早早到机场却遭遇值机拥堵,登机口变更却没有接到通知,转机到达后却发现托运行李“失踪”,打开电脑却发现机场WiFi时断时续……
如果你热爱旅行,或者你是一位经常出差的空中飞人,那你应该深有体会——机场服务体验对整个出游来说至关重要。从值机、行李托运到文件扫描、航班改签和登机等诸多环节中,一旦哪个出现问题,都能让人烦恼。
国际航协(IATA)预计,到2030年,全球客运量将翻番,超过60亿人次。随着出行次数的增多和出行节奏的加快,乘客对机场的要求也在变化:除了要求机场设施的舒适性,购物、餐饮的丰富性以及流畅的WiFi全覆盖之外,对各个环节的便捷、自助、人性化需求,也日益强烈。除此之外,据权威报告显示,全球机场ICT投入主要受到包括旅客服务项目升级、出行安全、移动商务以及新技术驱动等因素的影响,逐渐进入到智能运营以及开发转型的数字化发展路径上。最为明显的特点即是随着全球大型机场高吞吐量以及旅客移动应用趋势不断升级,机场服务能力以及ICT环境愈发强调业务零中断、高可靠性以及高稳定性,看似简单的三点要求,其实背后需要强大的ICT基础设施以及出色的解决方案支撑。
机场必须作出改变,以满足日益增长的旅客需求。目前,部分机场正在尝试生物识别或大数据分析等技术,作为机场数字化的下一个前沿方向。那么,未来机场究竟会是什么样的?航站楼内会有何种设施?它们又将为旅客提供什么样的乘机体验呢?
事实上,为了能够借助ICT技术更好地为旅客提供优质服务,全球机场58%的首席信息官们预计,今年航空业在信息技术投入的预算相比去年,将从90亿美金规模上升到100亿美金以上!根据2015年机场IT趋势调查揭示的机场CIO技术投资计划,未来3年,81%的机场计划投资传感器技术,61%的机场计划投资生物识别解决方案,53%的机场计划投资数字化标签。
以全球最繁忙的机场之一迪拜机场为例。庞大的客流量驱动下,迪拜机场亟待提升信息化和数据化能力,保障未来业务发展的可持续性,并为客户提供最便捷优质的服务。去年10月,全球首个双TierIII预制模块化数据中心落地迪拜国际机场。华为为迪拜机场提供的预制模块化数据中心解决方案,采用的高效技术和智能管理系统,拥有快速部署、灵活扩容、专业团队落地交付等优势,更达到TierIII设计和建造双认证的苛刻标准,保证迪拜机场基础配套设施的可靠性达到99.98%,为客户实现全新的数据中心建设。该项目为迪拜机场节约60%以上的建设时间,能效降低了30%以上,运维管理效率得到显著提升。
国内航空业中,首都国际机场新运控中心建设中,采用了华为服务器、存储等优势产品构建首都国际机场新运控中心IT平台,为首都国际机场的安全、运行、服务一体化运作提供保障。
实际上,为了整合机场资源、按需规划虚拟服务、分析机场和航空公司的数据以提高机场服务能力,华为向全球多家机场、航空公司和空管提供极为丰富的ICT解决方案,包括室内外模块化数据中心、服务器、存储、可靠的融合云平台、高效的大数据分析平台和先进的通信方案。
以上仅是华为服务于全球航空业中一小部分案例。除此之外,华为还与合作伙伴一起开发新的解决方案,比如利用面部识别登机技术,未来乘客在值机时出示一次护照和面部特征登记,然后在登机口摄像头会自动再次扫描乘客的脸部,并将结果与先前注册的信息进行对比。比对通过后闸门即开,乘客无需扫描登机牌就能登上飞机。该技术有效减轻乘客排队压力,有助于机场业主加速人群流动和降低人力成本。
为了适应机场不断扩大的需求和规模,华为对机场的信息化建设遵循了三个关键思路:一是做出具有明显行业特性的可靠ICT解决方案;二是满足业务系统未来可持续发展的规划;三是方案服务对应的是不断发展变化的用户需求。
而这三个思路的终极目标则是聚焦在如何在分秒间产生海量信息数据,如何有效汇聚、存储、处理和传输如此庞大的数据流量,提高机场管理的信息化、智能化,提升旅客的切身体验,这也正是华为与客户和合作伙伴同力打造全连接、智能化、人性化的智慧机场的价值所在。
迄今为止,华为深耕机场行业20余载,已为全球40多个机场、航空公司和空管部门提供了优质的ICT服务。其中,15+客运量超过3千万人次、10家中国国内客流量排名前十的机场,以及迪拜、新加坡、北京、巴黎4家国际客流量排名TOP10的机场均采用华为创新ICT解决方案。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。