إضاءة دبي

(SeaPRwire) –   بكين، 5 فبراير 2024 – أعلنت شركة “ويمي هولجرام كلاود” المحدودة (المدرجة في بورصة ناسداك تحت الرمز: WIMI) (والتي يشار إليها باسم “ويمي” أو “الشركة”)، وهي شركة رائدة عالميًا في مجال الواقع المعزز الهولوغرافي (“AR”)، اليوم أنها كشفت عن خوارزمية جديدة لتعلم التمثيل متعدد العرض للتعامل مع مشكلة تجميع تدفق البيانات. ويمكن أن توفر خوارزمية تعلم التمثيل متعدد العرض حلاً فعّالاً لمشكلة تجميع تدفق البيانات. وخوارزمية تعلم التمثيل متعدد العرض هي طريقة لتعلم البيانات ودمجها من وجهات نظر متعددة للحصول على تمثيل أكثر شمولاً. وفي تجميع تدفق البيانات، يُمكن استخدام وجهات نظر متعددة لتمثيل جوانب مختلفة من تدفق البيانات، مثل عرض السلاسل الزمنية والعرض المكاني وما إلى ذلك، ويمكن لكل عرض تقديم معلومات مختلفة.

وعبر تعلم سمات كل عرض، يتم اكتشاف الأنماط والهياكل المحتملة للبيانات ودمجها لتحسين دقة واستقرار تجميع تدفق البيانات لفهم وتحليل تدفق البيانات بشكل أفضل. والآن، أصبحت خوارزميات تعلم التمثيل متعدد العرض مستخدمة على نطاق واسع وآفاقها واعدة للغاية. فعلى سبيل المثال، يُمكن استخدامها في المجال المالي لتقسيم العملاء وما إلى ذلك. وفي المجال الطبي، يُمكن استخدامها لتشخيص الأمراض ومراقبة المرضى وما إلى ذلك. وفي مجال التجارة الإلكترونية، يُمكن استخدامها لتحليل سلوك المستخدم والتوصية بالمنتجات وما إلى ذلك.

وتتمكن خوارزمية تعلم التمثيل متعدد العرض من توليف المعلومات من وجهات نظر متعددة لتقديم وصف أكثر شمولاً للبيانات. وتوفر آراء مختلفة ميزات ووجهات نظر مختلفة، وعبر الجمع بينها يُمكن الحصول على تمثيل أكثر دقة وشامل للبيانات. ونظرًا لأن خوارزمية تعلم التمثيل متعدد العرض يمكنها الاستفادة من المعلومات من وجهات نظر متعددة، يُمكنها توفير تمثيل أكثر ثراءً للبيانات. ومن خلال دمج وجهات النظر المتعددة، يُمكن للخوارزمية التقاط المزيد من التفاصيل والارتباطات في البيانات، وبالتالي تحسين تمثيل البيانات. ويُمكن أن تحسن خوارزميات تعلم التمثيل متعدد العرض أداء التجميع بشكل فعال. وعبر توليف المعلومات من وجهات نظر متعددة، يُمكن للخوارزمية تقليل أوجه القصور في وجهات النظر الفردية وتحسين دقة واستقرار التجميع ككل. ويُمكن لخوارزمية تعلم التمثيل متعدد العرض التعامل بشكل أفضل مع الضوضاء والقيم المتطرفة في البيانات، مما يجعل نتائج التجميع أكثر موثوقية. ويُمكن لخوارزمية تعلم التمثيل متعدد العرض التكيف مع أنواع مختلفة من البيانات. وبما أن وجهات النظر المختلفة قد تحتوي على أنواع مختلفة من الميزات، يُمكن لخوارزمية تعلم التمثيل متعدد العرض معالجة المواقف التي تحتوي على أنواع بيانات مختلفة بمرونة. وهذا يجعل الخوارزمية أكثر تنوعًا وقابلية للتكيف عند التعامل مع بيانات متعددة.

ومما لا شك فيه أن لخوارزميات تعلم التمثيل متعدد العرض مزايا توليف المعلومات متعددة العرض، وتحسين تمثيل البيانات، وتحسين أداء التجميع، والتكيف مع أنواع البيانات المختلفة. وهذه المزايا تجعل خوارزميات تعلم التمثيل متعدد العرض لديها القدرة على الاستخدام على نطاق واسع في مهام تجميع البيانات.

يتم أولاً جمع مجموعة البيانات، بما في ذلك البيانات من وجهات نظر متعددة. كما تتم معالجة البيانات مسبقًا، بما في ذلك تنظيف البيانات واستخراج الميزات وتحويل البيانات. ثم يتم تعلم البيانات باستخدام خوارزمية تعلم التمثيل متعدد العرض للحصول على تمثيلات متعددة للبيانات. ثم يتم تجميع وجهات النظر المتعددة المُتعلم عليها للحصول على نتائج تجميع متعددة. ويتم دمج نتائج التجميع المتعددة للحصول على نتائج التجميع النهائية.

ويُمكن تصنيف خوارزمية تعلم التمثيل متعدد العرض إلى طرق قائمة على تحليل المصفوفة وطرق قائمة على التعلم العميق وطرق قائمة على الرسم البياني وما إلى ذلك. ويُمكن للطرق القائمة على تحليل المصفوفة تمثيل وجهات نظر متعددة للبيانات كمصفوفة، ثم استخدام تحليل المصفوفة لتعلم البيانات. ويُمكن للطرق القائمة على التعلم العميق الاستفادة من نماذج مثل الشبكات العصبية العميقة لتعلم البيانات والحصول على تمثيل أكثر دقة. ويُمكن للطرق القائمة على الرسم البياني الاستفادة من أفكار نظرية الرسم البياني للتعلم من البيانات والحصول على تمثيل أكثر شمولاً.

ويُمكن لخوارزمية تعلم التمثيل متعدد العرض التعامل بشكل فعال مع مشكلة تجميع تدفق البيانات من خلال التعلم المشترك للتمثيلات متعددة العرض ودمجها مع خوارزميات التجميع التقليدية. وتتمثل فكرتها الأساسية في الاستفادة من المعلومات التي توفرها وجهات النظر المختلفة لالتقاط الهيكل الجوهري للبيانات وذلك بهدف تحسين دقة واستقرار التجميع.

وفي المستقبل، ومع التطور المستمر للبيانات الضخمة وتقنية الذكاء الاصطناعي، سيتم تطبيق خوارزمية تعلم التمثيل متعدد العرض في مجالات أكثر. وفي الوقت نفسه، ومع التحسين المستمر للخوارزمية، سيتم تحسين دقتها بشكل أكبر.

نبذة عن “ويمي هولجرام كلاود”
WIMI Hologram Cloud, Inc. (“ويمي هولجرام كلاود”، المدرجة في بورصة ناسداك تحت الرمز: WIMI) هي مزود شامل للحلول الفنية الهولوغرامية السحابية يركز على المجالات الاحترافية بما في ذلك برنامج عرض المعلومات العالية (HUD) الهولوغرافي على الزجاج الأمامي في السيارات، وليدار النبض الهولوغرافي ثلاثي الأبعاد، وأجهزة العرض الضوئية الهولوغرافية المثبتة على الرأس، وأشباه الموصلات الهولوغرافية، والبرمجيات السحابية الهولوغرافية، ونظام الملاحة في السيارات الهولوغرافي وغيرها. وتشمل خدماتها وتقنيات AR الهولوغرافية تطبيق AR الهولوغرافي للسيارات، وتقنية Lidar النبض الهولوغرافي ثلاثي الأبعاد، وتقنية أشباه الموصلات الرؤية الهولوغرافية، وتطوير البرمجيات الهولوغرافية، وتقنية الإعلان الهولوغرافي AR، وتقنية الترفيه الهولوغرافي AR، وخدمة الدفع الهولوغرافي ARSDK، والاتصال التفاعلي الهولوغرافي وتقنيات AR الهولوغرافية الأخرى.

بيانات الملاذ الآمن
يحتوي هذا البيان الصحفي على “بيانات تطلعية” ضمن قانون الإصلاح الخاص بالتقاضي بشأن الأوراق المالية الخاصة لعام 1995. ويمكن التعرف على هذه البيانات التطلعية من خلال مصطلحات مثل “سوف” و”نتوقع” و”نتوقع” و”مستقبلي” و”نسعى” و”نخطط” و”نعتقد” و”نقدر” وبيانات مماثلة. والبيانات التي لا تعتبر حقائق تاريخية، بما في ذلك البيانات المتعلقة باعتقادات وتوقعات الشركة، هي بيانات تطلعية. ومن بين أمور أخرى، فإن النظرة المستقبلية للأعمال والاقتباسات من الإدارة في هذا البيان الصحفي والخطط الإستراتيجية والتشغيلية للشركة تحتوي على بيانات تطلعية. وقد تقدم الشركة أيضًا بيانات تطلعية مكتوبة أو شفهية في تقاريرها الدورية إلى هيئة الأوراق المالية والبورصات الأمريكية (“SEC”) على النموذجين 20-F و6-K، وفي تقريرها السنوي إلى المساهمين، وفي البيانات الصحفية والمواد المكتوبة الأخرى، وفي البيانات الشفهية التي يدلي بها مسؤولوها ومديروها وموظفوها إلى أطراف ثالثة. وتتضمن البيانات التطلعية مخاطر وشكوكًا جوهرية. وقد تتسبب عدة عوامل في اختلاف النتائج الفعلية بصورة جوهرية عن النتائج الواردة في أي بيانات تطلعية، بما في ذلك على سبيل المثال لا الحصر ما يلي: أهداف واستراتيجيات