电力及公用事业行业深度分析：碳中和下高成长赛道，经济性稳定性提升共助新能源运营崛起

* 本报告来自网络，如有侵权请联系删除

电力及公用事业行业深度分析：碳中和下高成长赛道，经济性稳定性提升共助新能源运营崛起

纠错

价格免费

年份2021

来源安信证券

数据类型数据报告

关键字电气设备, 水电, 新能源, 绿色能源

店铺镝数进入店铺

发布时间2021-10-27

PDF下载

数据简介

机器学习技术近些年来在人工智能应用领域迅猛发展，例如计算机视觉、自然语言处理、语音识别等。这些机器学习技术的成功，尤其是深度学习的应用，皆是建立在丰富的数据资源之上。传统机器学习方法需要将数据从多方进行整合标记后进行机器学习的训练，导致数据原始拥有者失去对数据的掌控。

详情描述

机器学习技术近些年来在人工智能应用领域迅猛发展，例如计算机视觉、自然语言处理、语音识别等。这些机器学习技术的成功，尤其是深度学习的应用，皆是建立在丰富的数据资源之上。传统机器学习方法需要将数据从多方进行整合标记后进行机器学习的训练，导致数据原始拥有者失去对数据的掌控。随着数据产业价值的不断彰显，数据拥有权受到日益重视，数据拥有方对于数据失去掌控后的担忧以及数据整合后利益分配的不确定性,使得传统集中式机器学习的方式变得不再有效或适用，带来数据碎片化和孤岛分布的问题。随着数字化经济时代的到来，海量数据带来的产业价值日益彰显，人们对于人工智能应用中数据隐私保护与所有权问题的关注度也在不断提高，并俨然成为世界性问题。与此同时，随着用户数据泄露的与此同时，随着物联网和边缘计算的兴起，人工智能的应用不再拘泥于单一的个体和组织，而是需要在多个本地进行计算与协同。因此,如何在满足数据隐私和安全的前提下解决数据孤岛和数据碎片化问题，如何安全且有效的实现模型在多个地点与组织间的更新和共享，是当前人工智能领域面临的首要挑战之一。在此背景下，联邦学习(Federated Learning，FL）应运而生。