作为一座大型城市的CDO,与普通CDO是决然不同的。Sam Edelstein作为纽约雪城的CDO,证明了自己是给非典型的CDO,不仅是他现在的职位,而且还有他获得这个职位的职业历程。
在取得信息管理硕士学位之前,Edelstein曾经作为报社记者、在韩国当过英语老师、在华盛顿当作社交媒体经理。在取得硕士学位之后,Edelstein开始为在雪城市长办公室的Office of Innovation(由彭博慈善基金会资助)担任分析协调员。今年在美国麻省理工学院举行的首席数据官CDO论坛上,Edelstein接受了采访。
数据和城市的基础设施
基础设施会产生很多数据点。例如,记录每个漏水点、坑洞和下水道堵塞的数据,这些都是孤岛数据。Edelstein将这些标记为没有被合并的数据,但是最近,他开始查看重叠的数据。
过程是这样的:假设有一条路需要重铺,在修路之前,他会查看最近五年这条路上任何关于漏水的记录。这样,Edelstein就可以避免因为一些反复出现的问题而在完成铺路之后还要维修。
开放数据的价值
Edelstein谈到了联邦和各州开放数据的用途。New State Portal是可搜索的,记录了交通之类的信息。当作城市规划的时候,这些数据可能是很有用处的。
"如果他们在我们的城市中做了这种调研的话我会很高兴的。"Edelstein这样评论说,当这些数据公布的时候,应该以一种"数据驱动的方式",作为"关键数据集"首先发布。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。