XiaoMi-AI文件搜索系统
World File Search System动态环境
第 13 届 EIASM 高层管理团队与商业战略研究研讨会
董事在应对自恋型 CEO 时的风险管理（李嘉涛、徐月华）讨论者：DON LANGE 领导者自恋与组织韧性：COVID-19 背景下的实证分析（VERENA HOSSNOFSKY、SEBASTIAN JUNGE）讨论者：李嘉涛 1.4。动态环境中的首席数字官和 TMT 行为（主席：JON BUNDY - 002 室） 动态环境中的社交培养和高层管理团队行为整合（GANQI TANG、QUY HUY、DANIEL MACK、WEIRU CHEN） 评论者：FELIX LORENZ 承担、获得和稳定高层管理团队中的新角色：首席数字官和高管职位设计实践（FELIX LORENZ、MARJO-RIITTA DIEHL、ARNE BUCHWALD） 评论者：ROMAN BARWINSKI 实质还是象征意义：任命首席数字官作为对性别歧视的回应（ROMAN Barwinski、YAO MA、DIMITRIOS GEORGAKAKIS) 讨论人：唐甘奇
下一代中档EVTOL SUAS
我们的系统家庭，包括四个EVTOL无人机和一个无人机端口解决方案，集成了硬件，软件和AI，以提供创新的空中智能，用于多域操作和软件定义的防御。我们的可扩展和功能解决方案是动态环境中高效且网络情境意识的关键。
用于移动信息物理系统舰队反应式舰队维护支援规划的多智能体系统
摘要：提高移动信息物理系统车队的可用性和可靠性以及在车队层面面临意外事件时调整维护计划决策的能力是制造商和运营商面临的主要问题。在本研究中，作者提出了一种用于移动信息物理系统车队维护计划的反应式多智能体系统模型。为此，使用了 ANEMONA 多智能体设计方法。在该方法中，对智能体进行建模，然后描述它们的组织和交互视图。在静态和动态环境中进行数值实验。在静态环境中，将提出的多智能体系统与数学规划模型进行比较，以验证前者在满足车队可用性和可靠性预期方面的有效性。在动态环境中，模拟扰动用于说明所提出的多智能体系统的反应性。最后，提出了一种应用于法国庞巴迪运输公司列车维护的铁路运输应用。为此，所提出的多智能体系统集成在目前正在开发的名为“MainFleet”的决策支持系统的模型层中。
Digihealth Institute
医疗保健数据实验室（HCDLAB）是模拟医疗保健系统过程中的动态环境。其主要目标是为学生提供一个动手平台，以探索和理解医疗保健信息系统的复杂性。实验室重点是将这些系统集成到医院和医疗实践中的现实过程中。学生不仅有机会获得理论知识，还可以积极参与医疗保健信息系统的实际方面。
使用机器学习的频道选择
摘要 - 该渠道在任何无线通信系统中都起着重要作用。如果发射器和接收器之间仅存在一个通道，如果链接失败，则无法建立通信。可以通过引入多个通信渠道来提高通信的可靠性。不仅通道的数量，而且所使用的通道类型也会影响系统。尽管在这个方向上完成的工作很少，但与长距离相关的作品并未具有重要意义。此外，手动频道切换是推荐的选择，但是手动切换受到该机构的人员的极大影响，并且可能始终不准确。遵循这些，本文提出了一种基于Wi-Fi和Lora（远程）技术的渠道选择机制。优势在于，该机制考虑了两种无线电技术，可以为给定条件选择最佳渠道。此外，引入了基于机器学习的技术，以根据历史数据学习最佳使用的渠道，这有助于实现自动频道选择。这将在动态环境中特别有用，在动态环境中，通道条件可以经常改变。为了验证所提出的概念，进行了各种实验，从实验结果中，可以观察到KNN算法可以实现良好的性能。
革命性的主持和市场访问
*强化学习是一种机器学习，计算机可以通过在动态环境中重复试用和错误的互动来学习任务。该AI工具的“损失”，其模型的预测频率是不正确的，已经测量并观察到随着训练的进行而显着减少。在研究中，结果表明，训练过程开始时损失急剧下降，但是该模型迅速掌握了数据中的模式。缩写：AI：人工智能； LLM：大语言模型
马尔可夫决策过程的安全加固学习对手臂操纵的安全性学习
摘要：在人类与肉体共存的世界中，确保安全互动至关重要。传统的基于逻辑的方法通常缺乏机器人所需的直觉，尤其是在这些方法无法解释所有可能场景的复杂环境中。强化学习在机器人技术中表现出了希望，因为它的适应性优于传统逻辑。但是，增强学习的探索性质会危害安全性。本文解决了动态环境中机器人手臂操纵器计划轨迹的挑战。此外，本文强调了容易奖励黑客的多种奖励作品的陷阱。提出了一种具有简化奖励和约束配方的新方法。这使机器人臂能够避免从未重置的非机构障碍，从而增强操作安全性。提出的方法将标量的预期回报与Markov决策过程结合在一起，通过Lagrange乘法器，从而提高了性能。标量组件使用指示器成本函数值，直接从重播缓冲区采样，作为附加的缩放系数。这种方法在条件不断变化的动态环境中特别有效，而不是仅依靠Lagrange乘数扩展的预期成本。