智能語音機器人小知識（7）--什么是交互式語音應答?:

ivr1.jpg使用ivr可以使客戶戶一天24小時隨時都能得到信息服務，提高服務質量，以及協(xié)調用戶操作過程。 那是中國呼叫中心產業(yè)的快速發(fā)展時期。在產品及價格日益趨同的今天，服務質量的高低、服務的多元化及差異化已顯得尤為重要。 顯然，那些以傳統(tǒng)方式經營和服務的企業(yè)，已經無法滿足消費者的需求，無法在這種爭奪客戶資源的競爭中取得優(yōu)勢。為此，許多企業(yè)開始借助于信息化技術的應用，利用基于計算中心電話交互技術的呼叫中心來改善服務。 ivr2.pngivr交互式語音應答技術的特點ivr提供每周7天，每天24小時全天候服務。ivr為企業(yè)處理大量的日常業(yè)務，無須通過業(yè)務代表。 顧客通過按鍵或語音選擇，向企業(yè)主機輸入信息，在允許范圍內訪問各類企業(yè)數(shù)據庫，自助得到多種服務，令業(yè)務代表有更多的時間服務于有特別要求的顧客。

【bat全球擴張ai路線圖】百度早于谷歌，騰訊投資最多:

2016年，阿里巴巴與杭州政府合作，進行智慧城市項目。這個項目主要側重于減少交通擁堵，并提供實時交通更新。 從那時起，阿里一直與其他地方政府合作，共同打造智慧城市和智能旅游計劃，最近還與馬來西亞政府達成了首次國際合作伙伴關系。此外，阿里巴巴最近還進行了自動駕駛車輛的測試。 阿里巴巴稱，“城市大腦可以連接各種城市管理系統(tǒng)，包括緊急調度、救護車呼叫、交通指揮和交通信號燈控制等。它可以優(yōu)化城市交通，比如保證救護車輛在最短的時間內到達現(xiàn)場?！?商湯科技表示，它將與阿里巴巴合作推出智能交通、城市管理和智能監(jiān)控系統(tǒng)。 騰訊進軍醫(yī)療保健領域通過投資和合作，騰訊將醫(yī)療保健技術從世界各地引入中國大陸。 現(xiàn)在的中國已經變成了數(shù)字化經濟，這導致了政府和大型科技公司手中的大量消費者數(shù)據。

【nsr】中國人工智能迎來黃金時代，跟風發(fā)展快但缺乏重大突破:

這種自學習的能力與類腦計算關系密切，其中包括兩個重要的方面：第一，系統(tǒng)必須要是可塑的，正如人類的大腦一樣。第二，機器要能跟其所在的社會和自然環(huán)境交互。 曾毅：我認為人工智能的圣杯（holy grail）是開發(fā)通用智能系統(tǒng)，這種系統(tǒng)由人腦的機制啟發(fā)，并且表現(xiàn)得像人類。真正的人類水平的智能系統(tǒng)應當可以處理環(huán)境信息，定義問題，然后自己找到解決方案。 中國人工智能的黃金時代蒲慕明：中國在人工智能領域做了什么？需要什么樣政策是支持其發(fā)展？譚鐵牛：在中國，這是神經科學和人工智能的黃金時代。中國政府在非常認真地對待這件事。 通過虛擬化計算技術，現(xiàn)在我們研發(fā)出的處理器雖然很小，但是可以在神經網絡中模擬不限數(shù)量的神經系統(tǒng)和突觸。蒲慕明：在中科院自動化研究所呢？您覺得有什么進展？曾毅：腦啟發(fā)智能是我們研究所的關注點。 并行大腦模擬器也是一系列認知機器人的“大腦”，這個人工大腦的多個區(qū)域可以相互協(xié)調執(zhí)行各種認知任務。

強強聯(lián)袂！騰訊云與國雙戰(zhàn)略簽約，錨定國產數(shù)據庫巨大市場:

日前，騰訊云計算（北京）有限責任公司與北京國雙科技有限公司簽署了《國產數(shù)據庫產品戰(zhàn)略合作協(xié)議》，雙方將在數(shù)據庫技術方面展開深度合作，通過分布式交易型tdsql數(shù)據庫的聯(lián)合研發(fā)、產品服務體系建設、品牌和市場共建 ，進一步擁抱云原生，共建共贏生態(tài)，為千行百業(yè)提供企業(yè)級數(shù)據庫解決方案，助力產業(yè)發(fā)展、企業(yè)和政府組織的數(shù)字化智能化轉型。 國雙自主研發(fā)的新一代云原生并存并算數(shù)據倉庫產品在賦能企業(yè)和政府組織數(shù)智化轉型的進程中發(fā)揮著獨特的作用。 今天，我們能夠與騰訊云聯(lián)袂出陣，優(yōu)勢互補互為生態(tài)，相信一定能夠通過國產數(shù)據庫的建設，為大型企業(yè)和政府數(shù)字化轉型做出貢獻?！?tdsql金融核心系統(tǒng)客戶數(shù)國內領先 ↓↓點擊閱讀原文，了解更多優(yōu)惠

南陵縣政府辦公政務OA系統(tǒng)：滄　縣政務政務OA系統(tǒng)中覆蓋四種場景、包含正負向反饋，騰訊、西湖大學等發(fā)布推薦系統(tǒng)公開數(shù)據集tenrec

用性，通過手機即可隨時隨地的處理“公文流轉、公文簽批、日程管理、通訊錄、新聞資訊”等等在內的企業(yè)辦公功能，解放了管理者和使用者，讓辦公真正高效起來。既然移動辦公成為未來發(fā)展趨勢，那么協(xié)同管理政務OA系統(tǒng)辦公軟件廠商該如何在移動辦公軟件上發(fā)力呢？多數(shù)業(yè)內人士認為技術創(chuàng)新是關鍵，而對于技術上始終保持領先優(yōu)勢的政務OA企業(yè)來說，負責人表示技術基礎之上，拓展性強的功能更為重要，進一步講則是項目落地能力要強，才會展現(xiàn)出協(xié)同管理電子政務oa系統(tǒng)系統(tǒng)的服務品質?！耙苿?a href="http://www.nds518.com/" target="_blank" style="font-size:16px; line-height:35px;color:red;">政務OA系統(tǒng)生逢其時，但是移動政務OA系統(tǒng)必須適應隨需而變的應用環(huán)境，如果從資源整合延伸到功能拓展，很大程度上能夠滿足多數(shù)移動化辦公人群的需求?！币?a href="http://www.nds518.com/" target="_blank" style="font-size:16px; line-height:35px;color:red;">政務OA負責人的觀點，移動化OA辦公軟件的項目落地能力成為系統(tǒng)服務品質高低的“分水嶺”，言外之意不是從pc端轉機器之心專欄 機器之心編輯部 來自騰訊、西湖大學的研究者發(fā)布了一種新的推薦系統(tǒng)數(shù)據集 tenrec，記錄了來自四種不同推薦場景的各種用戶反饋。 近些年來，通過各種內容平臺瀏覽視頻或者是閱讀文章的用戶越來越多，而現(xiàn)有的推薦算法有時難以很好地建模用戶的偏好，因此需要更準確的推薦系統(tǒng)模型。但已知的推薦系統(tǒng)（rs）的基準數(shù)據集要么是小規(guī)模的，要么是用戶反饋形式非常有限。在這些數(shù)據集上評估的推薦系統(tǒng)模型往往缺乏實用性，難以為大規(guī)模真實場景應用提供足夠的價值。 在本文中，來自騰訊、西湖大學的研究者發(fā)布了 tenrec 數(shù)據集，一套超大規(guī)模的推薦系統(tǒng)公開數(shù)據集和評測基準，它記錄了來自四種不同推薦場景的各種用戶反饋。 論文地址：https://arxiv.org/abs/2210.10629 代碼地址：https://github.com/yuangh-x/2022-nips-tenrec 數(shù)據集地址：https://static.qblv.qq.com/qblv/h5/algo-frontend/tenrec_dataset.html 具體來說，tenrec 有 以下五個特點：(1)規(guī)模大，包含約 500 萬用戶和 1.4 億次互動；(2)不僅有正向的用戶反饋，也有真實的負反饋；(3)它包含四種不同場景中重疊的用戶和重疊 items；(4)它包含各種類型的用戶正反饋，以點擊、點贊、分享形式等；(5)它包含了除了用戶 id 和 item id 之外的附加特征，如用戶年齡、性別和 items 類別等。 研究者通過對每個任務運行幾個經典的 baseline 模型來驗證 11 個不同的推薦任務上的 tenrec 表現(xiàn)。tenrec 有很大的潛力成為一個對多數(shù)流行推薦系統(tǒng)任務有用的基準數(shù)據集。 數(shù)據集描述 tenrec 是一個為多個推薦任務開發(fā)的數(shù)據集，數(shù)據收集來自騰訊的兩個不同的內容推薦平臺（qb 和 qk）。qk/qb 中的一條數(shù)據可以是一篇圖文或一段視頻。需要注意的是，圖文推薦模型和視頻推薦模型是分別用不同的神經網絡和特征進行訓練的。因此，可以認為 tenrec 總共是由四個場景的用戶反饋組成的，即 qk-video、qk-article、qb-video 和 qb-article。研究者從兩個內容平臺收集用戶（匿名處理）的行為日志，首先從 qk-video 的數(shù)據庫中隨機抽取五百萬的用戶，抽取的這些用戶至少包含五個及以上的點擊行為。然后再抽取用戶的相關行為，包含正反饋行為：點擊、分享、喜歡和關注等，負反饋行為：item 曝光但無點擊的用戶行為。最終抓取約 1.42 億的點擊行為，1 千萬的喜歡行為，1 百萬的分享行為和 86 萬的關注行為以及總共 3.75 百萬的視頻數(shù)量。除了用戶行為以外，還包括經過脫敏處理后的用戶年齡、用戶性別和物品類別等特征。對于 qk- article、qb-video 和 qb-article 場景采用相似的數(shù)據處理方式，其中 qk-video 為主場景數(shù)據集，另外三個為次要場景，可用于推薦系統(tǒng)中的遷移學習場景或者冷啟動場景等。詳細的數(shù)據統(tǒng)計可見下表 1。 圖 2(a)和 (b) 顯示了 qk-video 在點擊行為中的 item 頻率。由下圖可得，item 頻率遵循典型的長尾分布。(c)展示了會話長度的分布，其中具有 [0～20] 長度的會話的數(shù)量占所有會話的 53%。另外三個數(shù)據集有相似的結論。 其次，tenrec 在四個場景中有重疊的用戶和 item。對于用戶，我們統(tǒng)計 qk-video 和 qk-article，qb-video，qb-article 的重疊數(shù)量，因為 qk-video 覆蓋了最多的用戶、items 和交互。其中，qk-video 和 qk-article 重疊用戶數(shù)為 268207，qk-video 和 qb-video 重疊用戶數(shù)為 3261，在 qk-video 和 qb-article 之間的重疊用戶數(shù)為 58。對于 items 的重疊數(shù)量，qk-video 和 qb-video 之間有 78,482 個重疊的視頻。重疊的用戶和 items 可以通過其唯一的 id 索引進行關聯(lián)。由于 tenrec 有交疊的用戶和 items，因此它非常適合用于研究遷移學習和交叉領域學習等任務。 除上述所說的優(yōu)勢之外，tenrec 和現(xiàn)有的推薦系統(tǒng)不同的是，它包含不止一種用戶反饋。qk-video 和 qb-video 除了用戶點擊行為外，還包括點贊，分享和關注等行為，這些行為比點擊行為更加能夠反映出用戶的偏好程度。在 qk-article 和 qb-article 同樣有用戶的正反饋，除上述行為之外，還包括閱讀行為和喜歡行為。除了上述的各種正反饋行為外，tenrec 還包括真實的負反饋行為，即 item 展示給用戶，但是用戶不感興趣并沒有點擊 item。真實的負樣本可以幫助 ctr 等推薦系統(tǒng)任務更加真實地學習到用戶的興趣。 tenrec 數(shù)據集具體的特征如下所示，qk-video/qb-video 的特征包括 {user id, item id, click, like, share, follow,video category, watching times, user gender, user age}。其中 click, like, share, follow 特征是二值屬性，代表用戶是否有相關的行為。video category 是視頻類別，watching times 是用戶觀看該視頻次數(shù)。而有敏感信息的 user id, item id, user gender, user age 特征都做了匿名化處理。另外，qk-article/qb-article 的特征包括 {user id, item id, click, like, share, follow, read, favorite, click_count, like_count, comment_count, exposure_count, read_percentage, category_second, category_first, item_score1, item_score2, item_score3, read_time}。其中“*_count” 代表的是相應行為的總數(shù)量， read_percentage 是用戶的閱讀完成度，取值范圍從 0 到 100。category_first 和 category_second 是文章的類別，其中 category_first 是粗粒度類別（如體育、娛樂、軍事等），category_second 是細粒度類別 （例如：nba、世界杯、科比等）。item_score1、item_score2、item_score3 表示不同評分系統(tǒng)給出的打分。read_time 是閱讀的持續(xù)時間。 實驗驗證 接下來研究者將用十一個不同的推薦任務驗證 tenrec 數(shù)據集。 1、ctr prediction ctr prediction 是一個經典的推薦任務，其目標是預測用戶是否要點擊一個推薦的項目。研究者在 qk-video 的采樣版本上執(zhí)行這個任務，即隨機抽取從 qk-video 數(shù)據集中抽取 100 萬個用戶，稱為 qk-video-1m。 數(shù)據預處理：在處理過程中保留所有的正反饋（點擊行為），并抽取一部分真實負反饋，正 / 負抽樣比為 1：2。通過這樣做，我們總共獲得了 1,948,388 個項目和 86,642,580 個交互作用，可以達到 96.7% 的稀疏性。然后研究者將數(shù)據切分成 8：1：1，分別作為訓練集，驗證集，和測試集。訓練樣本包括如下特征：user id、item id、性別、年齡、視頻類別和用戶 10 個歷史點擊項目。我們分別對上述特征做特征嵌入。 baseline 模型：在該任務中，研究者使用如下模型：wide & deep, deepfm, nfm, xdeepfm, afm, dcn, dcnv2, din, dien。另外，進行了共享歷史 embeddings 和非共享歷史 embeddings 的實驗比較。 實驗結果：上表顯示了不同方法在 qk-video-1m 數(shù)據集上的 auc 評估指標結果?？梢杂^察到，一般來說，這些 ctr 模型的表現(xiàn)非常相似。其次非共享歷史 embeddings 的表現(xiàn)要略好于共享 embeddings。 2、session-based recommendation 基于會話的推薦（sbr），也稱序列推薦，給定一個會話序列（即之前的交互 items），目的是預測下一個 item，sbr 的一個關鍵特征是在訓練過程中明確地建模交互順序，這通常會產生更好的 top-n 結果。 數(shù)據處理：研究者使用 qk-video-1m 來評估各個 baseline 模型。遵循常規(guī)的實驗設置，研究者過濾掉序列長度小于 10 的會話，同時設置會話的最大長度為 30。經過數(shù)據預處理之后，可以得到 928,562 個用戶，1,189,341 個 items 和 37,823,609 個點擊互動。實驗保留會話中的最后一項用于測試，最后第二項用于驗證，剩下的用于訓練。 baseline 模型：在該任務中，研究者使用如下模型：gru4rec, nextitnet, sasrec, bert4rec。 實驗結果：研究者使用標準的 top-n 排名指標來評估所有的模型，即 hr 和 ndcg。n 被設置為 20。表 3 顯示了 4 個模型試驗的結果。觀察結果如下：(1)單向模型 gru4rec、nextitnet 和 sasrec 在 hr@20 和 ndcg@20 上比雙向 bert4rec 提供更好的結果。(2)在相同的訓練方式下，三個單向模型的性能相似。 3、multi-task learning for recommendation 多任務學習（mtl）的目標是同時學習兩個或多個任務，同時最大化其中一個或所有任務的性能。在這里，我們試圖對用戶對點擊和點贊的偏好進行建模而不是其中之一。該任務中使用與 ctr prediction 相同的數(shù)據集和分割策略。不同之處在于，該任務有兩個輸出目標，一個用于點擊，另一個用于點贊?？紤]到 tenrec 包含了許多類型的用戶反饋，人們可以利用更多的目標來構建更具挑戰(zhàn)性的 mtl 任務，例如 3 個、4 個甚至 6 個任務 (即通過點擊、點贊、分享、關注、閱讀、收藏等) 從 qk-article 數(shù)據集學習。 baseline 模型：在該任務中，研究者使用如下模型：esmm、mmoe、ple。 實驗結果：表 4 顯示了四種方法在 qk-video-1m 數(shù)據集上 auc 的結果。正如我們所看到的，esmm 在點擊和點贊的預測方面都比 mmoe 表現(xiàn)得更好。 4、transfer learning for recommendation 遷移學習（tf）——首先通過預訓練，然后進行微調，這已經成為 nlp 和 cv 中常用的方法。該任務中，首先在源域預先訓練 sbr 模型（即 nextitnet 和 sasrec），然后在目標域中使用相同的模型（其他參數(shù)隨機初始化），將在源域學習到的隱藏層參數(shù)遷移到目標領域中（即 cnn 和 self-attention 的參數(shù)）。 數(shù)據預處理：使用在 sbr 任務中的數(shù)據集作為源數(shù)據集，并使用 qb-video 點擊反饋作為目標數(shù)據集。 baseline 模型：在該任務中，研究者使用如下模型：nextitnet、sasrec。 實驗結果：表 5 顯示了有和沒有預訓練的比較結果。觀察可得，nextitnet 和 sasrec 通過預訓練能產生更好的 top-n 結果。這表明，從大型訓練數(shù)據集學習到的隱藏層參數(shù)，可以作為在目標域訓練數(shù)據不足時模型參數(shù)的初始化。 5、user profile prediction 用戶個人信息是個性化推薦系統(tǒng)的重要特征，特別是對冷用戶或者新用戶的推薦。最近，相關文獻證明了通過對用戶的點擊行為進行建模，可以很準確地預測用戶的個人信息。 數(shù)據預處理：研究者在 qk-video-1m 上完成實驗。先移除沒有個人信息特征的用戶，然后按照 8:1:1 的比例劃分成訓練集、驗證集和測試集。 baseline 模型：在該任務中，研究者使用如下模型：dnn、peterrec 和 bert4rec。 實驗結果：表 6 顯示了 5 個 baseline 模型的 acc 結果。首先，peterrec 和 bert4rec 的表現(xiàn)優(yōu)于 dnn，表明建模用戶序列行為時 cnn 和 self-attention 網絡更強大。第二，peterrec 和 bert4rec 的有預訓練比從零開始訓練效果更好。 6、cold-start recommendation 冷啟動是推薦任務中一個懸而未決的挑戰(zhàn)。tenrec 的一個主要優(yōu)點是有用戶重疊和 items 重疊的信息，因此可用于解決冷啟動的問題。 數(shù)據預處理：該任務中 qk-video 作為源數(shù)據集，qk-article 作為目標數(shù)據集。為了更加貼合實際場景，研究者設置了幾個不同的冷用戶場景，例如全冷用戶和冷熱用戶混合場景。同樣的，這里設置 8:1:1 的數(shù)據劃分策略。 baseline 模型：在該任務中，研究者使用如下模型：peterrec 和 bert4rec。 實驗結果：表 7 顯示了 cold-start recommendation 的結果。首先，我們發(fā)現(xiàn) peterrec 和 bert4rec 通過預訓練都有明顯的效果提升。 7、lifelong user representation learning 當把一個模型從一個領域遷移到另一個領域時，在原始任務訓練的參數(shù)往往會被修改來適應新的任務。因此，模型將不再適用于原始任務，這就是災難性遺忘。conure 提出了一個 "一個模型適用所有任務" 的學習框架，其目的是建立一個適用所有場景的用戶表征（user representation：ur）模型。在本節(jié)中，研究者通過在四個場景中遷移用戶的偏好來研究終身學習（lifelong learning ll），即從 qk-video 到 qk-article 到 qb-video 到 qb-article。 數(shù)據預處理：研究者從 qk-video-1m 隨機抽取百分之五十的用戶用于 ll 的任務 1。然后使用 qk-article、qb-video 和 qb-article 與作為其他任務的數(shù)據集。其中，qk-article 保留最多三個交互，由于 qb-video 和 qb-article 的用戶量和點擊行為較少，因此保留這兩個數(shù)據集的用戶的所有交互。 baseline 模型：在該任務中，研究者將 conure 的方法應用在 nextitnet 和 sasrec 上。 實驗結果：表 8 顯示了用持續(xù)學習的用戶表征進行推薦的結果?？梢郧宄乜吹剑驗樵谌蝿?1 的預訓練，conure 在任務 2、3 和 4 上提供了性能改進。 8、model compression 模型壓縮可以將大型神經模型部署到容量有限的設備中，如 gpu 和 tpu（張量處理單元）。對于推薦系統(tǒng)模型來說，嵌入層的參數(shù)數(shù)量很容易達到數(shù)億到數(shù)十億的級別。 數(shù)據預處理：研究者對 session-based recommendation 任務中的模型進行參數(shù)壓縮，并使用與 session-based recommendation 任務相同的數(shù)據集。 baseline 模型：該任務中將 cprec 框架應用在 nextitnet 和 sasrec 上。 實驗結果：表 9 顯示 cprec 將 nextitnet 和 sasrec 壓縮到其原始大小的三分之二。 9、model training speedup 這項任務的目的是加速層數(shù)非常多的模型的訓練過程。與淺層的 ctr 模型不同，sbr 模型層數(shù)可以更深。為了加速訓練過程，他們提出了 stackrec，它首先學習一個淺層模型，然后將這些淺層復制為深層模型。同樣地，研究者通過使用 nextitnet 和 sasrec 作為骨架來評估 stackrec 框架。 數(shù)據預處理：數(shù)據集使用和預處理方式與 session-based recommendation 任務相同。 baseline 模型：該任務中將 stackrec 框架應用在 nextitnet 和 sasrec 上。 實驗結果：表 10 顯示了訓練加速的結果?？梢缘贸鰩讉€觀察結果：(1) stackrec 明顯減少了 nextitnet 和 sasrec 的訓練時間；(2) 訓練加速并沒有導致推薦精度的下降。 10、model inference speedup 隨著模型層數(shù)地增加，會出現(xiàn)一個問題：推理成本也大大增加。導致在線推理的高延遲。然而實際場景中，推薦系統(tǒng)中的用戶可以分為困難用戶和容易用戶，向容易用戶推薦物品不需要通過整個網絡。因此，可應用 skiprec 框架。在模型推理階段，它可以自適應地決定哪個用戶需要哪個層。 數(shù)據預處理：數(shù)據集使用 qb-video，預處理方式與 session-based recommendation 任務相同。 baseline 模型：該任務中將 skiprec 框架應用在 nextitnet 和 sasrec 上。 實驗結果：表 11 顯示了 skiprec 對 qb-video 的影響。我們看到 skiprec 中的跳過策略可以大大加快 sbr 模型的推理時間，例如 nextitnet 約加速 23%，sasrec 約 32%。且 32 層的 skiprec-nextitnet 依然要比 16 層的 nextitnet 的推理速度要快。 11、top-n recommendation top-n 推薦是推薦系統(tǒng)較為經典的任務。研究者在 qb-video 數(shù)據集上驗證 top-n recommendation。 數(shù)據預處理：過濾掉序列長度小于 10 的用戶，并且按照 8:1:1 的分割比例劃分訓練集、驗證集和測試集。另外，采用隨機采樣和頻率采樣作為負采樣方法。 baseline 模型：在該任務中使用 mf，ncf，ngcf 和 light gcn 模型。 實驗結果：實驗結果表明，一個更好的負采樣器有助于提高準確率，例如頻率采樣。 結論 本文向讀者介紹了 tenrec，目的是推動推薦系統(tǒng)社區(qū)的發(fā)展。它是目前最大和最通用的推薦數(shù)據集之一，涵蓋多個具有各種類型用戶反饋的真實場景，用戶反饋行為包括點擊，點贊，分享，關注和真實負反饋等。并且研究者呈現(xiàn)了十一個熱門推薦系統(tǒng)任務的經典算法在 tenrec 上的實驗結果，tenrec 可用于 ctr 預測、序列推薦、多任務學習、遷移學習、用戶畫像預測、冷啟動推薦、終身學習、模型壓縮、模型訓練加速、模型推理加速和 top-n 推薦等相關任務研究。除了上述任務以外，tenrec 還可以應用于交叉領域推薦，用戶不同反饋的遷移和不同負采樣的 items 推薦等任務。tenrec 經過數(shù)據脫敏處理，用戶的個人信息隱私問題得到了很好的保護。 ? the end 轉載請聯(lián)系本公眾號獲得授權 投稿或尋求報道：content@jiqizhixin.com

中國云計算產業(yè)發(fā)展前景與投資戰(zhàn)略分析:

作為工信部云計算標準委員會的主要成員，百度還參與了中國云計算的標準制定，并在科技部863云計算關鍵技術與系統(tǒng)（一期）重大項目中，承擔了網絡操作系統(tǒng)研制和互聯(lián)網語言翻譯系統(tǒng)研制兩個重要課題。 （2）電子政務市場競爭格局由于電子政務應用的特殊性，國外廠商 ibm、sap、oracle 等廠商涉足較少，國內軟件服務企業(yè)成為電子政務的主要業(yè)務應用軟件供應商，如山東浪潮齊魯軟件產業(yè)股份有限公司、同方政務系統(tǒng)科技有限公司等 中國云計算重點工程計劃發(fā)展情況分析北京“祥云工程（一）“祥云工程”具體措施分析“祥云工程”具體措施包括以下三方面：（1）建設堅實一流的信息技術基礎設施服務平臺（iaas，“基礎云”）；（2）扶植統(tǒng)一開放的云計算軟件開發(fā)與應用環(huán)境服務平臺 在保證核心地圖產品的基礎上，公司在智能車載操作系統(tǒng)、混合導航引擎、手機車聯(lián)方案等產品線上做了深入布局，結合云端海量數(shù)據處理服務，提供了面向車載領域最完整的、擁有完全自主知識產權的車聯(lián)網方案。 2.云計算產業(yè)投資機會分析最先受益產業(yè)分析it 基礎設施包括服務器、存儲、網絡等硬件設備，操作系統(tǒng)、虛擬化、it 系統(tǒng)運維監(jiān)測等方面的軟件，以及系統(tǒng)集成服務。

和聯(lián)合國對話的機會來了！:

今天，聯(lián)合國駐華系統(tǒng)宣布和騰訊共同啟動“中國青年對話未來”系列活動，將向所有的中國青年開放報名。 要做什么？ 作為聯(lián)合國與青年之間重要的對話交流活動，大家將有機會圍繞科技和文化等主題分小組來探討，通過騰訊會議向聯(lián)合國駐華系統(tǒng)提交針對消除貧困、保護地球等社會問題的創(chuàng)新解決方案。 “中國青年對話未來”系列活動 “中國青年對話未來”系列活動將面向聯(lián)合國2030可持續(xù)發(fā)展目標，例如消除貧困、保護地球、文化傳承等等，希望能激發(fā)和支持青年積極思考，理性表達，成為實現(xiàn)可持續(xù)發(fā)展目標的重要推動力 （左滑查看，立即預約報名） 詳細的招募細則，將在5月底的正式報名時公布。 期待各位青年的參與。 也許你的一個小想法，能影響77億人的未來。 ? 聯(lián)合國駐華系統(tǒng) 聯(lián)合國駐華系統(tǒng)由24個聯(lián)合國駐華基金、計劃署規(guī)劃署和專門機構組成。 聯(lián)合國駐華機構與各級政府和非政府伙伴合作，支持政府落實國家發(fā)展目標以及各國商定的共同發(fā)展目標，包括可持續(xù)發(fā)展目標。

【pony.ai無人車隊廣州正式上路】樓教主攜手廣汽，打造“世界級智駕公司”:

作者：常佩琦【新智元導讀】今天，小馬智行pony.ai與廣汽集團達成戰(zhàn)略合作伙伴關系，推出了全國第一支城區(qū)運營白天黑夜全場景無人駕駛車隊，正式在廣州南沙上路。 此次正式上路由南沙區(qū)政府出發(fā)，拐入南沙主干道路鳳凰大道，途徑風景優(yōu)美的沿河蕉西路，最后到達燈光節(jié)的舉辦地市民廣場，為廣大市民體驗最新的駕駛技術提供便利。 james peng也充滿信心，“小馬智行世界級的軟件研發(fā)實力，結合廣汽集團世界級的硬件實力和車輛技術，雙方一定能研發(fā)出世界一流的智能駕駛系統(tǒng)?！?政府支持+投資者青睞，打造“世界級智能駕駛公司”在廣州“iab”計劃以及南沙區(qū)管委會對人工智能產業(yè)的大力支持下，小馬智行表示，要在南沙持續(xù)發(fā)力，成立人工智能研究院和無人駕駛展示中心；與激光雷達公司velodyne 小馬智行也得到了資本的青睞，于一月份剛剛完成了a輪融資，融資金額為1.12億美元，是目前國內無人駕駛初創(chuàng)公司的最高a輪融資紀錄。?

解讀美國國會關于opm數(shù)據泄露事件的調查報告:

)；2014年10月，在fbi發(fā)出“美國大量政府和商業(yè)公司正遭受網絡間諜攻擊”的警告后，攻擊者從opm網絡中轉移到了存儲有opm竊取資料的美國內政部doi數(shù)據中心；2014年12月，攻擊者從內政部doi 當前，很多政府機構嚴重依賴第三方承包商進行信息系統(tǒng)維護，存在很多潛在安全風險，比如，承包商公司員工可以以政府雇員身份使用未授權的認證登錄進入政府網絡系統(tǒng)，當然這也就不難理解造成opm數(shù)據泄露事件的原因。 2004年8月簽發(fā)的國土安全12號總統(tǒng)令(hspd-12),要求政府機構在簽發(fā)和使用聯(lián)邦個人身份驗證智能卡證書時必須遵循特定的技術標準和業(yè)務流程,包括驗證員工和承包商身份所需的標準化背景調查。 在2005-2007年間的opm督察辦審計年報中都對信息系統(tǒng)存在的漏洞進行過識別。在2008年的半年國會報告中，opm督察辦承認保護敏感信息和個人身份信息的長期必要性。 年9月，opm督察辦報告聲稱opm的信息安全狀況正在惡化；2010年初，opm督察辦繼續(xù)對opm信息安全狀況表示“嚴重擔心“； 2012年，opm把信息安全業(yè)務集中劃歸給首席信息辦（ocio）承擔，2012

轉載請注明出處,本站網址：http://www.nds518.com/news_2062.html