Grab’s Central Data Team built a multi-agent AI system to automate repetitive engineering support tasks across its data warehouse platform. The system separates investigation and enhancement...

When pg_type and pg_attribute are partially destroyed, how do you piece together a corrupted database? This real-world case reveals an ingenious workaround that saved 46% of the data.

文章提供了Rust编程课程的链接，包括GitHub地址和QQ群信息，方便学习者报名参与。

The Climate Transition Impact Framework is an approach for socioeconomic analysis of climate plans, piloted in Indonesia to help provide an evidence base to support climate action decision-making.

本研究探讨了大语言模型在非英语环境中的应用挑战，识别了多语言工作流中的整合问题。分析指出现代神经评估指标在区分有意义评论与噪声方面的不足，并提出了26种错误类别，揭示了不同语言在连贯性、信息量和语法遵从性上的差异。

本研究比较了多智能体强化学习（MARL）与传统固定时间信号控制在交通信号优化中的效果。结果表明，MARL显著降低了平均等待时间，提高了通行能力，显示其在城市交通管理中的重要潜力。

本研究探讨投票建议应用（VAA）在对抗性操控下对民主过程的风险，揭示了11种操控策略及其影响。提出VAA应具备的对抗鲁棒性属性，并建立评估指标，以减少操控影响，确保基于AI的VAA的安全性和可靠性。

本研究探讨大型语言模型（LLMs）是否记忆推荐数据集，特别是MovieLens-1M。结果表明，模型的记忆程度与推荐性能相关，揭示了LLMs在推荐任务中的潜在局限性和偏见。

本研究探讨了稀疏自编码器在Java函数漏洞检测中的有效性，解决了传统方法的高假阳性率和可扩展性问题。结果表明，稀疏自编码器能有效检测软件漏洞，F1得分最高达89%，显著优于微调的变压器编码基线。

本研究探讨了医疗领域中用户对人工智能生成解释的理解与信任。通过用户研究，评估了不同类型的可解释人工智能（XAI）解释的有效性，发现某些解释能够增强医生的信心，从而改善诊断决策过程。

本研究比较了SMT和MILP在护士排班问题上的应用，发现SMT在多样化班次中表现优越，而MILP在高度约束问题下更有效，为未来的人员调度研究提供了新思路。

本研究探讨了大型语言模型（LLMs）在社交媒体数据中识别和注释人权侵犯的能力。通过比较不同LLMs在零样本和少样本条件下的表现，揭示了它们在处理复杂文本时的错误模式及其在多语言背景下的适用性和局限性。

本研究评估了现代视觉异常检测方法在半导体制造中的应用，特别是在缺乏标记样本的情况下。通过基于MIIC数据集的基准，展示了无监督学习的有效性，降低了检测成本，提高了效率，推动了行业技术进步。

本研究提出了一种基于人工智能的肾脏异常分割算法，旨在提高临床评估的客观性。该算法经过验证，能够在不同患者中保持高性能，从而增强肾脏疾病的评估和诊断能力。

本研究探讨了多智能体大语言模型系统中协作推理的有效结构设计，发现专业对齐依赖于特定领域，整合多样知识的协作优于刚性任务分解，为多智能体系统提供了具体指导。

本研究探讨公司在人工智能应用中对环境可持续性的关注。通过对10个组织的访谈，发现大多数公司重视商业效率，环境监测和缓解措施有限，只有少数提及绿色人工智能实践。现行法规效力不足，需增强产业意识并提供更便捷的绿色实践工具。

本研究提出了一种创新的糖尿病预测框架，结合传统机器学习与先进集成方法。DNet模型利用卷积神经网络和长短期记忆网络，取得99.79%的准确率和99.98%的AUC-ROC，显示其在医疗诊断中的潜在应用价值。

本文研究了大语言模型（LLMs）在网络安全中的应用，特别是针对STRIDE威胁建模的案例。研究表明，LLMs在建模5G威胁时的表现受到多种因素的影响，强调了对其进行调整以满足网络安全需求的重要性。