» Håll dig ajour kring AI · En AI-skapad och ständigt föränderlig nyhetstidning om AI. Idag har vår robot sammanfattat 294 nyhetshändelser. Upptäck gärna vår kurs AI på jobbet förresten. «
TensorFlow är ett öppet källkodsprogrambibliotek utvecklat av Google för maskininlärning och neuronnätverk. Det används för att skapa, träna och implementera olika typer av maskininlärningsmodeller, inklusive djupinlärning och artificiell intelligens. TensorFlow gör det möjligt för utvecklare att snabbt och enkelt bygga och utveckla AI-applikationer och system. Biblioteket är skrivet i C++ och Python och är kompatibelt med flera plattformar som Windows, macOS, Linux och mobil. TensorFlow används ofta inom bildigenkänning, språkbehandling, röstigenkänning och rekommendationssystem.
Senaste nytt kring TensorFlow
Lär dig skriva AI-appar i C# med hjälp av bibliotek och molntjänster
För C#-utvecklare som vill lära sig skriva AI-appar finns det flera bibliotek och molntjänster som kan vara användbara. Bland koncepten att förstå finns generativ AI, datastrukturer som LLMs, maskininlärning och naturligt språkbearbetning. Microsoft har nyligen börjat lägga till .NET-bibliotek som fungerar direkt med AI-tjänster på Azure. Ett sådant nytt C#-bibliotek kallas Microsoft.Extensions.AI. Det finns också flera öppna källkods- och gratisbibliotek tillgängliga för C#-utvecklare för att arbeta med AI-modeller som LLMs, inklusive TensorFlow.NET, ML.NET och ONNX.
har gått vår kurs "AI på jobbet".
Udacity släpper rapport om AI:s tillstånd på arbetsplatsen 2025
Udacity, nu ett företag inom Accenture, har släppt sin rapport State of AI at Work 2025. Rapporten beskriver hur AI-tekniken omformar arbetsplatser inom olika branscher och var det finns mest betydande möjligheter för kompetensutveckling. Huvudpunkterna inkluderar: nästan 90% av arbetstagarna vill utveckla sina AI-färdigheter genom ytterligare utbildning och certifieringar, men endast en av tre säger att deras organisation tillhandahåller resurserna för att göra det. Mer än hälften av arbetstagarna rapporterar att deras arbetsgivare saknar tydliga AI-riktlinjer. Mer än hälften (54%) av millennials tror att AI kan öka intäkter eller inkomster, medan endast 24% av generation Z och 16% av generation X kände så. AI-skrivassistenter är ett favoritverktyg för slutanvändare på jobbet.
Google satsar på generativ AI med nya funktioner och gratis utbildningskurser
Generativ AI har blivit en het samtalsämne, och lockar till sig stora investeringar från riskkapitalister som satsar på genAI-startups, trots att det inte finns någon garanti för omedelbara avkastningar. Experter förutspår att marknaden för generativ AI kommer att nå imponerande 109,3 miljarder dollar år 2030. Google, en av de ledande aktörerna inom detta område, har introducerat en svit med generativa AI-funktioner för Gmail, avtäckt den avancerade språkmodellen PaLM 2, visat upp Med-PaLM 2 för medicinska tillämpningar och lyft fram Bard för utvecklare. Google har även presenterat förbättringar av generativ AI för Google Cloud, inklusive Duet AI, och introducerade grundmodeller som Codey, Imagen och Chirp. Nyligen introducerade Google också gratis utbildningskurser i generativ AI som också kommer med ett slutförandebevis.
Hugging Face blir populärt bland AI-användare
Hugging Face har blivit ett välkänt namn bland AI-användare. Dess Transformers-bibliotek tillhandahåller förtränade modeller för att utföra olika uppgifter inom naturlig språkbearbetning (NLP), såsom textgenerering, översättning och sammanfattning. Med omfattande dokumentation och gemenskapsstöd, tillsammans med integration med PyTorch och TensorFlow, gör Hugging Face det mycket bekvämt för både nybörjare och professionella utvecklare.
Forskning om identifieringsmodeller för ansiktsmasker och social distansering
Forskare har genomfört experiment för att säkerställa att resultaten är relevanta för identifieringsmodellen. Experimenten utfördes på MATLAB-plattformen med TensorFlow och PyTorch djupinlärningsramverk, med en Intel(R) Core (TM) i7-8565U CPU @ 1.80 –1.99 GHz, RAM 8GB, Ubuntu 18.04 operativsystem. Metoden använder stora mängder data från GitHub och Kaggle, inklusive 16 000 träningsbilder och 12 751 testbilder. Dataförstärkningstekniker används för att förbättra modellens robusthet och förhindra överanpassning. Forskningen jämför också metoden med andra etablerade metoder.
