BuildingMinds:迅达成立创业公司推动房地产行业数字化转型

瑞士埃比孔--(美国商业资讯)--迅达集团(Schindler)今天宣布成立一家通过软件即服务(Saas)优化房地产资产管理的初创公司BuildingMinds

BuildingMinds将与微软合作,使用微软AzureDynamics 365云平台。结合微软智能云和商业应用结合迅达在全球房地产领域服务楼宇业主的深厚经验。

BuildingMinds将为房地产资产优化提供一站式服务平台,颠覆现有房地产行业的楼宇管理方式。该初创公司将开发一种完全集成的、不受限于硬件的云解决方案,允许楼宇业主集中管理所有物业和服务提供商,从而提高透明度和运营效率。

BuildingMinds成立于欧洲著名的房地产技术初创企业聚集地,柏林。公司致力于为全球客户提供服务,并计划于今年年底前将其团队至少扩充至100名数字专家。

微软全球销售、营销和运营执行副总裁兼总裁Jean-Philippe Courtois表示:此次合作将迅达在楼宇管理行业的世界级专长与微软的技术优势结合在一起,将有力推动整个行业的创新。BuildingMinds将提供一系列量身定制的智能楼宇解决方案,帮助世界各地的楼宇业主面对日常运营挑战。

BuildingMinds首席运营官Jens Mueller表示:如今,物业使用不同的供应商应用程序,系统之间通常无法连通。随着数字化的发展,房地产业主面临的一项挑战就是,如何管理被楼宇组合内各式各样的应用程序所锁定的数据。

迅达集团董事长Silvio Napoli表示:楼宇管理和房地产资产优化对数据驱动的智能应用有着巨大的需求,而且这种需求还在不断增长。将我们的行业洞察与我们的数字化专长相结合,能使BuildingMinds在引领正在发生的行业变革方面发挥重要作用。这将弥补智能楼宇兴起过程中一项长期存在的空白,我们很高兴在这项关键举措上能与微软这样的全球领导者合作。

市场研究公司Orbis Research预测,全球智能楼宇市场预计将从2016年的约80亿美元增长到2023年的约580亿美元。为了把握数字化的机遇,房地产公司正在投资新的解决方案,将他们的物业与供应商的生态系统和更广泛的资产组合进行整合。通过联手合作,BuildingMinds和微软将有效聚合所需的能力,加速这种转变。

BuildingMinds将作为迅达集团旗下的独立公司开展运营。作为其唯一股东,迅达已为该初创公司拨付了高达1.5亿欧元的资金,其中四分之一预计将在2019年支出。

免责声明:本公告之原文版本乃官方授权版本。译文仅供方便了解之用,烦请参照原文,原文版本乃唯一具法律效力之版本。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值