für die Funktion eingeben.

In diesem Fall gebe ich den Enter-Parameter zurück.

Jetzt erstelle ich eine Kennzahl, um diese Funktion zu verwenden:

Get Inflation fee = ReturnRate((Inflation fee Worth))

Die Kennzahl (Wert der Inflationsrate) wurde erstellt, als ich den Parameter zur Auswahl der Inflationsrate erstellte.

Wenn ich eine Karte hinzufüge und ihr die neue Kennzahl zuweise, sehe ich den ausgewählten Wert im Slicer:

Abbildung 8 – Zwei Beispiele, die zeigen, dass die Kennzahl, die die Funktionen aufruft, die ausgewählte Inflationsrate zurückgibt (Abbildung vom Autor)

OK, das ist eine elementare Funktion, aber sie dient nur zur Veranschaulichung ihrer Funktionsweise.

Schreiben Sie die echte Funktion

Möglicherweise ist Ihnen das Schlüsselwort VAL in der Parameterdefinition aufgefallen.

Wie Sie in den beiden folgenden Artikeln ausführlicher lesen können, haben wir zwei Modi zum Übergeben von Parametern:

VAL: Übergeben Sie den Inhalt des Parameters unverändert.
EXPR: Übergeben Sie den Parameter als Ausdruck, der innerhalb der Funktion wie ein gewöhnliches Measure verwendet werden kann.

In der folgenden Funktion verwende ich beide.

Hier ist der vollständige Code für die Funktion MonthlyInflation:

(
    Charge : DECIMAL VAL
    ,InputVal : EXPR
)
=>

VAR CurrentMonth =  MAX( 'Date'(MonthKey) )

VAR LastMonthWithData = CALCULATE(
                                LASTNONBLANK( 'Date'(MonthKey)
                                    , InputVal
                                )
                            , ALLEXCEPT( 'Date', 'Date'(Yr) )
                        )
                        
VAR LastValueWithData = CALCULATE(InputVal
                                        ,ALLEXCEPT('Date', 'Date'(Yr))
                                        ,'Date'(MonthKey) = LastMonthWithData
                                    )
                            
VAR MonthDiff = CurrentMonth - LastMonthWithData
VAR End result = IF(MonthDiff<=0
                    ,InputVal
                    ,(1 + ( Charge * MonthDiff ) ) * LastValueWithData
                    )

                                    
RETURN
    End result

Der erste Parameter der Funktion ist wie zuvor.

Der zweite Parameter ist der Ausdruck des Eingabemaßes.

Innerhalb der Funktion kann ich den Parameternamen verwenden, um den Filterkontext und andere Dinge zu ändern. Ich muss den Parameter als festlegen EXPR wenn ich innerhalb der Funktion auf diese Weise arbeiten muss.

Die Funktion führt die folgenden Schritte aus:

Ich erhalte den höchsten MonthKey und speichere ihn in der Variablen CurrentMonth
Der Inhalt ist der Monat des aktuellen Filterkontexts in der numerischen Kind JJJJMM.
Ich erhalte den letzten Monat des aktuellen Jahres mit einem Wert aus dem Eingabeparameter (Maßzahl) und speichere ihn in der Variablen LastMonthWithData
Ich subtrahiere den aktuellen Monat vom letzten Monat mit Daten, um die Differenz zu erhalten. Dies ist der Faktor zur Berechnung der Inflationsrate. Das Ergebnis wird in der Variablen gespeichert MonthDiff
Wenn MonthDiff kleiner oder gleich 0 ist, enthält der Filterkontext (Monat) einen Wert aus der Eingabevariablen
Wenn nicht, liegt der Filterkontext (Monat) in der Zukunft und wir können das Ergebnis berechnen.

Was ich hier mache, ist, die ausgewählte Inflationsrate mit der Anzahl der Monate seit dem letzten Monat mit Daten zu multiplizieren (LastMonthWithData).

Jetzt kann ich eine Kennzahl erstellen, um die Prognose Monat für Monat basierend auf der ausgewählten Inflationsrate dynamisch zu berechnen:

On-line Gross sales With Inflation =
    MonthlyInflation((Inflation fee Worth), (Sum On-line Gross sales))

Dies ist das Ergebnis für eine Inflationsrate von 3 %:

Abbildung 9 – Ergebnis der Verwendung des neuen UDF zur Berechnung der Einnahmen professional Monat basierend auf der ausgewählten Inflationsrate (Abbildung vom Autor)

Die blau markierten Monate enthalten tatsächliche Daten und die rot markierten Monate werden auf Foundation der gewählten Inflationsrate berechnet.

Das Schöne ist, dass ich jeden DAX-Ausdruck an das gewünschte Maß übergeben kann.

Ich kann zum Beispiel On-line-Verkäufe mit Einzelhandelsverkäufen hinzufügen:

Abbildung 10 – Ergebnis mit dem Gesamtumsatz beim Addieren von On-line- und Einzelhandelsumsätzen beim Aufruf der Funktion.

Das Maß hierfür ist folgendes:

Whole Gross sales With Inflation =
    MonthlyInflation((Inflation fee Worth), (Sum On-line Gross sales) + (Sum Retail Gross sales))

Nun, das ist ganz einfach.

Ich weiß, dass die Berechnung sehr einfach ist, aber ich habe dieses Beispiel verwendet, um zu zeigen, was mit UDFs gemacht werden kann.

Was ist der Sinn?

Darum geht es additionally bei UDFs?

Die meisten der hier gezeigten Dinge können auch mit Berechnungsgruppen durchgeführt werden.

Nun, das stimmt.

Die Verwendung einer UDF ist jedoch viel einfacher als die Verwendung eines Berechnungselements.

Darüber hinaus können wir modellunabhängige UDFs schreiben und sie in mehreren Modellen wiederverwenden.

Schauen Sie mal rein Erweitern Sie Energy BI mit DAX Lib.

Dabei handelt es sich um eine wachsende Sammlung modellunabhängiger UDFs mit Logik, die in jedem Datenmodell verwendet werden kann.

Weitere Unterscheidungsmerkmale zwischen UDFs und Berechnungselementen sind:

UDFs können nicht gruppiert werden, Berechnungselemente können jedoch in Berechnungsgruppen gruppiert werden.
Berechnungselemente haben keine Parameter.
UDF kann wie jede andere DAX-Funktion direkt aufgerufen werden.

Probieren Sie es aus, um mehr über die Möglichkeiten von UDFs zu erfahren.

Abschluss

sind eine großartige Ergänzung zum Toolset in Energy BI und Material.

Ich bin sicher, dass es immer wichtiger wird, zu wissen, wie man mit UDFs arbeitet, da ihr Potenzial mit der Zeit immer offensichtlicher wird.

Da wir uns in der Anfangsphase der Einführung dieser Funktion befinden, müssen wir auf dem Laufenden bleiben, um zu sehen, was Microsoft als Nächstes tun wird, um sie zu verbessern.

Für diese Funktion gelten einige Einschränkungen. Sie finden sie hier: Überlegungen und Einschränkungen benutzerdefinierter DAX-Funktionen.

Es gibt genügend Raum für Verbesserungen.

Mal sehen, was als nächstes kommt.

Referenzen

Hier die Microsoft-Dokumentation für benutzerdefinierte Funktionen: Verwenden benutzerdefinierter DAX-Funktionen (Vorschau) – Energy BI | Microsoft Study.

Dies ist der SQL BI-Artikel, der die Funktion ausführlich erklärt: Einführung in benutzerdefinierte Funktionen in DAX – SQLBI.

Eine Sammlung kostenloser modellunabhängiger UDFs: Erweitern Sie Energy BI mit DAX Lib.

Wie in meinen vorherigen Artikeln verwende ich den Contoso-Beispieldatensatz. Sie können den ContosoRetailDW-Datensatz kostenlos von Microsoft herunterladen Hier.

Die Contoso-Daten können wie beschrieben unter der MIT-Lizenz frei verwendet werden in diesem Dokument. Ich habe den Datensatz geändert, um die Daten auf aktuelle Daten zu verschieben.

[ad_2]

Sie können viel aus einer einfachen Simulation lernen (Beispiel für experimentelles Design mit ungleichen Varianzen für Behandlungs- und Kontrolldaten)

admin — Sat, 22 Mar 2025 07:10:22 +0000

[ad_1]

Wir haben heute über die Blockierung in Experimenten im Unterricht gesprochen, und ein Schüler fragte: „Wann sollten wir eine ungleiche Anzahl von Einheiten in den Behandlungs- und Kontrollgruppen haben?“

Ich antwortete, dass das einfachste Beispiel ist, wenn die Behandlung teuer ist. Sie könnten 10.000 Menschen in Ihrer Bevölkerung haben, aber nur genug Finances, um die Behandlung auf 100 Menschen anzuwenden, sodass 99% in der Kontrollgruppe liegen. In anderen Umgebungen kann die Behandlung störend sein, und Sie würden sie auch hier nur auf einen kleinen Teil der verfügbaren Einheiten anwenden.

Aber selbst wenn Kosten kein Downside sind und Sie nur die statistische Effizienz maximieren möchten, könnte es sinnvoll sein, den beiden Gruppen unterschiedliche Anzahl von Einheiten zuzuweisen.

Zum Beispiel habe ich angenommen, dass Ihre Ergebnisse unter der Behandlung viel variabler sind als die Kontrolle. Um die grundlegende Schätzung des Behandlungseffekts – das durchschnittliche Ergebnis in der Behandlungsgruppe, abzüglich des Durchschnitts unter den Kontrollen – möchten Sie dann mehr Behandlungsbeobachtungen für die höhere Varianz berücksichtigen.

Aber dann machte ich eine Pause. Ich struggle von Verwirrung beeindruckt.

Hier gibt es zwei Intuitionen, und sie gehen in entgegengesetzte Richtungen:

(1) Behandlungsbeobachtungen sind variabler als Kontrollen. Sie benötigen additionally mehr Behandlungsmessungen, um eine genaue Schätzung für die Behandlungsgruppe zu erhalten.

(2) Behandlungsbeobachtungen sind variabler als Kontrollen. Daher sind die Beobachtungen der Behandlungen knapper, und Sie sollten mehr von Ihrem Finances den qualitativ hochwertigen Kontrollmessungen widmen.

Ich hatte das Gefühl, dass die richtige Argumentation (1), nicht (2) struggle, aber ich struggle mir nicht sicher.

Wie habe ich das Downside gelöst?

Rohe Kraft.

Hier ist der R:

n <- 100
expt_sim <- perform(n, p=0.5, s_c=1, s_t=2){
  n_c <- spherical((1-p)*n)
  n_t <- spherical(p*n)
  se_dif <- sqrt(s_c^2/n_c + s_t^2/n_t)
  se_dif
}
curve(expt_sim(100, x), from=.01, to=.99,
  xlab="Proportion of information within the remedy group",
  ylab="se of estimated remedy impact",
  foremost="Assuming sd of measurements isntwice as excessive for handled as for controls",
  bty="l")

Und hier ist das Ergebnis:

Oh, Shoot, ich magazine es wirklich nicht, wie die y-Achse nicht ganz auf Null geht. Es lässt die Varianzreduzierung dramatischer aussehen als es wirklich ist. Null ist in der NachbarschaftAdditionally luden wir es ein in:

curve(expt_sim(100, x), from=.01, to=.99,
  xlab="Proportion of information within the remedy group",
  ylab="se of estimated remedy impact",
  foremost="Assuming sd of measurements isntwice as excessive for handled as for controls", 
  bty="l",
  xlim=c(0, 1), ylim=c(0, 2), xaxs="i", yaxs="i")

Und wir können die Antwort sehen: Wenn in der Behandlungsgruppe doppelt so viel Variation wie in der Kontrollgruppe vorliegt, sollten Sie in der Behandlungsgruppe doppelt so viele Messungen ergreifen. Die Kurve ist bei x = 2/3 minimiert (was wir überprüfen können, ohne etwas zu zeichnen, aber die Grafik bietet eine gewisse Instinct und eine Gesundheitsprüfung). Argument (1) oben ist korrekt.

Andererseits ist der Standardfehler aus dem optimalen Design nicht viel niedriger als das einfache 50/50 -Design, wie durch Berechnung des Verhältnisses ersichtlich ist:

print(expt_sim(100, 1/2) / expt_sim(100, 2/3))

das ergibt 0,95.

Somit ergibt das bessere Design eine Verringerung des Standardfehlers um 5%-das heißt, eine Effizienzgewinn von 10%. Nicht nichts, aber nicht riesig.

Wie auch immer, der Hauptpunkt dieses Beitrags ist, dass Sie viel aus der Simulation lernen können. After all on this case the issue could be solved analytically—just differentiate (s_c^2/(1-p) + s_t^2/p) with respect to p and set the by-product to zero, and also you get s_c^2/(1-p)^2 – s_t^2/p^2 = 0, thus s_c^2/(1-p)^2 = s_t^2/p^2, so p/(1-p) = s_t/s_c. Das ist alles in Ordnung, aber ich magazine die Brute-Power-Lösung.

[ad_2]

(BEISPIEL) Wie revolutioniert generative KI die Softwareentwicklung?

admin — Thu, 22 Aug 2024 12:45:06 +0000

[ad_1]

(BEISPIEL) Wie revolutioniert generative KI die Softwareentwicklung?

Einführung

Willkommen in der Zukunft der Softwareentwicklung! Generative KI (GenAI) hat sich von einem bloßen Schlagwort zu einer mächtigen Kraft entwickelt, die die Artwork und Weise, wie wir Software program erstellen, grundlegend verändert. GenAI ist nicht mehr auf theoretische Konzepte beschränkt, sondern steht heute an der Spitze der Innovation, automatisiert Aufgaben, generiert Code und optimiert Entwicklungsprozesse auf eine Artwork und Weise, die wir uns nie vorgestellt haben. In diesem Weblog-Beitragwerden wir uns eingehend mit den revolutionären Auswirkungen von GenAI auf die Softwareentwicklung befassen und dabei seine Fähigkeiten, die Herausforderungen, die es angeht, und die spannenden Möglichkeiten erkunden, die es sowohl für Entwickler als auch für Organisationen eröffnet.

Was ist generative KI?

Generative KI ist eine Untergruppe der künstlichen Intelligenz, die maschinelle Lernalgorithmen nutzt, um aus vorhandenen Daten neue Daten zu generieren.Es ist wie Ein kreativer Companion, der Code generieren, Schnittstellen entwerfen und sogar potenzielle Fehler vorhersagen kann. Für Softwareentwickler ist das ein Wendepunkt, der ein neues Maß an Effizienz und Kreativität bietet.

Der GenAI-Lebenszyklus

Der Lebenszyklus der generativen KI (GenAI) beschreibt die wichtigsten Phasen der Entwicklung, Bereitstellung und Wartung generativer KI-Modelle. Das Verständnis dieses Lebenszyklus ist entscheidend für die Erstellung effektiver KI-Systeme, die kreative Inhalte generieren, Aufgaben automatisieren und komplexe Probleme lösen können. Nachfolgend finden Sie eine detaillierte Aufschlüsselung des GenAI-Lebenszyklus, in der die wesentlichen Schritte und Überlegungen in jeder Part hervorgehoben werden.

1. Problemidentifizierung und Zielsetzung

Ziele definieren
Den Kontext verstehen
Erfolgskriterien festlegen

2. Datenerhebung und -aufbereitung

Datenbeschaffung
Datenbereinigung
Datenanmerkung

3. Modellauswahl und Design

Auswählen der Modellarchitektur
Hyperparameter-Tuning
Benutzerdefiniertes Modelldesign

4. Trainieren des Modells

Modellinitialisierung
Trainingsprozess
Schulung überwachen
Vermeiden Sie Überanpassung

5. Modellbewertung und -prüfung

Validierung
Leistungsmetriken
Stresstests

6. Bereitstellung und Integration

Bereitstellungsumgebung
API-Integration
Benutzeroberflächen-Design

7. Überwachung und Wartung

Kontinuierliche Überwachung
Neutraining des Modells
Fehlerbehandlung

8. Suggestions und Iteration

Benutzerfeedback
Modelliteration
Versionskontrolle

9. Ethik und Compliance

Minderung von Voreingenommenheit
Einhaltung gesetzlicher Vorschriften

GenAI in der Softwareentwicklung

GenAI revolutioniert die Softwareentwicklung auf verschiedene Weise. Es kann Code generieren, Exams automatisieren und sogar Benutzeroberflächen entwerfen. Es ist, als ob man ein zusätzliches Teammitglied hätte, das niemals schläft und ständig neue Ideen und Lösungen generiert. GenAI ersetzt Entwickler nicht, sondern ermöglicht ihnen, kreativer und effizienter zu sein.

Beschleunigen Sie das Lernen und die Entwicklung Ihrer Mitarbeiter

Bei GenAI geht es nicht nur um die Codegenerierung; es ist auch ein leistungsstarkes Instrument für Lernen und Entwicklung. Es kann personalisierte Lernpfade erstellen, Ressourcen empfehlen und sogar reale Szenarien zum Üben simulieren. GenAI beschleunigt die Lernkurve für Entwickler und erleichtert es ihnen, neue Fähigkeiten zu erwerben und über die neuesten Technologien auf dem Laufenden zu bleiben.

Die Rolle von GraphRAG in der GenAI-Entwicklung

GraphRAG ist ein leistungsstarkes Instrument für die GenAI-Entwicklung. Es ist ein graphenbasiertes Modell, das komplexe Strukturen wie Code oder Designlayouts generieren kann. GraphRAG macht GenAI für Entwickler zugänglicher und bietet eine benutzerfreundliche Plattform zum Trainieren und Bereitstellen von GenAI-Modellen.

Die wirtschaftlichen Auswirkungen von GenAI

Laut IDC könnte die GenAI-gestützte Kompetenzentwicklung den globalen Geschäftswert bis 2024 auf eine Billion US-Greenback steigern. Dies ist ein Beleg für das wirtschaftliche Potenzial von GenAI und seine Auswirkungen auf die Softwarebranche. GenAI ist nicht nur eine technologische Revolution, sondern auch eine wirtschaftliche.

GenAI-Anwendungen

Area	GenAI-Anwendung	Beschreibung
Inhaltserstellung	Textgenerierung	Automatisches Erstellen von Artikeln, Blogs und kreativen Schreibstücken.
Design und Kunst	Bilderzeugung	Erstellen von Originalkunstwerken, Illustrationen und Designs auf der Grundlage von Eingabeaufforderungen.
Unterhaltung	Musikkomposition	Erstellen Sie neue Musiktitel oder verbessern Sie vorhandene Kompositionen.
Gesundheitspflege	Arzneimittelforschung	Entwicklung neuartiger Arzneimittelverbindungen durch KI-gesteuerte Simulationen.
Kundenservice	Chatbots und virtuelle Assistenten	Automatisieren Sie Kundendienstantworten und bieten Sie Unterstützung in Echtzeit.
Advertising	Personalisierte Werbung	Erstellen gezielter Anzeigentexte und visueller Inhalte, die auf bestimmte Zielgruppen zugeschnitten sind.
Ausbildung	KI-generierte Nachhilfeinhalte	Erstellen maßgeschneiderter Lernmaterialien und interaktiver Bildungsinhalte.
Softwareentwicklung	Codegenerierung	Automatisieren Sie das Schreiben von Codeausschnitten und ganzen Skripten, um die Entwicklung zu optimieren.
Spiele	Prozedurale Inhaltsgenerierung	Automatisches Erstellen von Spielumgebungen, Charakteren und Handlungssträngen.
Finanzen	Finanzprognosen und Risikoanalysen	Erstellen von Vorhersagemodellen für Börsentrends und Risikomanagement.

Abschluss

Generative KI revolutioniert die Softwareentwicklung und bietet ein neues Maß an Effizienz und Kreativität. Es ist ein leistungsstarkes Instrument für Codegenerierung, Testautomatisierung, Schnittstellendesign und sogar Lernen und Entwicklung. Mit Instruments wie GraphRAG wird GenAI für Entwickler zugänglicher und verspricht eine Zukunft, in der KI nicht nur ein Instrument, sondern ein kreativer Companion ist. Die Zukunft der Softwareentwicklung ist da und sie wird durch Generative KI angetrieben.

Ich bin ein Datenliebhaber und liebe es, die versteckten Muster in den Daten zu extrahieren und zu verstehen. Ich möchte im Bereich des maschinellen Lernens und der Datenwissenschaft lernen und wachsen.

[ad_2]

Was ist Spracherkennung: Funktionsweise, Vorteile, Beispiel

admin — Fri, 19 Jul 2024 01:57:28 +0000

[ad_1]

Die Spracherkennungstechnologie hat seit ihrer Einführung in den 1950er Jahren, als frühe Systeme nur eine begrenzte Anzahl gesprochener Ziffern erkennen konnten, große Fortschritte gemacht. In den 1960er Jahren kam es zu bedeutenden Fortschritten mit IBMs „Shoebox“, die 16 Wörter verstehen konnte, und in den 1970er Jahren, als durch DARPA-finanzierte Forschung die Vokabelerkennung auf 1.000 Wörter erweitert wurde. In den 1980er Jahren wurden Hidden-Markov-Modelle (HMMs) eingeführt, die die Genauigkeit erheblich verbesserten.

Die 1990er Jahre markierten einen Wendepunkt mit der Einführung von Dragon NaturallySpeaking, das praktischeres Diktieren in Pc ermöglichte. In den 2000er und 2010er Jahren wurde die Spracherkennung mit der Einführung von Smartphones und intelligenten Assistenten wie Apples Siri, Google Assistant und Amazon Alexa zum Mainstream. Diese durch Deep Studying und KI vorangetriebenen Fortschritte haben die Spracherkennung zu einem integralen Bestandteil der Alltagstechnologie gemacht und die Benutzerinteraktion und Zugänglichkeit verbessert.

Marktgröße:

In weniger als zwanzig Jahren hat die Spracherkennungstechnologie ein phänomenales Wachstum erlebt. Aber was bringt die Zukunft? Im Jahr 2020 betrug der weltweite Markt für Spracherkennungstechnologie etwa 10,7 Milliarden US-Greenback. Es wird erwartet, dass er bis 2026 auf 27,16 Milliarden US-Greenback anwachsen wird und von 2021 bis 2026 eine durchschnittliche jährliche Wachstumsrate von 16,8 % aufweist.

Was ist Spracherkennung?

Bei der Stimmerkennung, auch Sprechererkennung genannt, handelt es sich um ein Softwareprogramm, das darauf trainiert ist, die Stimme einer Individual anhand ihres unverwechselbaren Stimmabdrucks zu identifizieren, zu dekodieren, zu unterscheiden und zu authentifizieren.

Das Programm wertet die Stimmbiometrie einer Individual aus, indem es deren Sprache scannt und sie mit den erforderlichen Sprachbefehl. Es funktioniert durch die sorgfältige Analyse von Frequenz, Tonhöhe, Akzent, Intonation und Betonung des Sprechers.

Während die Begriffe ‚Spracherkennung Und ‚Spracherkennung werden synonym verwendet, sie sind nicht dasselbe. Die Spracherkennung identifiziert den Sprecher, während die Spracherkennungsalgorithmus befasst sich mit der Identifizierung des gesprochenen Wortes.

Die Spracherkennung hat in den letzten Jahren enorm zugenommen. Intelligente Assistenten wie Amazon Echo, Google Assistant, Apple Siri und Microsoft Cortana Führen Sie freihändige Aufgaben aus, z. B. das Bedienen von Geräten, das Schreiben von Notizen ohne Verwendung einer Tastatur, das Ausführen von Befehlen und mehr.

Wie funktioniert die Spracherkennung?

Audioeingang: Der Vorgang beginnt mit der Aufnahme des Audioeingangs mithilfe eines Mikrofons.

Vorverarbeitung: Das Audiosignal wird durch Entfernen von Rauschen und Normalisieren der Lautstärke bereinigt.

Merkmalsextraktion: Das System analysiert das Audio, um wichtige Merkmale wie Tonhöhe, Ton und Frequenz zu extrahieren.

Mustererkennung: Die extrahierten Merkmale werden mit bekannten Sprachmustern verglichen, die in einer Datenbank gespeichert sind.

Sprachverarbeitung: Die erkannten Muster werden in Textual content umgewandelt und Algorithmen der natürlichen Sprachverarbeitung (NLP) interpretieren die Bedeutung.

Spracherkennung – Die Vor- und Nachteile

Vorteile	Nachteile
Die Spracherkennung ermöglicht Multitasking und bequemen Freisprechkomfort.	Auch wenn sich die Technologie zur Spracherkennung sprunghaft verbessert, ist sie dennoch nicht völlig fehlerfrei.
Sprechen und Sprachbefehle geben ist viel schneller als Tippen.	Hintergrundgeräusche kann die Funktion und Zuverlässigkeit des Techniques beeinträchtigen.
Die Anwendungsfälle der Spracherkennung erweitern sich durch maschinelles Lernen und Deep Neural Netzwerke.	Der Datenschutz der aufgezeichneten Daten ist ein Anliegen.

[ad_2]

Automatische Spracherkennung (ASR) – Definition, Anwendungsfälle, Beispiel

admin — Tue, 04 Jun 2024 17:08:19 +0000

[ad_1]

Im Jahr 2010 entwickelt sich ASR enorm weiter und wird immer häufiger und präziser. Heute sind Amazon, Google und Apple die führenden Anbieter von ASR-Technologie.

(Lesen Sie auch: Der vollständige Leitfaden zur Konversations-KI )

Wie funktioniert die Spracherkennung?

Automatische Spracherkennung ist eine ziemlich fortschrittliche Technologie, deren Design und Entwicklung extrem schwierig ist. Es gibt weltweit Tausende von Sprachen mit unterschiedlichen Dialekten und Akzenten, daher ist es schwierig, Software program zu entwickeln, die alle Sprachen versteht.

ASR verwendet für seine Entwicklung Konzepte der natürlichen Sprachverarbeitung und des maschinellen Lernens. Durch die Einbindung zahlreicher Sprachlernmechanismen in die Software program stellen Entwickler die Präzision und Effizienz der Spracherkennungssoftware sicher.

Automatische Spracherkennung (ASR) ist eine komplexe Technologie, die auf mehreren Schlüsselprozessen basiert, um gesprochene Sprache in Textual content umzuwandeln. Auf hoher Ebene sind die wichtigsten Schritte:

Audioaufnahme: Ein Mikrofon erfasst die Sprache des Benutzers und wandelt die Schallwellen in ein elektrisches Sign um.
Audio-Vorverarbeitung: Das elektrische Sign wird dann digitalisiert und durchläuft verschiedene Vorverarbeitungsschritte, wie beispielsweise eine Rauschunterdrückung, um die Qualität des Audioeingangs zu verbessern.
Merkmalsextraktion: Das digitale Audio wird analysiert, um akustische Merkmale wie Tonhöhe, Energie und Spektralkoeffizienten zu extrahieren, die für verschiedene Sprachlaute charakteristisch sind.
Akustische Modellierung: Die extrahierten Merkmale werden mit vorab trainierten Akustikmodellen verglichen, die die Audiomerkmale einzelnen Sprachlauten oder Phonemen zuordnen.
Sprachmodellierung: Die erkannten Phoneme werden dann mithilfe statistischer Sprachmodelle, die kontextabhängig die wahrscheinlichsten Wortfolgen vorhersagen, zu Wörtern und Phrasen zusammengesetzt.
Dekodierung: Im letzten Schritt wird die wahrscheinlichste Wortfolge dekodiert, die mit dem Eingangsaudio übereinstimmt. Dabei werden sowohl die akustischen als auch die Sprachmodelle berücksichtigt.

Diese Kernkomponenten arbeiten nahtlos zusammen, um eine äußerst genaue Sprach-zu-Textual content-Konvertierung zu ermöglichen, selbst bei Hintergrundgeräuschen, Akzenten und unterschiedlichem Vokabular.

(Lesen Sie auch: Was ist Speech-to-Textual content-Technologie und wie funktioniert sie?)

[ad_2]