Search Results for "doc-o-matic"

...The architecture combines dense (MLP) and sparse (embedding) branches, then interacts features via dot product or feature interactions before passing through further dense layers to predict click-through, ranking scores, or conversion probabilities. The implementation is optimized for performance at scale, supporting multi-GPU and multi-node execution, quantization, embedding partitioning, and pipelined I/O to feed huge embeddings efficiently. It includes data loaders for standard benchmarks (like Criteo), training scripts, evaluation tools, and capabilities like mixed precision, gradient compression, and memory fusion to maximize throughput.

...Celem projektu jest opracowanie sytemu wczesnego wykrywania symptomów awarii elementów wirujących, można osiągnąć analizując widmo częstotliwościowe drgań, emitowanych przez maszyny. Sygnałem zbliżającej się awarii łożysk jest pojawienie się w widmie składowych harmonicznych o niskiej amplitudzie i stosunkowo wysokiej częstotliwości, często większych niż 5 kHz i zawsze poza podstawową częstotliwością rotacji. Tylko akcelerometry o niskim poziomie szumów i szerokim paśmie częstotliwości mogą to zmierzyć, dostarczą one cennych informacji, podczas gdy urządzenia o wyższym poziomie szumów jeszcze niczego nie wykryją.

Es una aplicación para realizar pronósticos de carga eléctrica a corto plazo, basado en una nueva combinación efectiva de técnicas de aprendizaje profundo “Deep Learning”, que considera los desafíos de las redes eléctricas inteligentes. Esta primer versión beta permite realizar pronósticos de carga eléctrica, desde un enfoque determinístico o probabilístico, para un horizonte de tiempo arbitrario a corto plazo.

...Duża ilość danych wejściowych determinuje wykorzystanie sztucznej inteligencji do analizy i predykcji stanu urządzenia. Upraszcza to etap wdrożenia gdyż nie wymaga kosztownej kalibracji a jedynie etapu uczenia, czyli uzupełnienia danych wejściowych o klasyfikację stanu.

This project turns edge devices such as Raspberry Pi into an intelligent gateway with deep learning running on it. No internet connection is required, everything is done locally on the edge device itself. Further, multiple edge devices can create a distributed AIoT network. At DT42, we believe that bringing deep learning to edge devices is the trend towards the future. It not only saves costs of data transmission and storage but also makes devices able to respond according to the events...

...What you see in training is what you get in serving: all data processing and features extraction are integrated into a model graph. Text classification, named entity recognition, question and answering, text summarization, etc. Uniform I/O interfaces and no changes for new models.