XiaoMi-AI文件搜索系统
World File Search System半自动化
Infusion 4.0 - 使用光纤传感器检测复合材料部件中的流动前沿
该项目的主要目标是开发一种通过光纤传感器检测大型单片复合材料部件的流动前沿技术。这里研究的部件是复合材料助推器外壳，但 Infusion 4.0 技术也可以应用于其他应用。助推器外壳采用真空灌注制造，这意味着由干缠绕碳纤维制成的干预制件在真空灌注铺层中被树脂渗透。在树脂灌注和固化过程中，部件在烤箱中缓慢旋转以避免树脂积聚。树脂与干纤维接触的区域是流动前沿。通过数字模型可视化这个目前不可见的工艺步骤是 Infusion 4.0 项目的目标。制造过程本身在 MT Aerospace 之前的项目中得到了优化。新技术可以检测到流动前沿与预期理想状态的偏差，未来可以在更数字化的制造环境中开发半自动化或全自动工业流程，这是朝着未来太空部件预期的 4.0 工业化迈出的一大步。主要手动的复合材料制造工艺的数字化可能也适用于其他行业，例如航空、风能业务或造船业。
在德国高速公路上接受专业司机的卡车排。混合方法方法
卡车排驾驶是当前自动驾驶的分支，它有可能从根本上改变专业驾驶员的工作常规。在排系统中，一辆卡车（半）自动遵循距离降低的铅卡车，从而可节省大量燃料并实现更好的交通流量。在当前使用卡车排驾驶的应用中，以下车辆以2级自动化运行。因此，以下卡车的驾驶员只需要监督半自动化系统，该系统接管转向和速度控制。Level-2卡车排驾驶以前尚未与专业司机进行实际交通测试。我们假设在排驾驶经验后，用户接受度将有所改善。定量问卷和定性访谈是在经过广泛的自动bahn体验之前和之后对10个司机进行的。结果显示经验后的接受程度明显增加。排驾驶评估为更有用，更易于使用，并且经历后更安全。除了感知到驾驶安全性，卡车排的声望，系统的感知有用性以及一般技术亲和力共同确定的用户接受。
GLEAMER 融资 750 万欧元，用于推广人工智能平台...
巴黎，2020 年 9 月 24 日——法国医疗科技公司 GLEAMER 开发了一款人工智能软件平台，帮助放射科医生诊断患者。该公司宣布，已在 A 轮融资中获得 750 万欧元，领投方为 XAnge，新投资者包括 MACSF、Majycc eSanté Invest 和 Crista Galli Ventures，以及之前的投资者 Elaia 和国有基金 Ambition Amorçage Angels (F3A)，后者由 Bpifrance 作为其未来投资计划 (PIA) 的一部分进行管理。此外，包括 Nicolas Theumann 教授在内的 37 位放射科医生参加了本轮融资，此举有望推动 BoneView®（该公司软件系列中的第一款人工智能应用程序）在欧洲、中东、亚洲和拉丁美洲的市场推广。筹集的资金还将用于获得美国食品药品监督管理局 (F.D.A.) 的批准以在美国销售 BoneView® 并继续开发 GLEAMER 的人工智能产品线以用于放射学的其他领域。“GLEAMER 体现了我们的投资指导原则：让尽可能多的人能够使用最先进的技术，在这种情况下，就是使用人工智能帮助放射科医生诊断我们所有患者，”XAnge 的执行合伙人 Guillaume Meulle 说道。“我们很高兴与医疗保健专业人士和与我们一样相信人工智能能够帮助放射科医生进行日常诊断的专项基金一起投资 GLEAMER。GLEAMER 的管理团队在法国市场的卫生当局和医疗界建立了良好的声誉，这让我们有信心其软件平台将被广泛和迅速地采用，”MACSF 集团风险投资经理 Stanislas Subra 说道。如今，全球急诊放射学市场价值 120 亿欧元（来源：GLEAMER）。对医学成像的需求大大增加，全球每年为创伤生成超过 4 亿张医学图像。这是急诊室中最常见的医学检查，包括在法国，每年为创伤生成 1100 万张医学图像（估计来自：https://www.ccomptes.fr/fr/publications/limagerie‐medicale ）。GLEAMER 通过为放射科医生提供人工智能来为他们提供支持。一款通过医学图像对创伤进行半自动化诊断的软件。“这轮融资将使我们能够继续在全球推出现有软件，并进一步开发我们的产品线。我们的计划是利用我们的人工智能成为放射科医生的首选合作伙伴。软件平台，将涵盖所有标准放射程序。通过为他们提供半自动化、可靠和快速的诊断，我们帮助他们提高护理质量和生产力，”GLEAMER 联合创始人 Christian Allouche 说道。
概念证明：使用Chatgpt将地球系统模型从Fortran转换为Python/jax
地球系统模型（ESM）对于理解过去，现在和未来的气候至关重要，但它们遭受了旧式技术基础设施的困扰。ESM主要在Fortran中实施，该语言为早期职业科学家带来了很高的入境障碍，并且缺乏GPU运行时，随着GPU功率的增加和CPU缩放缩放的速度，这对于继续前进至关重要。fortran也缺乏可不同的性能 - 通过数值代码区分的能力 - 可以实现整合机器学习方法的混合模型。将ESM从Fortran转换为Python/JAX可以解决这些问题。这项工作提出了一种半自动化的方法，该方法使用大语言模型（GPT-4）将单个模型组件从Fortran转换为Python/Jax。通过从社区地球系统模型（CESM）中转换光合作用模型，我们证明了Python/JAX版本使用GPU并行化最多可快速运行时间，并通过自动差异启用参数估计。Python代码也易于阅读和运行，教室的讲师可以使用。这项工作说明了通往快速，包容和可区分气候模型的最终目标的途径。
利益相关者对诊断人工智能的观点：共同生产的定性证据综合
我们包括了所有经过同行评审的英语文章，这些文章调查了利益相关者对诊断AI的看法，并且是主要定性或混合方法研究。我们将诊断AI定义为旨在根据任何模态的健康数据输入的任何医学状况自动化/半自动化的软件：例如，放射图像。我们没有对软件的输出或目标用户施加任何限制。与旨在替代人类临床医生的软件相比，我们没有对诊断AI的自主权水平限制：旨在用作诊断辅助的软件。我们包括参与者讨论假设或现有诊断AI的所有公共事件，或者参与者在诊断医学专业（例如放射学）中分享了他们对AI的意见。我们排除了在讨论中的软件基于规则的出版物（即使用一组不变的，预定的规则的软件）。如果参与者没有明确讨论诊断AI的使用，则将排除出版物。例如，考虑了一项研究12探索助产士对AI的看法的研究，但最终被排除在外，因为参与者在诊断中没有讨论AI。例如，考虑了一项研究12探索助产士对AI的看法的研究，但最终被排除在外，因为参与者在诊断中没有讨论AI。
小胶质形态分析-ORCA-加的夫大学
长期以来，通过形态计量分析量化小胶质细胞激活一直是神经免疫学家工具包的主要内容。小胶质形态现象学可以通过手动分类或构造数字骨骼并从中提取形态计量数据来进行。可以使用半自动化和/或完全自动化的方法以不同程度的准确性来生成这些骨架的多个开放式和付费软件包。尽管在产生形态计量学的方法方面取得了进步（细胞形态的定量测量），但工具的开发有限，可以分析它们生成的数据集，尤其是那些包含来自全自动管道分析的成千上万个单元的参数的工具。在这篇综述中，我们使用集群分析和机器学习驱动的预测算法进行比较和批评，这些算法已开发出来解决这些大数据集，并提出了这些方法的改进。，我们强调了对开放这些分类者的群体开放科学的承诺的必要性。此外，我们引起人们对具有强大软件工程/计算机科学背景的人与神经免疫学家之间进行沟通的需求，以生产具有简化可操作性的有效分析工具，如果我们要看到神经胶质生物学社区的广泛采用。
反恐和新兴威胁的办公室BAA概述和优先事项
OCET的高级制造业还考虑了1.b.1区域下的提交，包括：•促进和评估自动化或半自动化的进程监控和控制系统和方法...•研究高级制造对产品质量的影响……•调查供应链管理，数据共享和固定能力的改进，以降低供应技术和固定能力，以降低供应技术和恢复能力•化学效果•化学效果，以限制效果，并降低了机构的能力，并在化学范围内降低了工具和恢复能力，并进行了化学效果，并进行了工具，并进行了工具，并进行了工具，并进行了工具，并进行了工具，并进行了工具，并进行了工具，并进行了工具，并进行了工具，并进行了工具，并衡量了供应链接和固定能力。使用高级制造技术制造的FDA调节产品的生物行为。•调查或开发在影响疫苗，药物，诊断和设备在关键和潜在短缺地区生产的领域的高级制造方法的实施和采用的方法。
2024 年例会 - 参议院法案 182 章节
(II) 使用自动或半自动化流程仅为了编辑录音或图像以便在执法机构之外发布或披露以保护录音或图像中描述的主体的隐私，并且该流程不会生成或导致保留任何生物特征数据或监视信息。 (C)“执法机构”具有《公共安全法》第 2-502 条第 2-101 款中规定的含义。 (A) 除本节另有规定外，不得将面部识别技术生成的结果引入刑事诉讼或根据《法院条例》第 3 章第 8A 节进行的违法行为诉讼中。 (B) (1) 除本节第 (2) 款规定外，仅可在刑事诉讼中将面部识别技术生成的结果视为或作为证据引入，以确立可决原因或积极身份识别： (I) 与签发逮捕令有关；或 (II) 在初步听证会上。 (2) (I) 除本款第 (II) 项另有规定外，面部识别技术生成的结果不得作为刑事调查或诉讼中确定个人的可行原因或积极身份识别的唯一依据。 (II) 只有在结果得到其他独立获得的确定可行原因或积极身份识别证据的支持下，才可使用面部识别技术确定可行原因或积极身份识别。2-503。 (A) (1) 警官或执法机构的其他雇员或代理人在进行刑事调查时不得：
推进数字取证调查的自动化
摘要 当传统的预防性安全机制无法遏制复杂而隐秘的网络犯罪事件时，数字取证可用于辅助这些机制。数字取证调查过程基本上是手动的，或者充其量是半自动化的，需要高技能的劳动力并投入大量时间。行业标准工具以证据为中心，仅自动执行少数前期任务（例如解析和索引），并且从多个证据源进行集成的能力有限。此外，这些工具始终是人为驱动的。这些挑战在当今日益计算机化和高度网络化的环境中更加严重。需要收集和分析的数字证据量增加了，典型案件中涉及的数字证据来源的多样性也增加了。这进一步阻碍了数字取证从业者、实验室和执法机构，导致案件积压导致调查和法律系统的延误。需要提高数字调查过程的效率，以提高速度并减少人力投入。本研究旨在通过推进数字取证调查流程的自动化来实现这一时间和精力的减少。使用设计科学研究方法，设计和开发工件以解决这些实际问题。总结一下，自动化数字调查系统的要求和架构
使用 nnU-Net 分割脑微出血
脑微出血是低信号的、小的、圆形或卵圆形的病变 [1, 2]；在具有梯度回波、T2* 或磁敏感加权 (SWI) 成像的磁共振成像 (MRI) 上可见 [3, 4, 5]。脑微出血的评估主要通过目视检查进行，使用经过验证的评分量表，例如微出血解剖评分量表 (MARS)[6] 或脑观察者微出血量表 (BOMBS)[7]。在过去十年中，在深度学习技术在医学图像分析中兴起之前 [8]，已经开发出用于辅助脑微出血检测的半自动化工具。这些包括基于统一分割 [9]、支持向量机 [10] 或径向对称变换 [11, 12, 13] 的技术。近年来，由于深度学习技术的巨大进步，全自动微出血检测方法的数量大幅增加[14、15、16、17、18]。在本文中，我们探索使用 nnU-Net[19] 作为微出血分割的全自动工具。这种基于深度学习的自配置语义分割方法在许多国际生物医学分割竞赛中表现出色[20]，但尚未应用于脑微出血检测和分割任务。