Eine Arbeiterin in einer Autofabrik kann sich an den Lagerplatz erinnern, in dem sie am Abend zuvor ein teilweise zusammengebautes Bauteil zurückgelassen hat, und schnell dorthin zurückkehren, um es abzuholen. Aber Roboter, die möglicherweise Seite an Seite mit ihr arbeiten, würden Schwierigkeiten haben, dieselbe Artwork von „räumlich-zeitlichem“ Gedächtnis zu entwickeln und darauf zuzugreifen.

Jetzt haben MIT-Forscher ein Langzeitgedächtnis-Framework entwickelt, das es Robotern ermöglicht, schnell ein detailliertes mentales Modell komplizierter, großräumiger Umgebungen zu bilden und abzurufen.

In Zukunft könnte dieser Fortschritt es dem Fabrikarbeiter ermöglichen, einen Roboterassistenten zum Abholen des Artikels zu schicken, indem er ihn einfach auffordert, „die Komponente zu holen, mit deren Montage wir gestern Abend begonnen haben“.

Diese neue Methode kombiniert fortschrittliche Kartendarstellungen mit ausführlichen Beschreibungen der Umgebung, die der Roboter auf seiner Reise über einen langen Zeitraum sammelt. Auf diesen Speicher kann der Roboter schnell zugreifen, um komplexe Fragen zu seiner Umgebung im Klartext zu beantworten.

Dieses Speicher-Framework, das Fragen genauer beantwortet als modernste Methoden, läuft schnell genug, damit ein mobiler Roboter es in Echtzeit nutzen kann.

Zusätzlich zu ihren potenziellen Einsatzmöglichkeiten in der Robotik könnte diese Methode in Augmented-Actuality-Systemen Anwendung finden, die Wartungsarbeitern bei der Erkennung von Anomalien oder Pendlern bei der Wegfindung helfen.

„Wenn wir wollen, dass Roboter Seite an Seite mit Menschen arbeiten und besser mit Menschen interagieren, müssen sie dieselbe Sprache sprechen. Der Roboter muss in der Lage sein, über Zeit und Raum auf die gleiche Weise zu denken wie Menschen. Genau das macht unsere Methode im Wesentlichen. Sie wandelt eine traditionelle Karte in eine sprachbasierte Karte um, die für den Roboter einfacher zu denken und mithilfe von Sprache leichter zugänglich ist“, sagt Luca Carlone, außerordentlicher Professor an der Abteilung für Luft- und Raumfahrttechnik (AeroAstro) des MIT und leitender Forscher im Labor für Data und Entscheidungssysteme (LIDS) und Direktor des MIT SPARK Laboratory.

Er ist dabei Papier vom Hauptautor Nicolas Gorlo, einem MIT-Absolventen; und Lukas Schmid, ehemaliger Forscher am MIT und jetzt Professor an der Technischen Universität Nürnberg in Deutschland. Die Forschung wurde kürzlich auf der Convention on Pc Imaginative and prescient and Sample Recognition (CVPR) vorgestellt.

Raumzeitliches Gedächtnis

Das Gedächtnis ermöglicht es einem künstlichen Intelligenzsystem, wie einem Chatbot, komplexe Fragen zu beantworten und über frühere Interaktionen mit seinem Benutzer nachzudenken.

„Wir wollen eine neue Artwork von Gedächtnis entwerfen, ein raumzeitliches Gedächtnis, das es einem KI-gesteuerten Roboter ermöglicht, sich an reale Interaktionen und Sensorbeobachtungen zu erinnern. Wie ChatGPT, aber in der realen Welt verankert und in der Lage, jede Frage über die Umgebung zu beantworten, wie zum Beispiel ‚Wo habe ich meine Brieftasche gelassen?‘“, sagt Carlone.

Um ein solches Speicher-Framework zu entwickeln, haben die MIT-Forscher zwei Arbeitsbereiche miteinander verbunden: Pc Imaginative and prescient und Robotic Mapping.

Multimodale Pc-Imaginative and prescient-Modelle können die Objekte in einer Szene verstehen und umfassend beschreiben, verarbeiten jedoch häufig jeweils nur eine einzige Anmerkung. Auf der anderen Seite erstellen Roboter-Mapping-Frameworks 3D-Karten einer Umgebung, etwa einer ganzen Wohnung oder eines Universitätscampus, aber in der Regel fehlen detaillierte Beschreibungen von Objekten oder sie sind rechenintensiv.

Die von den MIT-Forschern entwickelte Methode namens Describe Something, Wherever, Anytime, at Any Second (DAAAM) nutzt das Beste aus beiden Ansätzen.

Wenn ein Roboter mithilfe von DAAAM seine Umgebung durchquert, fügt er den Objekten, die er sieht, ausführliche Beschreibungen hinzu. Beispielsweise kann der Roboter feststellen, dass ein bestimmtes Gebäude auf dem MIT-Campus Stata Heart heißt und mit einer bestimmten Architektur entworfen wurde, oder dass ein Fahrradständer fünf Fahrräder fasst und das rote einen platten Reifen hat.

Diese detaillierten Informationen werden in einer 3D-kartenbasierten Darstellung gespeichert, die räumlich angeordnet ist, sodass Objekte in separate Regionen gruppiert werden. Auf diese Weise kann sich der Roboter merken, dass das rote Fahrrad mit dem platten Reifen im Fahrradständer vor dem Stata Heart steht.

Aber bestehende Techniken, die derart umfangreiche Beschreibungen erfassen, benötigen in der Regel einige Sekunden, um einige Objekte mit Anmerkungen zu versehen. Dies ist für eine Echtzeitleistung zu langsam, da ein Roboter während der Erkundung in wenigen Minuten Hunderte von Objekten sehen könnte.

„Je schneller der Roboter dieses räumliche Gedächtnis aufbauen kann, desto effizienter wird er Aktionen in der Umgebung ausführen“, fügt Carlone hinzu.

Optimierung des Prozesses

Um die Arbeit zu beschleunigen, aggregiert DAAAM auf seiner Reise in der Nähe befindliche Objekte und verwendet eine Optimierungsmethode, um Schlüsselbilder zum Kommentieren auszuwählen. Hierbei handelt es sich um Bilder mit der klarsten Sicht auf mehrere Objekte, die es dem System ermöglichen, mehrere Elemente parallel gründlich zu beschreiben und so die Berechnung um das Zehnfache zu beschleunigen.

Während der Roboter den Raum erkundet, fügt er jeden Stapel von Anmerkungen mehreren Objekten an einem bestimmten Ort auf der 3D-Karte hinzu.

„Wir kommentieren jedes Objekt nur einmal, sodass unser Framework in sehr großen Umgebungen in Echtzeit ausgeführt werden kann. Und durch die Gruppierung von Objekten in Regionen kann es eine breite Palette von Anfragen zu Objekten und Standorten in der Umgebung beantworten“, erklärt Gorlo.

Sobald das System dieses räumliche Gedächtnis aufgebaut hat, muss es auf effiziente Weise Informationen aus einer riesigen Datenbank mit Objekten und Beschreibungen abrufen.

Um dies zu ermöglichen, nutzten die Forscher ein LLM, das auf verschiedene Instruments zurückgreift, die schnell spezifische Informationen abrufen und so Halluzinationen reduzieren können. Dadurch kann DAAAM eine Benutzeranfrage in nur wenigen Sekunden präzise beantworten.

Wenn man beispielsweise einen Roboter nach einer bestimmten Skulptur fragt, die er in der Nähe eines MIT-Campusgebäudes gesehen hat, kann DAAAM ein semantisches Suchtool verwenden, um Informationen basierend auf dem Wort „Skulptur“ abzurufen, oder ein anderes Device, um Informationen basierend auf dem Standort des Gebäudes abzurufen.

Beim Take a look at und Vergleich mit anderen Methoden struggle DAAAM je nach Fragetyp zwischen 21 und 53 Prozent genauer.

Zukünftig wollen die Forscher DAAAM erweitern, damit das System bedeutende Ereignisse in der Umgebung erfassen kann. Sie arbeiten auch daran, Vertrauensniveaus in die Antworten des Techniques einzubeziehen.

„Letztendlich wollen wir Roboter haben, die bei jeder Artwork von Aufgabe helfen können. Mit diesem Rahmen versuchen wir, die Grundlagen zu schaffen, um einen generalistischen Agenten zu ermöglichen, der alles tun kann, was Sie verlangen“, sagt Gorlo.

Diese Forschung wurde teilweise vom US Military Analysis Laboratory und dem Workplace of Naval Analysis finanziert. Carlone befindet sich derzeit im Sabbatical als Amazon Scholar; Dieser Artikel beschreibt die am MIT durchgeführte Arbeit und steht in keiner Verbindung zu Amazon.

Unternehmensführer sprechen oft über Unsicherheit, als käme sie ohne Vorwarnung. Marktveränderungen, Cashflow-Belastungen und Nachfrageschwankungen können sich plötzlich anfühlen, doch die meisten finanziellen Turbulenzen hinterlassen Signale, lange bevor sie eintreten. Datenanalyse bietet eine Möglichkeit, diese Signale zu interpretieren und in eine finanzielle Wetterkarte zu übersetzen, die Unternehmen dabei hilft, sich vorzubereiten statt zu reagieren.

Was eine finanzielle Wetterkarte wirklich bedeutet

Eine Finanzwetterkarte ist eine lebendige Ansicht von Risiko-, Chancen- und Leistungstrends. Anstatt sich auf statische Berichte zu konzentrieren, werden Muster im Zeitverlauf verfolgt. Umsatzbewegungen, Ausgabenvolatilität, Kundenverhalten und Marktindikatoren wirken wie Drucksysteme, die darauf hinweisen, wo sich Stürme oder klarer Himmel bilden könnten.

Datenanalysen verwandeln rohe Finanzinformationen in zukunftsweisende Erkenntnisse. Durch die Kombination historischer Daten mit Echtzeiteingaben erhalten Unternehmen ein klareres Bild davon, was als nächstes passieren könnte, und nicht nur davon, was bereits geschehen ist.

Frühwarnsignale erkennen

Eine der wertvollsten Aufgaben der Analytik ist die Früherkennung. Kleine Änderungen bei der Fälligkeit von Forderungen, der Lieferantenpreisgestaltung oder der Kundenabwanderung treten oft auf, lange bevor sie sich auf die Rentabilität auswirken. Erweiterte Dashboards heben diese Veränderungen durch Trendanalyse und Anomalieerkennung hervor.

Beispielsweise kann ein allmählicher Anstieg der Zahlungsverzögerungen in einem Kundensegment auf eine bevorstehende Belastung des Cashflows hindeuten. Wenn Führungskräfte dieses Muster frühzeitig erkennen, können sie ihre Kreditrichtlinien oder Outreach-Strategien anpassen, bevor sich die Auswirkungen ausbreiten.

Externe und interne Daten verbinden

Finanzielle Gesundheit wird von Kräften innerhalb und außerhalb der Organisation geprägt. Interne Kennzahlen wie Margen, Lagerumschlag und Lohnkosten interagieren mit externen Faktoren wie Zinssätzen, Verbrauchervertrauen und Veränderungen auf dem Angebotsmarkt.

Analyseplattformen führen diese Streams zusammen. Wenn interne Verkaufsdaten mit externen Wirtschaftsindikatoren übereinstimmen, erhalten Entscheidungsträger einen Kontext, der ihre Prognosen schärft. Diese kombinierte Sichtweise hilft Führungskräften, den Gegenwind des Marktes zu antizipieren oder günstige Bedingungen früher als die Konkurrenz zu erkennen.

Szenarioplanung mit Datenmodellen

Wetterkarten können mehr als nur die aktuellen Bedingungen anzeigen. Sie prognostizieren wahrscheinliche Ergebnisse basierend auf verschiedenen Szenarien. Die Finanzanalyse unterstützt diesen Ansatz durch Modellierung und Simulation.

Unternehmen können unter verschiedenen Annahmen testen, wie sich Änderungen bei Preisen, Private oder Kapitalinvestitionen auf die Ergebnisse auswirken. Mithilfe dieser Modelle können Groups Reaktionen auf optimistische und konservative Prognosen planen. Anstatt über Bauchgefühle zu debattieren, vergleichen Führungskräfte datengestützte Szenarien, die Kompromisse und Risiken aufzeigen.

Echtzeit-Einblicke für schnellere Entscheidungen

Die finanziellen Bedingungen können sich schnell ändern. Statische monatliche Berichte kommen möglicherweise zu spät, um die Ergebnisse zu beeinflussen. Echtzeitanalysen ermöglichen es Unternehmen, die Leistung kontinuierlich zu überwachen und schnell zu reagieren.

Dieser Ansatz ist besonders wertvoll in schnelllebigen Umgebungen wie Handelsbetrieben oder Geschäften mit großen Transaktionsvolumina. Ähnliche Erkenntnisse wie in a Daytrader-Plattform Zeigen Sie, wie nahezu Echtzeittransparenz zu einem besseren Timing und einer besseren Ausführung umfassenderer Finanzoperationen führen kann.

Durch Klarheit Vertrauen aufbauen

Unsicherheit führt oft zu Zögern und reaktiven Entscheidungen. Eine auf Analysen basierende Finanzwetterkarte ersetzt Vermutungen durch Transparenz. Groups gewinnen an Selbstvertrauen, weil sie verstehen, warum sich Tendencies bilden und wie sich unterschiedliche Entscheidungen auswirken können.

Klare Einblicke verbessern auch die abteilungsübergreifende Kommunikation. Finanzen, Betrieb und Führung können sich auf gemeinsame Daten ausrichten, statt auf widersprüchliche Interpretationen. Diese Ausrichtung unterstützt eine konsistentere Planung und Ausführung.

Datenanalysen beseitigen finanzielle Risiken nicht, aber sie verändern die Artwork und Weise, wie Unternehmen damit umgehen. Durch die Erstellung einer Finanzwetterkarte, die reale Muster und prädiktive Erkenntnisse widerspiegelt, können Unternehmen von der Reaktion auf Stürme zur Planung für diese übergehen. Das Ergebnis ist eine stabilere Entscheidungsfindung, eine verbesserte Widerstandsfähigkeit und ein klarerer Weg durch sowohl ruhige als auch unsichere finanzielle Bedingungen. Weitere Informationen finden Sie in der Infografik unten.

2wai ist eine AI-basierte soziale App Später wurde eine Verbindung hergestellt und ein digitaler Avatar erstellt, der von einem männlichen Benutzer erstellt wurde.

Anschließend wird die App „HoloAvatars“ verwendet, um in weniger als 3 Minuten Videoclips oder Selfies zu spielen. Nachdem Sie einen Avatar generiert haben, der holografisch dargestellt ist und eine realistische Interaktion mit anderen Nutzern ermöglicht, werden sie als „ChatGPT-Männer für Männer“ bezeichnet. Sie können die Verbindung mit Ihrem eigenen Avatar oder anderen Fahrzeugen über Webbrowser und Mobilgeräte herstellen.

Als ich die Erfahrung machte, dass ich kaum etwas gelernt hatte und mir eine Menge Spaß gemacht und meine Web site besucht hatte, warfare ich am liebsten skeptisch.

Kontroversielle Funktion

Ich möchte den gleichen Prozess durchführen, um einen Avatar zu erstellen, der mit dem Fortfarande-Hebel ausgestattet ist, sodass die Familie auch nach der Geburt mit einer digitalen Model fortfahren kann.

Es gibt viele kritische Kritiken, die das Risiko eingehen, sich mit der Arbeit, der Familie und der Identität zu befassen – es ist jedoch nicht leicht, sie mit einer Individual oder einer Familie zu betrauen. Vor Kurzem wurde festgestellt, dass das Risiko besteht, die Identitätskontrolle zu gefährden, den Namen zu kontrollieren, Bilder zu erstellen und die Richtlinien zu prüfen, um die Identität zu überprüfen.

Die Technik-Idee – ich versuche, digitales Fernsehen zu nutzen – ist sehr leistungsfähig, aber die Leute müssen sich vorstellen, dass sie nichts Besonderes sind, zurückbleiben und tatsächlich etwas mit den Avataren zu tun haben, aber jetzt und in der Zukunft.

Grund und Hintergrund

2. Der Disney-Channel-Star Calum Worthy wurde von der TV-Serie „Austin & Ally“ begleitet. Stellen Sie sicher, dass Sie sich für den KI-Avatar von der kommerziellen Individual entschieden haben.

Weitere Informationen:

2wai – offizielle Webseiten und Produkte

Apple App Retailer – 2wai: Vernetzen Sie sich mit KI-Avataren

Bild vom Autor

# Einführung

Die meisten Entwickler benötigen keine Hilfe beim schnelleren Tippen. Was Projekte verlangsamt, sind die endlosen Schleifen von Einrichtung, Überprüfung und Nacharbeit. Hier beginnt KI einen echten Unterschied zu machen.

Im vergangenen Jahr haben sich Instruments wie GitHub Copilot, Claude und Jules von Google von Assistenten für die automatische Vervollständigung zu Codierungsagenten entwickelt, die Code asynchron planen, erstellen, testen und sogar überprüfen können. Anstatt darauf zu warten, dass Sie jeden Schritt ausführen, können sie jetzt auf Anweisungen reagieren, ihre Argumentation erläutern und funktionierenden Code zurück in Ihr Repo übertragen.

Der Wandel ist subtil, aber wichtig: KI hilft Ihnen nicht mehr nur beim Schreiben von Code; Es geht darum zu lernen, mit Ihnen zusammenzuarbeiten. Mit dem richtigen Ansatz können diese Systeme Stunden in Ihrem Arbeitsalltag einsparen, indem sie die sich wiederholenden, mechanischen Aspekte der Entwicklung bewältigen, sodass Sie sich auf Architektur, Logik und Entscheidungen konzentrieren können, die wirklich menschliches Urteilsvermögen erfordern.

In diesem Artikel werden wir es untersuchen fünf KI-gestützte Codierungstechniken Dies spart erhebliche Zeit, ohne die Qualität zu beeinträchtigen, und reicht von der direkten Einspeisung von Designdokumenten in Modelle bis hin zur Paarung zweier KIs als Programmierer und Prüfer. Jedes davon ist einfach genug, um es heute zu übernehmen, und zusammen bilden sie einen intelligenteren, schnelleren Entwicklungsworkflow.

# Technik 1: Lassen Sie die KI Ihre Designdokumente lesen, bevor Sie programmieren

Eine der einfachsten Möglichkeiten, mit der Codierung von Modellen bessere Ergebnisse zu erzielen, besteht darin, ihnen keine isolierten Eingabeaufforderungen mehr zu geben, sondern ihnen einen Kontext zu geben. Wenn Sie Ihr Designdokument, Ihren Architekturüberblick oder Ihre Funktionsspezifikation teilen, bevor Sie nach Code fragen, geben Sie dem Modell ein vollständiges Bild dessen, was Sie erstellen möchten.

Stattdessen zum Beispiel:

# weak immediate
"Write a FastAPI endpoint for creating new customers."

Versuchen Sie so etwas:

# context-rich immediate
"""
You are serving to implement the 'Person Administration' module described under.
The system makes use of JWT for auth, and a PostgreSQL database through SQLAlchemy.
Create a FastAPI endpoint for creating new customers, validating enter, and returning a token.
"""

Wenn ein Mannequin „liestWenn Sie zuerst den Kontext entwerfen, passen sich die Antworten besser an Ihre Architektur, Namenskonventionen und Ihren Datenfluss an.

Sie verbringen weniger Zeit mit dem Umschreiben oder Debuggen von nicht übereinstimmendem Code und haben mehr Zeit mit der Integration.
Werkzeuge wie Google Jules Und Anthropischer Claude Gehen Sie natürlich damit um. sie können es aufnehmen Abschlag, Systemdokumenteoder AGENTEN.md Dateien und nutzen Sie dieses Wissen aufgabenübergreifend.

# Technik 2: Eins zum Codieren, eins zum Überprüfen

Jedes erfahrene Workforce hat zwei Kernrollen: die Baumeister und die Rezensent. Sie können dieses Muster jetzt mit zwei kooperierenden KI-Modellen reproduzieren.

Ein Modell (z. B. Claude 3,5 Sonett) kann als fungieren Codegeneratorum die erste Implementierung basierend auf Ihrer Spezifikation zu erstellen. Ein zweites Modell (z. B. Gemini 2.5 Professional oder GPT-4o) überprüft dann den Unterschied, fügt Inline-Kommentare hinzu und schlägt Korrekturen oder Checks vor.

Beispielworkflow im Python-Pseudocode:

code = coder_model.generate("Implement a caching layer with Redis.")
evaluate = reviewer_model.generate(
  	 f"Assessment the next code for efficiency, readability, and edge instances:n{code}"
)
print(evaluate)

Dieses Muster ist in weit verbreitet Multiagenten-Frameworks wie zum Beispiel AutoGen oder CrewAIund es ist direkt in Jules integriert, was es einem Agenten ermöglicht, Code zu schreiben und einem anderen, ihn zu überprüfen, bevor er eine Pull-Anfrage erstellt.

Warum spart es Zeit?

• Das Modell findet seine eigenen logischen Fehler
• Das Suggestions zu Bewertungen erfolgt sofort, sodass Sie mit größerer Sicherheit zusammenkommen
• Es reduziert den Aufwand für die menschliche Überprüfung, insbesondere bei Routine- oder Standardaktualisierungen

# Technik 3: Automatisieren von Checks und Validierung mit KI-Agenten

Checks zu schreiben ist nicht schwer; es ist einfach langweilig. Deshalb ist es einer der besten Bereiche, die man an die KI delegieren kann. Moderne Codierungsagenten können jetzt Ihre vorhandene Testsuite lesen, auf fehlende Abdeckung schließen und automatisch neue Checks generieren.

In Google Jules beispielsweise führt es nach Abschluss der Implementierung einer Funktion Ihr Setup-Skript in einer sicheren Cloud-VM aus und erkennt Take a look at-Frameworks wie pytest oder Scherzund fügt dann fehlgeschlagene Checks hinzu oder repariert sie, bevor eine Pull-Anfrage erstellt wird.
So könnte dieser Workflow konzeptionell aussehen:

# Step 1: Run exams in Jules or your native AI agent
jules run "Add exams for parseQueryString in utils.js"

# Step 2: Assessment the plan
# Jules will present the information to be up to date, the take a look at construction, and reasoning

# Step 3: Approve and look ahead to take a look at validation
# The agent runs pytest, validates adjustments, and commits working code

Andere Instruments können auch Ihre Repository-Struktur analysieren, Randfälle identifizieren und hochwertige Unit- oder Integrationstests in einem Durchgang generieren.

Die größte Zeitersparnis entsteht nicht durch das Schreiben brandneuer Checks, sondern dadurch, dass das Modell fehlerhafte Checks bei Versionswechseln oder Refaktorierungen reparieren lässt. Es handelt sich um die Artwork langsamer, sich wiederholender Debugging-Aufgaben, die KI-Agenten durchweg intestine bewältigen.

In der Praxis:

• Ihre CI-Pipeline bleibt mit minimaler menschlicher Aufmerksamkeit umweltfreundlich
• Checks bleiben auf dem neuesten Stand, während sich Ihr Code weiterentwickelt
• Sie erkennen Regressionen frühzeitig, ohne Checks manuell neu schreiben zu müssen

# Technik 4: Verwendung von KI zur Umgestaltung und Modernisierung von Legacy-Code

Alte Codebasen verlangsamen alle, nicht weil sie schlecht sind, sondern weil sich niemand mehr daran erinnert, warum die Dinge so geschrieben wurden. KI-gestütztes Refactoring kann diese Lücke schließen, indem es Code sicher und schrittweise liest, versteht und modernisiert.

Instruments wie Google Jules und GitHub Copilot zeichnen sich hier wirklich aus. Sie können sie bitten, Abhängigkeiten zu aktualisieren, Module in einem neueren Framework neu zu schreiben oder Klassen in Funktionen zu konvertieren, ohne die ursprüngliche Logik zu zerstören.

Jules kann beispielsweise eine Anfrage wie diese annehmen:

"Improve this challenge from React 17 to React 19, undertake the brand new app listing construction, and guarantee exams nonetheless cross."

Hinter den Kulissen sehen Sie Folgendes:

• Klont Ihr Repo in ein sichere Cloud-VM
• Führt Ihr Setup-Skript aus (um Abhängigkeiten zu installieren)
• Erzeugt eine Plan und Diff alle Änderungen anzeigen
• Führt Ihre Testsuite aus, um zu bestätigen, dass das Improve funktioniert hat
• Drückt ein Pull-Anfrage mit verifizierten Änderungen

# Technik 5: Paralleles Generieren und Erklären von Code (Async-Workflows)

Wenn Sie sich mitten in einem Coding-Dash befinden, kann das Warten auf Modellantworten Ihren Fluss unterbrechen. Moderne Agententools unterstützen jetzt asynchrone Arbeitsabläufe, sodass Sie mehrere Codierungs- oder Dokumentationsaufgaben gleichzeitig auslagern und sich gleichzeitig auf Ihre Hauptarbeit konzentrieren können.

Stellen Sie sich Folgendes mit Google Jules vor:

# Create a number of AI coding periods in parallel
jules distant new --repo . --session "Write TypeScript sorts for API responses"
jules distant new --repo . --session "Add enter validation to /signup route"
jules distant new --repo . --session "Doc auth middleware with docstrings"

Sie können dann lokal weiterarbeiten, während Jules diese Aufgaben auf sicheren Cloud-VMs ausführt, die Ergebnisse überprüft und nach Abschluss Bericht erstattet. Jeder Job erhält seinen eigenen Zweig und Plan, den Sie genehmigen können, sodass Sie Ihre „KI-Teamkollegen” wie echte Mitarbeiter.

Dieser asynchrone Multi-Session-Ansatz spart in verteilten Groups enorm Zeit:

• Sie können 3–15 Aufgaben in die Warteschlange stellen (abhängig von Ihrem Jules-Plan)
• Die Ergebnisse kommen schrittweise an, sodass Ihr Arbeitsablauf nicht blockiert wird
• Sie können Unterschiede überprüfen, PRs akzeptieren oder fehlgeschlagene Aufgaben unabhängig erneut ausführen

Gemini 2.5 Professionaldas Modell, auf dem Jules basiert, ist für das mehrstufige Denken mit langem Kontext optimiert, sodass nicht nur Code generiert wird; Es verfolgt frühere Schritte, versteht Abhängigkeiten und synchronisiert den Fortschritt zwischen Aufgaben.

# Alles zusammenfügen

Jede dieser fünf Techniken funktioniert für sich genommen intestine, der eigentliche Vorteil liegt jedoch in der Verkettung in einem kontinuierlichen, Suggestions-gesteuerten Arbeitsablauf. So könnte das in der Praxis aussehen:

1. Designorientierte Eingabeaufforderung: Beginnen Sie mit einer intestine strukturierten Spezifikation oder einem Designdokument. Geben Sie es als Kontext an Ihren Codierungsagenten weiter, damit dieser Ihre Architektur, Muster und Einschränkungen kennt.
2. Codierungsschleife mit zwei Agenten: Führen Sie zwei Modelle gleichzeitig aus, eines fungiert als Programmierer, das andere als Prüfer. Der Programmierer generiert Unterschiede oder Pull-Requests, während der Prüfer die Validierung durchführt, Verbesserungen vorschlägt oder Inkonsistenzen meldet.
3. Automatisierter Take a look at und Validierung: Lassen Sie Ihren KI-Agenten Checks erstellen oder reparieren, sobald neuer Code verfügbar ist. Dadurch wird sichergestellt, dass jede Änderung überprüfbar und für die CI/CD-Integration bereit bleibt.
4. KI-gesteuertes Refactoring und Wartung: Verwenden Sie asynchrone Agenten wie Jules, um sich wiederholende Upgrades (Abhängigkeitserweiterungen, Konfigurationsmigrationen, veraltete API-Umschreibungen) im Hintergrund durchzuführen.
5. Schnelle Entwicklung: Geben Sie Ergebnisse früherer Aufgaben – Erfolge und Fehler gleichermaßen – zurück, um Ihre Eingabeaufforderungen im Laufe der Zeit zu verfeinern. So reifen KI-Workflows zu teilautonomen Systemen heran.

Hier ist ein einfacher Ablauf auf hoher Ebene:

Bild vom Autor

Jeder Agent (oder jedes Modell) verwaltet eine Abstraktionsebene und sorgt dafür, dass Ihre menschliche Aufmerksamkeit darauf gerichtet ist, warum der Code wichtig ist

# Zusammenfassung

Bei der KI-gestützten Entwicklung geht es nicht darum, Code für Sie zu schreiben. Es geht darum, Ihnen die Freiheit zu geben, sich auf Architektur, Kreativität und Problemgestaltung zu konzentrieren, die Teile, die keine KI oder Maschine ersetzen kann.

Wenn Sie diese Instruments mit Bedacht einsetzen, verwandeln diese Instruments stundenlanges Boilerplate und Refactoring in solide Codebasen und geben Ihnen gleichzeitig Raum für gründliches Nachdenken und gezieltes Erstellen. Egal, ob Jules Ihre GitHub-PRs bearbeitet, Copilot kontextbezogene Funktionen vorschlägt oder ein benutzerdefinierter Gemini-Agent Code überprüft, das Muster ist das gleiche.

Shittu Olumid ist ein Software program-Ingenieur und technischer Autor, der sich leidenschaftlich dafür einsetzt, modernste Technologien zu nutzen, um fesselnde Erzählungen zu erschaffen, mit einem scharfen Blick fürs Element und einem Gespür für die Vereinfachung komplexer Konzepte. Sie können Shittu auch auf finden Twitter.

Bild von Autor | Leinwand

Die Pandas Library hat eine der am schnellsten wachsenden Gemeinschaften. Diese Popularität hat die Tür für Alternativen geöffnet, wie wie Polare. In diesem Artikel werden wir eine solche Various untersuchen, Duckdb.

Duckdb ist eine SQL -Datenbank, die Sie direkt in Ihrem Pocket book ausführen können. Es ist kein Setup erforderlich, und es sind keine Server benötigt. Es ist einfach zu installieren und kann parallel mit Pandas arbeiten.

Im Gegensatz zu anderen SQL -Datenbanken müssen Sie den Server nicht konfigurieren. Es funktioniert einfach mit Ihrem Notizbuch nach der Set up. Das bedeutet, dass keine lokalen Setup -Kopfschmerzen, Sie den Code sofort schreiben. Duckdb verarbeitet Filterung, schließt sich anUnd Aggregationen mit sauberer SQL -Syntax im Vergleich zu Pandas und führt bei großen Datensätzen signifikant besser ab.

Additionally genug mit den Bedingungen, fangen wir an!

Datenprojekt – Uber -Geschäftsmodellierung

Wir werden es mit Jupyter Pocket book verwenden und es mit Python für die Datenanalyse kombinieren. Um die Dinge aufregender zu machen, werden wir an einem realen Datenprojekt arbeiten. Fangen wir an!

Hier ist der Hyperlink Für das Datenprojekt werden wir in diesem Artikel verwenden. Es handelt sich um ein Datenprojekt von Uber namens Geschäftsmodellierung des Companions.

Uber verwendete dieses Datenprojekt im Rekrutierungsprozess für die Knowledge Science -Positionen, und Sie werden gebeten, die Daten für zwei verschiedene Szenarien zu analysieren.

• Szenario 1: Vergleichen Sie die Kosten für zwei Bonusprogramme, die für einen anstrengenden Tag mehr Treiber on-line machen sollen.
• Szenario 2: Berechnen und vergleichen Sie das jährliche Nettoeinkommen eines traditionellen Taxifahrers gegenüber einem, der mit Uber zusammenarbeitet und ein Auto kauft.

Dataset laden

Laden wir zuerst den DataFrame. Dieser Schritt wird benötigt; Daher registrieren wir diesen Datensatz in den folgenden Abschnitten mit Duckdb.

import pandas as pd
df = pd.read_csv("dataset_2.csv")

Erkundung des Datensatzes

Hier sind die ersten Zeilen:

Lassen Sie uns alle Spalten sehen.

Hier ist die Ausgabe.

Schließen Sie Duckdb an und registrieren Sie den DataFrame

Intestine, es ist ein wirklich einfacher Datensatz, aber wie können wir Duckdb mit diesem Datensatz verbinden?
Erstens, wenn Sie es noch nicht installiert haben, installieren Sie Duckdb.

Die Verbindung mit Duckdb ist einfach. Wenn Sie die Dokumentation lesen möchten, lesen Sie sie auch an Hier.

Hier ist der Code, der eine Verbindung herstellt und den Datenrahmen registriert.

import duckdb
con = duckdb.join()

con.register("my_data", df)

Intestine, lassen Sie uns sieben Abfragen erkunden, die Ihnen Stunden der Pandas -Arbeit ersparen!

1. Multi-Kriterien-Filterung für komplexe Zulassungsregeln

Einer der bedeutendsten Vorteile von SQL ist, wie es auf natürliche Weise die Filterung mit der Filterung von Multi-Konditions-Filterungen mit natürlicher Weise behandelt.

Implementierung der Multi-Kriterien-Filterung in Duckdb gegen Pandas

Mit Duckdb können Sie mehrere Filter mit SQLs anwenden, wobei Klauseln und Logik, die sich intestine skalieren, und die Anzahl der Filter wächst.

SELECT 
    *
FROM knowledge
WHERE condition_1
  AND condition_2
  AND condition_3
  AND condition_4

Lassen Sie uns nun sehen, wie wir dieselbe Logik in Pandas schreiben würden. In Pandas wird die kleine Logik mit geketteten booleschen Masken mit Klammern ausgedrückt, die unter vielen Bedingungen ausführlich werden können.

filtered_df = df(
    (df("condition_1")) &
    (df("condition_2")) &
    (df("condition_3")) &
    (df("condition_4"))
)

Beide Methoden sind gleichermaßen lesbar und für die grundlegende Verwendung anwendbar. Duckdb fühlt sich natürlicher und sauberer an, da die Logik komplexer wird.

Multi-Kriterien-Filterung für das Uber-Datenprojekt

In diesem Fall möchten wir Fahrer finden, die sich für ein bestimmtes Uber -Bonusprogramm qualifizieren.

Nach den Regeln müssen die Fahrer:

• Mindestens 8 Stunden on-line sein
• Führen Sie mindestens 10 Reisen ab
• Akzeptieren Sie mindestens 90% der Fahranfragen
• Eine Bewertung von 4,7 oder höher haben

Jetzt müssen wir nur noch eine Abfrage schreiben, die all diese Filterungen durchführt. Hier ist der Code.

SELECT 
    COUN(*) AS qualified_drivers,
    COUNT(*) * 50 AS total_payout
FROM knowledge
WHERE "Provide Hours" >= 8
  AND CAST(REPLACE("Settle for Charge", '%', '') AS DOUBLE) >= 90
  AND "Journeys Accomplished" >= 10
  AND Ranking >= 4.7

Um diesen Code mit Python auszuführen, müssen wir die Methoden von Con.execute („“ „“ „) und Fetchdf () hinzufügen, wie unten gezeigt:

con.execute("""
SELECT 
    COUNT(*) AS qualified_drivers,
    COUNT(*) * 50 AS total_payout
FROM knowledge
WHERE "Provide Hours" >= 8
  AND CAST(REPLACE("Settle for Charge", '%', '') AS DOUBLE) >= 90
  AND "Journeys Accomplished" >= 10
  AND Ranking >= 4.7
""").fetchdf()

Wir werden dies während des gesamten Artikels tun. Nachdem Sie nun wissen, wie man es in einem Jupyter -Notizbuch ausführt, werden wir von nun an nur den SQL -Code zeigen und Sie werden wissen, wie Sie ihn in die pythonische Model konvertieren.
Intestine. Denken Sie nun daran, dass das Datenprojekt möchte, dass wir die Gesamtausschüttung für Choice 1 berechnen.

Wir haben die Summe des Treibers berechnet, aber wir sollten diese mit 50 US -Greenback multiplizieren, da die Auszahlung für jeden Fahrer 50 US -Greenback beträgt, additionally werden wir es mit Depend tun
* 50.

Hier ist die Ausgabe.

Multi-Kriterien-Filterung

2. Schnelle Aggregation, um geschäftliche Anreize abzuschätzen

SQL eignet sich hervorragend zum schnellen Aggregieren, insbesondere wenn Sie Daten über Zeilen zusammenfassen müssen.

Implementierung der Aggregation in Duckdb gegen Pandas

SELECT 
    COUNT(*) AS num_rows,
    SUM(column_name) AS total_value
FROM knowledge
WHERE some_condition

Mit Duckdb können Sie Werte über Zeilen hinweg mithilfe von SQL -Funktionen wie Summe und in einem kompakten Block zählen.

filtered = df(df("some_condition"))
num_rows = filtered.form(0)
total_value = filtered("column_name").sum()

In Pandas müssen Sie zunächst den Datenrahmen filtern und dann separat mithilfe von Kettenmethoden zählen und summen.

Duckdb ist prägnanter und leichter zu lesen und erfordert keine Zwischenvariablen.

Aggregation im Uber -Datenprojekt

• Intestine, gehen wir zum zweiten Bonusprogramm, Choice 2. Nach der Projektbeschreibung erhalten die Fahrer 4 USD professional Reise, wenn:
• Sie absolvieren mindestens 12 Reisen.

Eine Bewertung von 4,7 oder besser haben.

SELECT 
    COUNT(*) AS qualified_drivers,
    SUM("Journeys Accomplished") * 4 AS total_payout
FROM knowledge
WHERE "Journeys Accomplished" >= 12
  AND Ranking >= 4.7

Anstatt nur die Treiber zu zählen, müssen wir diesmal die Anzahl der Reisen hinzufügen, die sie abgeschlossen haben, da der Bonus professional Reise nicht professional Particular person bezahlt wird.

Die Anzahl hier sagt uns, wie viele Fahrer qualifiziert sind. Um die Gesamtauszahlung zu berechnen, berechnen wir ihre Reisen und multiplizieren Sie sie mit 4 US -Greenback, wie dies in Choice 2 erforderlich ist.

Aggregation in Duckdb

Hier ist die Ausgabe.

Aggregation in Duckdb

Mit Duckdb müssen wir nicht durch die Zeilen schauen oder benutzerdefinierte Aggregationen erstellen. Die Summenfunktion kümmert sich um alles, was wir brauchen.

3.. Erkennen Sie Überlappungen und Unterschiede unter Verwendung der Booleschen Logik

In SQL können Sie die Bedingungen problemlos mit einer Booleschen Logik wie und, oder und nicht verwenden.

Implementierung der Booleschen Logik in Duckdb gegen Pandas

SELECT *
FROM knowledge
WHERE condition_a
  AND condition_b
  AND NOT (condition_c)

Duckdb unterstützt die Boolesche Logik nativ in der WHERE -Klausel mit und, oder, und nicht.

filtered = df(
    (df("condition_a")) &
    (df("condition_b")) &
    ~(df("condition_c"))
)

Pandas benötigt eine Kombination von logischen Operatoren mit Masken und Klammern, einschließlich der Verwendung von „~“ zur Negation.

Während beide funktionsfähig sind, ist Duckdb leichter zu argumentieren, wann die Logik Ausschlüsse oder verschachtelte Bedingungen beinhaltet.

Boolesche Logik für das Uber -Datenprojekt

Jetzt haben wir Choice 1 und Choice 2 berechnet. Was kommt als nächstes? Jetzt ist es Zeit, den Vergleich durchzuführen. Erinnere dich an unsere nächste Frage.

Boolesche Logik in Duckdb

SELECT COUNT(*) AS only_option1
FROM knowledge
WHERE "Provide Hours" >= 8
  AND CAST(REPLACE("Settle for Charge", '%', '') AS DOUBLE) >= 90
  AND "Journeys Accomplished" >= 10
  AND Ranking >= 4.7
  AND NOT ("Journeys Accomplished" >= 12 AND Ranking >= 4.7)

Hier können wir die Boolesche Logik verwenden. Wir werden eine Kombination von und und nicht verwenden.

Hier ist die Ausgabe.

Boolesche Logik in Duckdb

• Lassen Sie es uns aufschlüsseln:
• Die ersten vier Bedingungen finden Sie für Choice 1.

Der nicht (..) Teil wird verwendet, um Treiber auszuschließen, die sich auch für Choice 2 qualifizieren.

Es ist ziemlich einfach, oder?

4.. Schnelle Kohortengrößen mit bedingten Filtern

Manchmal möchten Sie verstehen, wie groß eine bestimmte Gruppe oder Kohorte in Ihren Daten ist.

Implementierung von bedingten Filtern in Duckdb vs Pandas?

SELECT 
  ROUND(100.0 * COUNT(*) / (SELECT COUNT(*) FROM knowledge), 2) AS share
FROM knowledge
WHERE condition_1
  AND condition_2
  AND condition_3

Duckdb verarbeitet die Kohortenfilterung und die prozentuale Berechnung mit einer SQL -Abfrage, auch einschließlich Unterabfragen.

filtered = df(
    (df("condition_1")) &
    (df("condition_2")) &
    (df("condition_3"))
)
share = spherical(100.0 * len(filtered) / len(df), 2)

Pandas erfordert Filterung, Zählung und manuelle Abteilung, um Prozentsätze zu berechnen.

Duckdb hier ist sauberer und schneller. Es minimiert die Anzahl der Schritte und vermeidet wiederholten Code.

Kohortengröße für Uber -Datenprojekt

• Jetzt sind wir in der letzten Frage von Szenario 1. In dieser Frage möchte Uber, dass wir die Treiber herausfinden, die einige Aufgaben nicht erfüllen konnten, wie Reisen und Akzeptanzrate, aber höhere Bewertungen, insbesondere die Treiber.
• Weniger als 10 Reisen abgeschlossen
• Hatte eine Akzeptanzrate von weniger als 90

Hatte eine Bewertung über 4,7

SELECT 
  ROUND(100.0 * COUNT(*) / (SELECT COUNT(*) FROM knowledge), 2) AS share
FROM knowledge
WHERE "Journeys Accomplished" < 10
  AND CAST(REPLACE("Settle for Charge", '%', '') AS DOUBLE) = 4.7

Nun, dies sind drei getrennte Filter, und wir möchten den Prozentsatz der Fahrer berechnen, die jeden von ihnen erfüllen. Lassen Sie uns die Abfrage sehen.

Hier ist die Ausgabe.

Kohortengrößen in Duckdb

Hier filterten wir die Reihen, in denen alle drei Bedingungen erfüllt waren, zählten sie und teilten sie durch die Gesamtzahl der Fahrer, um einen Prozentsatz zu erhalten.

5. grundlegende arithmetische Abfragen zur Einnahmenmodellierung

Nehmen wir nun an, Sie möchten eine grundlegende Mathematik machen. Sie können Ausdrücke direkt in Ihre Auswahlanweisung schreiben.

Implementierung von Arithmetik in Duckdb gegen Pandas

SELECT 
    daily_income * work_days * weeks_per_year AS annual_revenue,
    weekly_cost * weeks_per_year AS total_cost,
    (daily_income * work_days * weeks_per_year) - (weekly_cost * weeks_per_year) AS net_income
FROM knowledge

Mit Duckdb kann die Arithmetik wie ein Taschenrechner direkt in die Auswahlklausel geschrieben werden.

daily_income = 200
weeks_per_year = 49
work_days = 6
weekly_cost = 500

annual_revenue = daily_income * work_days * weeks_per_year
total_cost = weekly_cost * weeks_per_year
net_income = annual_revenue - total_cost

Pandas benötigt mehrere Zwischenberechnungen in separaten Variablen für dasselbe Ergebnis.

Duckdb vereinfacht die mathematische Logik in einem lesbaren SQL -Block, während Pandas mit variablen Zuordnungen ein wenig überfüllt ist.

Grundarithmetik im Uber -Datenprojekt

In Szenario 2 bat Uber uns zu berechnen, wie viel Geld (nach Ausgaben) der Fahrer professional Jahr verdient, ohne mit Uber zusammenzuarbeiten. Hier sind einige Ausgaben wie Gasoline, Miete und Versicherung.

Grundarithmetik in Duckdb

SELECT 
    200 * 6 * (52 - 3) AS annual_revenue,
    200 * (52 - 3) AS gas_expense,
    500 * (52 - 3) AS rent_expense,
    400 * 12 AS insurance_expense,
    (200 * 6 * (52 - 3)) 
      - (200 * (52 - 3) + 500 * (52 - 3) + 400 * 12) AS net_income

Berechnen wir nun den Jahresumsatz und subtrahieren die Ausgaben daraus.

Hier ist die Ausgabe.

Grundarithmetik in Duckdb

Mit Duckdb können Sie dies wie einen SQL -Matrixblock schreiben. Sie benötigen keine PANDAS -Datenrahmen oder manuelle Schleifen!

6. Bedingte Berechnungen für die dynamische Kostenplanung

Was ist, wenn sich Ihre Kostenstruktur anhand bestimmter Bedingungen ändert?

Implementierung bedingter Berechnungen in Duckdb gegen Pandas

SELECT 
    original_cost * 1.05 AS increased_cost,
    original_cost * 0.8 AS discounted_cost,
    0 AS removed_cost,
    (original_cost * 1.05 + original_cost * 0.8) AS total_new_cost

Mit Duckdb können Sie eine bedingte Logik unter Verwendung von arithmetischen Anpassungen innerhalb Ihrer Abfrage anwenden.

weeks_worked = 49
fuel = 200
insurance coverage = 400

gas_expense = fuel * 1.05 * weeks_worked
insurance_expense = insurance coverage * 0.8 * 12
rent_expense = 0
complete = gas_expense + insurance_expense

Pandas verwendet dieselbe Logik mit mehreren mathematischen Zeilen und manuellen Aktualisierungen für Variablen.

Duckdb verwandelt eine mehrstufige Logik in Pandas in einen einzelnen SQL-Expression.

Bedingte Berechnungen im Uber -Datenprojekt

• In diesem Szenario modellieren wir jetzt, was passiert, wenn der Fahrer mit Uber zusammenarbeitet und ein Auto kauft. Die Ausgaben ändern sich wie
• Die Gaskosten steigt um 5% um 5%
• Die Versicherung nimmt um 20% ab

con.execute("""
SELECT 
    200 * 1.05 * 49 AS gas_expense,
    400 * 0.8 * 12 AS insurance_expense,
    0 AS rent_expense,
    (200 * 1.05 * 49) + (400 * 0.8 * 12) AS total_expense
""").fetchdf()

Kein Mietkosten mehr

Hier ist die Ausgabe.

Bedingte Berechnungen in Duckdb

7. Zielgetriebene Mathematik für Einnahmenziele

Manchmal kann Ihre Analyse durch ein Geschäftsziel wie das Erträge auf ein Einnahmeziel oder die Abdeckung einer einmaligen Kosten angetrieben werden.

Implementierung von zielgerichteter Mathematik in Duckdb gegen Pandas Duckdb verarbeitet eine mehrstufige Logik mithilfeCtes

WITH vars AS (
  SELECT base_income, cost_1, cost_2, target_item
),
calc AS (
  SELECT 
    base_income - (cost_1 + cost_2) AS current_profit,
    cost_1 * 1.1 + cost_2 * 0.8 + target_item AS new_total_expense
  FROM vars
),
ultimate AS (
  SELECT 
    current_profit + new_total_expense AS required_revenue,
    required_revenue / 49 AS required_weekly_income
  FROM calc
)
SELECT required_weekly_income FROM ultimate

. Es macht die Abfrage modular und leicht zu lesen.

weeks = 49
original_income = 200 * 6 * weeks
original_cost = (200 + 500) * weeks + 400 * 12
net_income = original_income - original_cost

# new bills + automobile price
new_gas = 200 * 1.05 * weeks
new_insurance = 400 * 0.8 * 12
car_cost = 40000

required_revenue = net_income + new_gas + new_insurance + car_cost
required_weekly_income = required_revenue / weeks

Pandas erfordert die Verschachtung von Berechnungen und die Wiederverwendung früherer Variablen, um eine Duplizierung zu vermeiden.

Mit Duckdb können Sie Schritt für Schritt eine logische Pipeline erstellen, ohne Ihr Notizbuch mit verstreuten Code zu überfüllen.

Zielgesteuerte Mathematik im Uber-Datenprojekt

Nachdem wir die neuen Kosten modelliert haben, beantworten wir die endgültige Geschäftsfrage:

• Wie viel mehr muss der Fahrer professional Woche verdienen, um beide zu tun?
• Zahlen Sie innerhalb eines Jahres ein 40.000 US -Greenback -Auto ab

Das gleiche jährliche Nettoeinkommen beibehalten

WITH vars AS (
  SELECT 
    52 AS total_weeks_per_year,
    3 AS weeks_off,
    6 AS days_per_week,
    200 AS fare_per_day,
    400 AS monthly_insurance,
    200 AS gas_per_week,
    500 AS vehicle_rent,
    40000 AS car_cost
),
base AS (
  SELECT 
    total_weeks_per_year,
    weeks_off,
    days_per_week,
    fare_per_day,
    monthly_insurance,
    gas_per_week,
    vehicle_rent,
    car_cost,
    total_weeks_per_year - weeks_off AS weeks_worked,
    (fare_per_day * days_per_week * (total_weeks_per_year - weeks_off)) AS original_annual_revenue,
    (gas_per_week * (total_weeks_per_year - weeks_off)) AS original_gas,
    (vehicle_rent * (total_weeks_per_year - weeks_off)) AS original_rent,
    (monthly_insurance * 12) AS original_insurance
  FROM vars
),
examine AS (
  SELECT *,
    (original_gas + original_rent + original_insurance) AS original_total_expense,
    (original_annual_revenue - (original_gas + original_rent + original_insurance)) AS original_net_income
  FROM base
),
new_costs AS (
  SELECT *,
    gas_per_week * 1.05 * weeks_worked AS new_gas,
    monthly_insurance * 0.8 * 12 AS new_insurance
  FROM examine
),
ultimate AS (
  SELECT *,
    new_gas + new_insurance + car_cost AS new_total_expense,
    original_net_income + new_gas + new_insurance + car_cost AS required_revenue,
    required_revenue / weeks_worked AS required_weekly_revenue,
    original_annual_revenue / weeks_worked AS original_weekly_revenue
  FROM new_costs
)
SELECT 
  ROUND(required_weekly_revenue, 2) AS required_weekly_revenue,
  ROUND(required_weekly_revenue - original_weekly_revenue, 2) AS weekly_uplift
FROM ultimate

Schreiben wir nun den Code, der diese Logik darstellt.

Hier ist die Ausgabe.

Zielorientierte Mathematik in Duckdb

Letzte Gedanken

In diesem Artikel haben wir untersucht, wie Sie mit Duckdb eine Verbindung herstellen und Daten analysieren. Anstatt lange Pandas -Funktionen zu verwenden, haben wir SQL -Abfragen verwendet. Wir haben dies auch anhand eines realen Datenprojekts durchgeführt, das Uber im Rekrutierungsprozess von Knowledge Scientist angefordert hat.
Für Datenwissenschaftler, die an analysierten Aufgaben arbeiten, ist es eine leichte, aber leistungsstarke Various zu Pandas. Versuchen Sie es bei Ihrem nächsten Projekt, insbesondere wenn SQL Logic besser zum Downside passt.

Nate Rosidi

Wir haben über viele Möglichkeiten gesprochen KI kann in der Bildung verwendet werden. Es kann aber auch den Eltern helfen, die Zukunft ihrer Kinder zu planen.

KI wird zunehmend zu einem wertvollen Kapital für Eltern, um ihre Highschooler dazu zu bringen, ihre Zukunft zu kartieren. Als 55% der Amerikaner verwenden derzeit KI täglichDie Technologie ist zu gewöhnlicher Stelle geworden.

„Da wir kurz vor dieser KI-gesteuerten Ära stehen, ist es für Unternehmen, Verbraucher und politische Entscheidungsträger unerlässlich, zusammenzuarbeiten, um sicherzustellen, dass die Prinzipien der Evolution von Gerechtigkeit, Transparenz und menschlichen Zentrum die Entwicklung von AI leiten. Die Reise von AI ist noch lange nicht vorbei und sein wahres Potenzial liegt in unseren kollektiven Händen “, schreibt die Nationwide College.

KI kann personalisierte Ratschläge zu verschiedenen Aspekten des akademischen Lebens eines Schülers geben, z. B. Einblicke in den Lehrplan, potenzielle Karrierewege in Bereichen wie Finanzen und Erfolgsfähigkeiten. Wie von der College of Illinois Urbana-Champaign hervorgehoben.

„Es kann entmutigend sein, Ihren Karriereweg zu finden. KI kann eine wertvolle Quelle für die Generierung von Jobtiteln und Karrierewegen sein, wenn Sie sich nicht sicher sind, wo Sie anfangen sollen. Aber sollte es deine einzige Quelle sein? Gar nicht. Sobald Sie potenzielle Karrierewege oder Berufsrollen generiert haben, ist es am besten, die im Büro für Karriere und beruflichen Entwicklung angebotenen Ressourcen sowie in Jobbörsen wie Handshake zu nutzen, um die Verantwortlichkeiten, Branchen und ähnliche Rollen zu verstehen “, schreiben die Autoren.

Dies hilft den Eltern dabei, ihren Kindern dabei zu helfen, intestine informierte Entscheidungen über Kursarbeit und außerschulische Aktivitäten zu treffen, die ihren langfristigen Zielen entsprechen.

Zusätzlich zu den Eltern verwenden die Lernenden KI bereits zum Lernen, und 86% von ihnen integrieren sie in ihre Studienroutine. Eltern können jedoch eine wesentliche Rolle spielen, ihren Kindern zu helfen, die Kraft der KI zu maximieren, indem sie sie motivieren, sie als Erkundungs- und zukünftige Planungsinstrument zu nutzen. Der Markt für Bildungski wird voraussichtlich strong wachsen. bis zum Jahr 2030 bis 5,82 Milliarden US -Greenbackwachsen bei einem CAGR von 17,5%. Eltern können ihren Kindern helfen, mit dem dynamischen Bildungsraum umzugehen und sie auf die bevorstehende Beschäftigungslandschaft seit der Entwicklung der Technologie vorzubereiten.

Das Navigieren in den Teenagerjahren ist für Eltern und Schüler gleichermaßen eine kritische Zeit, da sie die Voraussetzungen für zukünftige Erfolge und Karrierewege bildet. Es gibt viele Vorteile der Verwendung von KI in dieser Hinsicht. Um sicherzustellen, dass Highschooler intestine auf die Herausforderungen vorbereitet sind, die vor uns liegen, sind nachdenkliche Planung und unterstützende Anleitung erforderlich. Von Akademikern bis hin zu außerschulischen Aktivitäten kann jede Entscheidung möglicherweise die Flugbahn der Zukunft eines Schülers beeinflussen. Als Eltern oder Erziehungsberechtigter ist Ihre Rolle bei der Führung Ihres Kindes in diesen prägenden Jahren von größter Bedeutung. Im Folgenden untersuchen wir Schlüsselstrategien, mit denen Sie Ihren Highschooler bei der Planung der Zukunft unterstützen können.

Finanzplanung und Stipendien: Vorbereitung auf Hochschulkosten

Die Planung der Faculty -Finanzen sollte frühzeitig beginnen, bevor die Bewerbungen fällig sind. Das Verständnis der Kosten, das Erforschen von Sparoptionen und das Beobachten offener Diskussionen über finanzielle Erwartungen können Schülern und Eltern helfen, sich vorzubereiten. Stipendien für Schülererhältlich über verschiedene Organisationen, kann die Ausgaben für die Studiengebühren erheblich senken, sodass die Erforschung und Beantragung dieser im Voraus für sie wesentlich ist.

Die Navigation der finanziellen Hilfe, einschließlich der FAFSA, ist ein weiterer wichtiger Schritt, um das Faculty erschwinglicher zu machen. Eltern können beim Sammeln von Informationen helfen, um die verfügbaren Hilfe zu maximieren. Für diejenigen, die an Karrieren von Bildung interessiert sind, bieten Programme wie einen On-line -Abschluss in On-line -Sonderpädagogik wertvolle Möglichkeiten, um das Leben von Kindern mit besonderen Bedürfnissen zu verändern.

Navigieren Sie in der Welt der Faculty -Zulassungen mit Ihrem Highschooler

Faculty -Zulassungen sind sowohl für Schüler als auch für Eltern ein komplexer und überwältigender Prozess. Es geht darum, die richtige Passform für die Ambitionen, Persönlichkeit und Lernstil Ihres Kindes zu finden. Um Ihren Highschooler zu unterstützen, bleiben Sie über Hochschulen, Bewerbungsanforderungen und Fristen informiert.

Ermutigen Sie Ihr Variety, sich frühzeitig auf Aufnahmeprüfungen wie SAT oder ACT vorzubereiten und den Zugang zu Vorbereitungskursen, Lernmaterialien und Tutoren sicherzustellen. Besuchen Sie gemeinsam Faculty -Campus, um fundierte Entscheidungen zu treffen, die den Zielen Ihres Kindes entsprechen. Helfen Sie Ihrem Teenager, ein Portfolio vorzubereiten, das akademische Arbeiten, Auszeichnungen und außerschulische Aktivitäten zeigt, und lernen Sie, wie man einen überzeugenden persönlichen Aufsatz schreibt. Seien Sie realistisch über finanzielle Aspekte und nehmen Sie Ihren Highschooler in Diskussionen über Budgetierung und Studentendarlehen ein.

Förderung der Entwicklung von Fähigkeiten und außerschulischer Beteiligung

Eltern sollten ihre Schüler ermutigen, sich an außerschulischen Aktivitäten zu beteiligen, die Führung, Teamarbeit und Zeitmanagementfähigkeiten fördern. Diese Aktivitäten können von Sportteams bis hin zu akademischen Golf equipment und gemeinnützigen Diensten reichen, wodurch die Bewerbung eines Studenten und das persönliche Wachstum verbessert wird. Eltern können ihre Kinder auch bei der Auswahl von Aktivitäten führen, die sich mit ihren Leidenschaften übereinstimmen und neue Unternehmungen vorschlagen, um ihren Horizont zu erweitern.

Es ist entscheidend, Studenten nicht mit zu vielen Verpflichtungen zu überlasten, da dies zu Stress und Burnout führen kann. Die Aufrechterhaltung eines Gleichgewichts ist der Schlüssel für eine gesunde Entwicklung. Zusätzlich zu außerschulischen Eltern können Eltern ihren Kindern helfen, Workshops, Zertifizierungen oder On-line -Kurse in ihren Leidenschaftsbereichen zu suchen, um praktisches Verständnis zu vermitteln, das sie in Faculty -Anwendungen und Karriereeröffnungen auszeichnet.

Verständnis der Bedeutung der frühen Karriereplanung für Teenager

Frühe Karriereplanung ist für Schüler von Schülern von entscheidender Bedeutung und hilft ihnen dabei, ihre Ausbildung an zukünftigen Zielen auszurichten. Das frühzeitige Erkunden von Karrieremöglichkeiten ermöglicht eine intelligentere Kursauswahl und eine bessere Vorbereitung auf das Faculty oder die Belegschaft. Eltern können diesen Prozess unterstützen, indem sie Eignungstests, Praktika und Diskussionen über verschiedene Karrierewege fördern, wodurch der Übergang von der Schule zur Arbeit reibungsloser wird.

Familienbeteiligung Fördert auch Vertrauen und Entscheidungsfähigkeiten. Das gemeinsame Erforschen von wachsenden Branchen kann den Schülern einen Vorteil verleihen, unabhängig davon, ob sie traditionelle Karrieren oder spezialisierte Bereiche wie eine verfolgen On-line -Sonderpädagogik Masters Diplomaum sicherzustellen, dass sie sich in einem sich entwickelnden Arbeitsmarkt weiterentwickeln.

Betonung des Werts von psychischer Gesundheit und Gleichgewicht bei akademischen Aktivitäten

Die Highschool-Planung sollte nicht die Bedeutung der psychischen Gesundheit und des persönlichen Wohlbefindens übersehen. Der Druck, sich in der Schule zu übertreffen, kann zu Stress und Angst führen, die von den Eltern verwaltet werden können. Offene Kommunikation über Stressoren, eine unterstützende Umgebung und die Modellierung von Stressrelief-Techniken können helfen.

Regelmäßige Übungen, Hobbys und Achtsamkeitspraktiken können auch das geistige Wohlbefinden verbessern. Es ist entscheidend, nach Anzeichen von übermäßigem Stress zu achten und professionelle Hilfe zu suchen. Geistiges Wohlbefinden ist mit dem akademischen Erfolg verbunden, und das Verständnis und die Bekämpfung von emotionalen Bedürfnissen kann dazu beitragen, die Belastbarkeit und Anpassungsfähigkeit zu fördern, die in der Faculty- und zukünftigen Karriere von Vorteil sein wird.

Insgesamt ist die Vorbereitung Ihres Highschoolers auf die Zukunft ein vielfältiger Prozess, der über die akademische Bereitschaft hinausgeht. Es umfasst Karriereforschung, Hochschule, Fähigkeiten, Finanzplanung und eine starke Betonung der psychischen Gesundheit und des Wohlbefindens. Indem Sie sich mit jedem dieser Bereiche nachdenklich und unterstützend beschäftigen, setzen Sie die Voraussetzungen für den Erfolg und das Glück Ihres Kindes in den aufregenden Kapiteln.

Proteine ​​sind die Arbeitspferde, die unsere Zellen am Laufen halten, und es gibt viele tausend Proteine ​​in unseren Zellen, die jeweils eine spezielle Funktion ausführen. Forscher wissen seit langem, dass die Struktur eines Proteins bestimmt, was es kann. In jüngerer Zeit werden Forscher zu schätzen wissen, dass die Lokalisierung eines Proteins auch für seine Funktion von entscheidender Bedeutung ist. Zellen sind voller Kompartimente, die dazu beitragen, ihre vielen Bewohner zu organisieren. Zusammen mit den bekannten Organellen, die die Seiten der Biologie-Lehrbücher schmücken, enthalten diese Räume auch eine Vielzahl dynamischer, membranloser Kompartimente, die bestimmte Moleküle zusammen konzentrieren, um gemeinsame Funktionen auszuführen. Zu wissen, wo ein bestimmtes Protein lokalisiert und mit wem es sich zusammenlasiert hat, kann daher nützlich sein, um das Protein und seine Rolle in der gesunden oder erkrankten Zelle besser zu verstehen. Forscher haben jedoch keine systematische Möglichkeit, diese Informationen vorherzusagen.

In der Zwischenzeit wurde die Proteinstruktur für mehr als ein halbes Jahrhundert untersucht, das im Instrument Alphafold im künstlichen Intelligenz gipfelte, das die Proteinstruktur aus dem Aminosäurecode eines Proteins vorhersagen kann, die lineare Schnur von Bausteinen darin, die sich falten, um seine Struktur zu erzeugen. Alphafold und Modelle wie es sind weit verbreitete Instruments in der Forschung geworden.

Proteine ​​enthalten auch Regionen von Aminosäuren, die sich nicht in eine feste Struktur zusammenfalten, sondern auch wichtig für den Verbinden von Proteinen dynamischen Kompartimenten in der Zelle. MIT -Professor Richard Younger und Kollegen fragten sich, ob der Code in diesen Regionen zur Vorhersage der Proteinlokalisierung genauso verwendet werden könnte, wie andere Regionen zur Vorhersage der Struktur verwendet werden. Andere Forscher haben einige Proteinsequenzen entdeckt, die für die Proteinlokalisierung kodieren, und einige haben damit begonnen, Prädiktivmodelle für die Proteinlokalisierung zu entwickeln. Die Forscher wussten jedoch nicht, ob die Lokalisierung eines Proteins zu einem dynamischen Kompartiment auf der Grundlage seiner Sequenz vorhergesagt werden konnte, und sie hatten auch kein vergleichbares Werkzeug für Alphafold zur Vorhersage der Lokalisierung.

Jetzt jung, auch Mitglied des Whitehead Institute for Organic Analysis; Younger Lab Postdoc Henry Kilgore; Regina Barzilay, Faculty of Engineering Distinguished Professor für KI und Gesundheit im Abteilung für Elektrotechnik und Informatik sowie der Hauptuntersucher des MIT im Labor für Informatik und künstliche Intelligenz (CSAIL); und Kollegen haben ein solches Modell aufgebaut, das sie protGPS bezeichnen. In einem Papier, das auf veröffentlicht wurde 6. Februar im Journal WissenschaftMit den ersten Autoren Kilgore und Barzilay Lab-Studenten Itamar Chinn, Peter Mikhael und Ilan Mitnikov debütiert das interdisziplinäre Crew ihr Modell. Die Forscher zeigen, dass protGPs vorhersagen können, welcher von 12 bekannten Kompartimenten ein Protein lokalisiert wird, und ob eine krankheitsassoziierte Mutation diese Lokalisierung verändert. Darüber hinaus entwickelte das Forschungsteam einen generativen Algorithmus, der neuartige Proteine ​​entwerfen kann, um in bestimmten Kompartimenten zu lokalisieren.

„Ich hoffe, dass dies ein erster Schritt in Richtung einer leistungsstarken Plattform ist, die es Menschen ermöglicht, Proteine ​​zu studieren, um ihre Forschung zu machen“ Natürliche Prozesse und wie man therapeutische Hypothesen erzeugt und Medikamente zur Behandlung von Dysfunktionen in einer Zelle entwirft. “

Die Forscher validierten auch viele Vorhersagen des Modells mit experimentellen Exams in Zellen.

„Es hat mich sehr begeistert, dass ich in der Lage bin, vom Computerdesign bis hin zu diesen Dingen im Labor zu probieren“, sagt Barzilay. „In diesem Bereich von KI gibt es viele aufregende Papiere, aber 99,9 Prozent derjenigen werden nie in realen Systemen getestet. Dank unserer Zusammenarbeit mit dem jungen Labor konnten wir testen und wirklich lernen, wie intestine unser Algorithmus abschneidet. “

Entwicklung des Modells

Die Forscher bildeten ProtGPs auf zwei Chargen von Proteinen mit bekannten Lokalisierungen aus und testeten sie. Sie fanden heraus, dass es richtig vorhersagen konnte, wo Proteine ​​eine hohe Genauigkeit haben. Die Forscher testeten auch, wie intestine protGPs Veränderungen der Proteinlokalisierung auf der Grundlage krankheitsassoziierter Mutationen innerhalb eines Proteins vorhersagen könnten. Es wurde festgestellt, dass viele Mutationen – Veränderungen der Sequenz für ein Gen und sein entsprechendes Protein – zur basierenden Assoziationsstudien beitragen oder zu Krankheiten führen, aber die Artwork und Weise, wie die Mutationen zu Krankheitssymptomen führen, bleiben unbekannt.

Es ist wichtig, den Mechanismus zu erfassen, wie eine Mutation zur Krankheit beiträgt, da Forscher Therapien entwickeln können, um diesen Mechanismus zu beheben und die Krankheit zu verhindern oder zu behandeln. Junge und Kollegen vermuteten, dass viele krankheitsassoziierte Mutationen durch Veränderung der Proteinlokalisierung zur Krankheit beitragen könnten. Zum Beispiel könnte eine Mutation dazu führen, dass ein Protein nicht in der Lage ist, einem Kompartiment mit wesentlichen Partnern zu beitreten.

Sie testeten diese Hypothese, indem sie ProtgOs mehr als 200.000 Proteine ​​mit krankheitsassoziierten Mutationen fütterten, und forderten sie dann auf, beide vorherzusagen, wo diese mutierten Proteine ​​lokalisieren würden, wie stark ihre Vorhersage für ein gegebenes Protein von der Normalen zur mutierten Model verändert hat. Eine große Verschiebung der Vorhersage weist auf eine wahrscheinliche Veränderung der Lokalisierung hin.

Die Forscher fanden viele Fälle, in denen eine krankheitsassoziierte Mutation die Lokalisierung eines Proteins zu verändern schien. Sie testeten 20 Beispiele in Zellen und verwendeten Fluoreszenz, um zu vergleichen, wo in der Zelle ein normales Protein und die mutierte Model davon endeten. Die Experimente bestätigten die Vorhersagen von ProTGPS. Insgesamt stützen die Ergebnisse den Verdacht der Forscher, dass eine Fehl-Lokalisierung ein unterschätzter Krankheitsmechanismus sein kann und den Wert von ProTGPs als Instrument zum Verständnis von Krankheiten und zur Identifizierung neuer therapeutischer Wege demonstriert.

„Die Zelle ist ein so kompliziertes System mit so vielen Komponenten und komplexen Netzwerken von Interaktionen“, sagt Mitnikov. „Es ist tremendous interessant zu denken, dass wir mit diesem Ansatz das System beunruhigen, das Ergebnis davon sehen und so die Entdeckung von Mechanismen in der Zelle vorantreiben oder sogar Therapeutika entwickeln können.“

Die Forscher hoffen, dass andere ProgPs auf die gleiche Weise verwenden, wie sie prädiktive Strukturmodelle wie Alphafold verwenden und verschiedene Projekte zur Proteinfunktion, zur Dysfunktion und zur Krankheit vorantreiben.

Übergang über die Vorhersage der neuartigen Era hinausgehen

Die Forscher waren begeistert von den möglichen Verwendungen ihres Vorhersagemodells, aber sie wollten auch, dass ihr Modell über die Vorhersage von Lokalisationen vorhandener Proteine ​​hinausgeht und ihnen ermöglicht, völlig neue Proteine ​​zu entwerfen. Das Ziel struggle es, dass das Modell völlig neue Aminosäuresequenzen ausgeht, die sich an einem gewünschten Ort lokalisieren würden, wenn sie in einer Zelle gebildet wurden. Es ist unglaublich schwierig, ein neuartiges Protein zu erzeugen, das tatsächlich eine Funktion erfüllen kann – in diesem Fall – die Funktion der Lokalisierung eines bestimmten zellulären Kompartiments. Um die Erfolgschancen ihres Modells zu verbessern, haben die Forscher ihren Algorithmus nur so einen, dass Proteine ​​wie die in der Natur zu findenen Entwerfen. Dies ist ein Ansatz, der aus logischen Gründen üblicherweise im Arzneimitteldesign verwendet wird. Die Natur hatte Milliarden von Jahren, um herauszufinden, welche Proteinsequenzen intestine funktionieren und welche nicht.

Aufgrund der Zusammenarbeit mit dem jungen Labor konnte das Crew für maschinelles Lernen testen, ob sein Proteingenerator arbeitete. Das Modell hatte gute Ergebnisse. In einer Runde erzeugte es 10 Proteine, die zum Nucleolus lokalisiert waren. Als die Forscher diese Proteine ​​in der Zelle testeten, stellten sie fest, dass vier von ihnen im Nucleolus stark lokalisiert waren und andere möglicherweise auch leichte Verzerrungen zu diesem Ort hatten.

„Die Zusammenarbeit zwischen unseren Labors struggle für uns alle so generativ“, sagt Mikhael. „Wir haben gelernt, wie man die Sprachen des anderen spricht, in unserem Fall viel darüber gelernt, wie Zellen funktionieren, und durch die Möglichkeit, unser Modell experimentell zu testen, konnten wir herausfinden, was wir tun müssen, um tatsächlich zu machen Das Modell funktioniert und lässt es dann besser funktionieren. “

In der Lage zu sein, auf diese Weise funktionelle Proteine ​​zu erzeugen, kann die Fähigkeit der Forscher verbessern, Therapien zu entwickeln. Wenn beispielsweise ein Medikament mit einem Ziel interagieren muss, das sich in einem bestimmten Fach lokalisiert, können Forscher dieses Modell verwenden, um ein Medikament dort zu entwerfen, um dort auch zu lokalisieren. Dies sollte das Arzneimittel wirksamer machen und die Nebenwirkungen verringern, da das Medikament mehr Zeit damit verbringen wird, sich mit seinem Ziel zu beschäftigen und weniger Zeit mit anderen Molekülen zu interagieren, was zu Auswirkungen von Off-Goal-Effekten führt.

Die Mitglieder des maschinellen Lernens sind begeistert von der Aussicht, das zu verwenden, was sie aus dieser Zusammenarbeit gelernt haben, um neuartige Proteine ​​mit anderen Funktionen über die Lokalisierung hinaus zu entwerfen, die die Möglichkeiten für therapeutisches Design und andere Anwendungen erweitern würden.

„Viele Papiere zeigen, dass sie ein Protein entwerfen können, das in einer Zelle exprimiert werden kann, aber nicht, dass das Protein eine bestimmte Funktion hat“, sagt Chinn. „Wir hatten tatsächlich ein funktionelles Proteindesign und eine relativ große Erfolgsrate im Vergleich zu anderen generativen Modellen. Das ist wirklich aufregend für uns und etwas, auf das wir aufbauen möchten. “

Alle beteiligten Forscher sehen Progps als einen aufregenden Anfang an. Sie gehen davon aus, dass ihr Werkzeug verwendet wird, um mehr über die Rollen der Lokalisierung bei der Proteinfunktion und in der Fehllokalisierung bei Krankheiten zu erfahren. Darüber hinaus sind sie daran interessiert, die Lokalisierungsvorhersagen des Modells auf mehr Arten von Kompartimenten zu erweitern, mehr therapeutische Hypothesen zu testen und zunehmend funktionelle Proteine ​​für Therapien oder andere Anwendungen zu entwickeln.

„Nachdem wir wissen, dass dieser Proteincode für die Lokalisierung vorhanden ist und dass maschinelle Lernmodelle diesen Code verstehen und sogar funktionelle Proteine ​​mit seiner Logik erstellen können, die die Tür für so viele potenzielle Studien und Anwendungen öffnet“, sagt Kilgore.

Autodesign ist ein iterativer und proprietärer Prozess. Automobilhersteller können mehrere Jahre in der Designphase eines Autos verbringen und 3D-Formen in Simulationen optimieren, bevor sie die vielversprechendsten Designs für physische Assessments entwickeln. Die Particulars und Spezifikationen dieser Assessments, einschließlich der Aerodynamik eines bestimmten Fahrzeugdesigns, werden normalerweise nicht veröffentlicht. Bedeutende Leistungsfortschritte, etwa bei der Kraftstoffeffizienz oder der Reichweite von Elektrofahrzeugen, können daher langsam und von Unternehmen zu Unternehmen isoliert erfolgen.

MIT-Ingenieure sagen, dass die Suche nach besseren Autodesigns durch den Einsatz generativer künstlicher Intelligenz-Instruments, die riesige Datenmengen in Sekundenschnelle durchsuchen und Verbindungen finden können, um ein neuartiges Design zu generieren, exponentiell beschleunigt werden kann. Obwohl es solche KI-Instruments gibt, waren die Daten, aus denen sie lernen müssten, nicht verfügbar, zumindest nicht in irgendeiner zugänglichen, zentralisierten Kind.

Doch nun haben die Ingenieure einen solchen Datensatz erstmals der Öffentlichkeit zugänglich gemacht. Der Datensatz mit dem Namen DrivAerNet++ umfasst mehr als 8.000 Fahrzeugdesigns, die die Ingenieure auf der Grundlage der heute weltweit gängigsten Fahrzeugtypen erstellt haben. Jedes Design wird in 3D-Kind dargestellt und enthält Informationen zur Aerodynamik des Autos – die Artwork und Weise, wie Luft um ein bestimmtes Design strömen würde, basierend auf Simulationen der Fluiddynamik, die die Gruppe für jedes Design durchgeführt hat.

Jeder der 8.000 Entwürfe des Datensatzes ist in verschiedenen Darstellungen verfügbar, z. B. als Netz, Punktwolke oder als einfache Liste der Parameter und Abmessungen des Entwurfs. Daher kann der Datensatz von verschiedenen KI-Modellen verwendet werden, die darauf abgestimmt sind, Daten in einer bestimmten Modalität zu verarbeiten.

DrivAerNet++ ist der größte Open-Supply-Datensatz zur Fahrzeugaerodynamik, der bisher entwickelt wurde. Die Ingenieure stellen sich den Einsatz als umfangreiche Bibliothek realistischer Fahrzeugdesigns mit detaillierten Aerodynamikdaten vor, mit denen jedes KI-Modell schnell trainiert werden kann. Diese Modelle können dann genauso schnell neuartige Designs hervorbringen, die möglicherweise zu kraftstoffeffizienteren Autos und Elektrofahrzeugen mit größerer Reichweite führen könnten, und das in einem Bruchteil der Zeit, die die Automobilindustrie heute benötigt.

„Dieser Datensatz legt den Grundstein für die nächste Era von KI-Anwendungen im Ingenieurwesen, fördert effiziente Designprozesse, senkt F&E-Kosten und treibt Fortschritte in Richtung einer nachhaltigeren Automobilzukunft voran“, sagt Mohamed Elrefaie, ein Doktorand des Maschinenbaus am MIT.

Elrefaie und seine Kollegen werden auf der NeurIPS-Konferenz im Dezember ein Papier vorstellen, in dem der neue Datensatz und KI-Methoden, die darauf angewendet werden könnten, detailliert beschrieben werden. Seine Co-Autoren sind Faez Ahmed, Assistenzprofessor für Maschinenbau am MIT, zusammen mit Angela Dai, außerordentliche Professorin für Informatik an der Technischen Universität München, und Florin Marar von BETA CAE Methods.

Die Datenlücke schließen

Ahmed leitet das Design Computation and Digital Engineering Lab (DeCoDE) am MIT, wo seine Gruppe Möglichkeiten erforscht, wie KI und maschinelle Lernwerkzeuge zur Verbesserung des Designs komplexer technischer Systeme und Produkte, einschließlich der Automobiltechnologie, eingesetzt werden können.

„Beim Design eines Autos ist der Vorwärtsprozess oft so teuer, dass Hersteller ein Auto von einer Model zur nächsten nur ein wenig optimieren können“, sagt Ahmed. „Aber wenn Sie über größere Datensätze verfügen, in denen Sie die Leistung jedes Designs kennen, können Sie jetzt Modelle für maschinelles Lernen so trainieren, dass sie schnell iterieren, sodass die Wahrscheinlichkeit größer ist, dass Sie ein besseres Design erhalten.“

Und Geschwindigkeit, insbesondere bei der Weiterentwicklung der Automobiltechnologie, ist jetzt besonders dringend.

„Dies ist die beste Zeit, um Autoinnovationen voranzutreiben, da Autos einer der größten Umweltverschmutzer der Welt sind und je schneller wir diesen Beitrag reduzieren können, desto mehr können wir dem Klima helfen“, sagt Elrefaie.

Bei der Betrachtung des Prozesses des Neuwagendesigns stellten die Forscher fest, dass es zwar KI-Modelle gibt, die viele Autodesigns durchlaufen könnten, um optimale Designs zu generieren, die tatsächlich verfügbaren Autodaten jedoch begrenzt sind. Einige Forscher hatten zuvor kleine Datensätze simulierter Autodesigns zusammengestellt, während Automobilhersteller selten die Spezifikationen der tatsächlichen Designs veröffentlichen, die sie untersuchen, testen und letztendlich herstellen.

Das Staff wollte die Datenlücke schließen, insbesondere im Hinblick auf die Aerodynamik eines Autos, die eine Schlüsselrolle bei der Festlegung der Reichweite eines Elektrofahrzeugs spielt, und die Kraftstoffeffizienz eines Verbrennungsmotors. Sie erkannten, dass die Herausforderung darin bestand, einen Datensatz aus Tausenden von Autodesigns zusammenzustellen, von denen jedes in seiner Funktion und Kind physikalisch korrekt ist, ohne den Vorteil, ihre Leistung physisch testen und messen zu müssen.

Um einen Datensatz von Autodesigns mit physikalisch genauen Darstellungen ihrer Aerodynamik zu erstellen, begannen die Forscher mit mehreren grundlegenden 3D-Modellen, die 2014 von Audi und BMW bereitgestellt wurden. Diese Modelle repräsentieren drei Hauptkategorien von Personenkraftwagen: Fastback (Limousinen mit geneigtem Heck). Ende), Stufenheck (Limousinen oder Coupés mit einer leichten Neigung im Heckprofil) und Kombi (z. B. Kombis mit stumpferen, flacheren Hecken). Die Basismodelle sollen die Lücke zwischen einfachen Designs und komplizierteren proprietären Designs schließen und wurden von anderen Gruppen als Ausgangspunkt für die Erforschung neuer Autodesigns verwendet.

Autobibliothek

In ihrer neuen Studie wandte das Staff eine Morphing-Operation auf jedes der Basisautomodelle an. Bei diesem Vorgang wurden systematisch geringfügige Änderungen an jedem der 26 Parameter eines bestimmten Fahrzeugdesigns vorgenommen, beispielsweise an der Länge, den Merkmalen des Unterbodens, der Neigung der Windschutzscheibe und der Radlauffläche, die dann als eigenständiges Fahrzeugdesign gekennzeichnet und dann dem Wachstum hinzugefügt wurden Datensatz. In der Zwischenzeit führte das Staff einen Optimierungsalgorithmus durch, um sicherzustellen, dass jedes neue Design tatsächlich einzigartig und keine Kopie eines bereits generierten Designs warfare. Anschließend übersetzten sie jeden 3D-Entwurf in verschiedene Modalitäten, sodass ein bestimmter Entwurf als Netz, Punktwolke oder Liste von Abmessungen und Spezifikationen dargestellt werden kann.

Die Forscher führten außerdem komplexe rechnergestützte Strömungssimulationen durch, um zu berechnen, wie die Luft um jedes generierte Autodesign strömen würde. Letztendlich entstanden durch diese Bemühungen mehr als 8.000 verschiedene, physikalisch genaue 3D-Autoformen, die die gängigsten Arten von Personenkraftwagen auf der heutigen Straße umfassen.

Um diesen umfassenden Datensatz zu erstellen, haben die Forscher über 3 Millionen CPU-Stunden mit der MIT SuperCloud verbracht und 39 Terabyte an Daten generiert. (Zum Vergleich wird geschätzt, dass die gesamte gedruckte Sammlung der Library of Congress etwa 10 Terabyte an Daten umfassen würde.)

Die Ingenieure sagen, dass Forscher den Datensatz nun verwenden können, um ein bestimmtes KI-Modell zu trainieren. Beispielsweise könnte ein KI-Modell anhand eines Teils des Datensatzes trainiert werden, um Fahrzeugkonfigurationen zu erlernen, die bestimmte gewünschte Aerodynamik aufweisen. Innerhalb von Sekunden könnte das Modell dann ein neues Autodesign mit optimierter Aerodynamik generieren, basierend auf den Erkenntnissen aus den Tausenden physikalisch korrekten Designs des Datensatzes.

Die Forscher sagen, dass der Datensatz auch für das umgekehrte Ziel verwendet werden könnte. Beispielsweise könnten Designer, nachdem sie ein KI-Modell anhand des Datensatzes trainiert haben, dem Modell ein bestimmtes Autodesign zuführen und es schnell die Aerodynamik des Designs schätzen lassen, die dann zur Berechnung der potenziellen Kraftstoffeffizienz oder der elektrischen Reichweite des Autos verwendet werden kann – und das alles ohne Durchführung teures Bauen und Testen eines physischen Autos.

„Mit diesem Datensatz können Sie generative KI-Modelle so trainieren, dass sie Dinge in Sekunden statt in Stunden erledigen“, sagt Ahmed. „Diese Modelle können dazu beitragen, den Kraftstoffverbrauch von Fahrzeugen mit Verbrennungsmotor zu senken und die Reichweite von Elektroautos zu erhöhen – und damit letztendlich den Weg für nachhaltigere, umweltfreundlichere Fahrzeuge zu ebnen.“

Diese Arbeit wurde teilweise vom Deutschen Akademischen Austauschdienst und der Fakultät für Maschinenbau des MIT unterstützt.

Der Aufbau starker Partnerschaften ist nicht mehr nur ein Handschlag. KI-Technologie spielt zunehmend eine wichtige Rolle bei der Verbesserung von Beziehungen.

Anfang des Jahres teilte die Forbes-Mitarbeiterin Kate Vitasek einige Einblicke in die Artwork und Weise, wie das gelingt KI kann helfen, Beziehungen zu verbessern. Wir wollten einige der Hauptvorteile des Einsatzes von KI abdecken, wenn Sie eine bessere Partnerschaft wünschen. Lesen Sie weiter, um mehr zu erfahren.

KI kann auch beim Aufbau guter Geschäftsbeziehungen hilfreich sein. Dies ist einer der Gründe Der Markt für KI wächst jährlich um 55 %.

KI kann der Schlüssel zur Stärkung Ihrer Beziehung zu Ihrem Companion sein

In der heutigen digitalen Welt haben sich die Dinge verändert. Heutzutage spielt Technologie eine große Rolle dabei, wie wir mit unseren Partnern in Kontakt treten, kommunizieren und Vertrauen aufbauen. Von nahtlosen Kommunikationstools bis hin zu KI-gestützten Erkenntnissen – der Einsatz der richtigen Technologie kann den entscheidenden Unterschied machen, wenn es darum geht, aus einer guten Partnerschaft eine großartige zu machen.

Lassen Sie uns untersuchen, wie Sie mithilfe von Technologie Ihre Geschäftsbeziehungen stärken und auf die nächste Ebene heben können. Sie werden lernen, wie es geht Nutzen Sie KI, um Ihr Unternehmen zu transformieren.

1. Optimierte Kommunikation: Das Fundament einer effektiven Zusammenarbeit

Das Herzstück jeder starken Partnerschaft ist die Kommunikation. Die Zeiten, in denen man sich ausschließlich auf E-Mails verließ, sind lange vorbei. Heutzutage nutzen Unternehmen eine Reihe von Instruments, um die Kommunikation reibungslos und unmittelbar zu gestalten und sicherzustellen, dass die Companion immer auf dem Laufenden sind.

Plattformen wie Slack, Microsoft Groups und Zoom sind für Unternehmen jeder Größe unverzichtbar geworden. Diese Instruments bieten nicht nur Messaging, sondern auch integrierte Dateifreigabe-, Videokonferenz- und Projektmanagementfunktionen. Mit Slack können Unternehmen beispielsweise dedizierte Kanäle für jeden Companion erstellen, sodass alle Diskussionen und geteilten Dokumente organisiert und leicht zugänglich bleiben.

Die Integration von Echtzeitkommunikation trägt dazu bei, Missverständnisse zu vermeiden, beschleunigt die Entscheidungsfindung und sorgt dafür, dass alle auf dem gleichen Stand sind, was für den Aufbau von Vertrauen in langfristigen Partnerschaften von entscheidender Bedeutung ist.

KI kann eine gute Möglichkeit sein, zu lernen, bessere Beziehungen zu Ihrem Companion aufzubauen. Das ergab eine Umfrage 16,72 % der jungen Männer glauben, dass KI-Begleiter dabei helfen, stärkere Beziehungsfähigkeiten mit echten Frauen aufzubauen. Vitasek wies darauf hin, dass KI schriftliche Gespräche zwischen Menschen lesen und Empfehlungen zur Verbesserung ihrer Kommunikation geben kann.

2. Verbesserung der Transparenz mit sicheren digitalen Systemen

Vertrauen ist der Grundstein jeder Geschäftsbeziehung und Transparenz spielt beim Aufbau dieses Vertrauens eine große Rolle. Eine der effektivsten Möglichkeiten zur Verbesserung der Transparenz sind sichere digitale Verifizierungssysteme, wie z KYC-Software program.

Mit der KYC-Software program (Know Your Buyer) können Unternehmen die Identität ihrer Companion überprüfen und sicherstellen, dass es sich um legitime Unternehmen handelt. Durch die Implementierung eines sicheren digitalen Verifizierungsprozesses reduzieren Sie das Betrugsrisiko und sorgen für mehr Vertrauen in Ihre Partnerschaften. In Branchen wie dem Finanz- und Rechtsdienstleistungssektor ist dieses Maß an Transparenz nicht nur eine Greatest Apply, sondern eine regulatorische Anforderung.

3. Nahtlose Zusammenarbeit durch Datenaustauschplattformen

Effektive Partnerschaften gedeihen nahtlose Zusammenarbeitund cloudbasierte Plattformen haben dies zugänglicher gemacht als je zuvor. Instruments wie Google Workspace und Microsoft 365 haben die gemeinsame Bearbeitung von Dokumenten in Echtzeit ermöglicht, Arbeitsabläufe vereinfacht und es Groups aus verschiedenen Organisationen erleichtert, zusammenzuarbeiten, als ob sie unter einem Dach wären.

Beispielsweise kann eine Marketingagentur, die mit einem Softwareentwicklungsunternehmen zusammenarbeitet, Projekt-Roadmaps und kreative Property über gemeinsame Cloud-Ordner teilen, sodass beide Groups ohne lästige Versionskontrollprobleme aufeinander abgestimmt bleiben können. Diese Plattformen lassen sich auch in Projektmanagement-Instruments wie Trello oder Asana integrieren, sodass Companion einen klaren Überblick über Projektzeitpläne und -verantwortlichkeiten erhalten.

4. Automatisierte Prozesse für eine schnellere und effizientere Entscheidungsfindung

Zeit ist Geld, und nirgendwo wird dies so deutlich wie in Geschäftspartnerschaften. Manuelle Prozesse können die Entscheidungsfindung verlangsamen und zu Engpässen und Frustration führen. Geben Sie Automatisierung ein. Mit Instruments wie Zapier und Integromat können Unternehmen sich wiederholende Aufgaben automatisieren, sodass sich Groups auf strategische Aktivitäten konzentrieren können, die der Partnerschaft einen Mehrwert verleihen.

Beispielsweise könnte ein Unternehmen die Automatisierung nutzen, um sofortige Benachrichtigungen an Companion zu senden, wenn ein Projektmeilenstein erreicht wird. Dadurch entfällt die Notwendigkeit manueller Aktualisierungen und es wird sichergestellt, dass alle Parteien stets informiert sind.

Durch die Automatisierung können auch Finanzprozesse wie Rechnungsstellung und Zahlungsverfolgung optimiert werden, wodurch das Risiko von Verzögerungen oder Fehlern verringert wird, die die Beziehung belasten könnten.

5. Vertrauen aufbauen mit verifizierten Identitäten

In einer Zeit, in der On-line-Betrug ein wachsendes Downside darstellt, müssen Unternehmen die Identität ihrer Companion überprüfen, um Vertrauen aufzubauen. Instruments wie die KYC-Software program sind in diesem Prozess von entscheidender Bedeutung und ermöglichen es Unternehmen, gründliche Hintergrundüberprüfungen durchzuführen und sicherzustellen, dass sie mit legitimen Unternehmen zusammenarbeiten.

Zum Beispiel, Finanzinstitute Verwenden Sie KYC-Software program, um die Identität von Kunden und Partnern zu überprüfen, um die Einhaltung von Vorschriften sicherzustellen und vor Geldwäsche zu schützen.

KI und maschinelles Lernen: Partnerschaften personalisieren

Künstliche Intelligenz (KI) und maschinelles Lernen sind keine Zukunftskonzepte mehr; Sie sind da und verändern die Artwork und Weise, wie Unternehmen mit Partnern interagieren. Diese Technologien ermöglichen es Unternehmen, große Datenmengen zu analysieren und Erkenntnisse zu gewinnen, die zur Personalisierung von Angeboten und Lösungen für ihre Companion genutzt werden können.

Ein KI-gesteuertes CRM-System kann beispielsweise das Verhalten und die Vorlieben eines Companions analysieren und Ihrem Unternehmen so die Möglichkeit geben, die Kommunikation und Angebote individuell anzupassen. Dieser Grad der Personalisierung gibt Ihren Partnern das Gefühl, geschätzt und verstanden zu werden, und stärkt die Beziehung.

KI kann auch dazu beitragen, potenzielle Bereiche für die Zusammenarbeit auf der Grundlage von Markttrends und Partnerfähigkeiten zu identifizieren und so einen datengesteuerten Ansatz für das Partnerschaftswachstum bereitzustellen.

Fazit: Technologie als Brücke zu stärkeren Partnerschaften

Letztlich ist Technologie nicht nur ein Werkzeug – sie ist die Brücke, die Unternehmen verbindet und stärkere, zuverlässigere Partnerschaften ermöglicht. Durch die Nutzung digitaler Kommunikationsplattformen, sicherer Verifizierungssysteme, Instruments für den Datenaustausch, Automatisierung und KI können Unternehmen Partnerschaften aufbauen und pflegen, die nicht nur belastbar, sondern auch an Veränderungen anpassbar sind.

Da wir uns in eine zunehmend digitale Geschäftslandschaft bewegen, ist die Nutzung dieser Technologien nicht mehr non-compulsory. Dies ist eine strategische Notwendigkeit für Unternehmen, die gedeihen, wachsen und dauerhafte Verbindungen aufbauen möchten.