XiaoMi-AI文件搜索系统
World File Search System原始数据
M.TECH.（机械 - PLM）
产品开发流程和方法：集成产品开发流程 - 识别客户需求：从客户那里收集原始数据，根据客户需求解释原始数据，将需求组织成层次结构，确定需求的相对重要性并反映结果和过程，构思 - 规范，概念设计：概念生成的活动，概念选择：方法概述，概念筛选和概念评分，设计 - 详细设计，验证和分析（模拟），工具设计，实现 - 计划制造：影响材料和工艺选择的因素，选择中使用的方法，工具和软件，制造，构建/组装，测试（质量检查），服务 - 销售和交付，使用，维护和支持，处置。
2022/10/17 - 2022/10/18 - 用于铁路轨道系统预测性维护的语义 AI - 国际铁路安全委员会 2022
（电邮：twinson@mtr.com.hk、+852-2688 1337） 4 香港数据科学研究所 / 香港城市大学数据科学学院，香港九龙达之路（电邮：yuyang@cityu.edu.hk、Joe.Qin@cityu.edu.hk、qingpeng.zhang@cityu.edu.hk、lishuai.li@cityu.edu.hk） 5 香港城市大学建筑及土木工程系，香港九龙达之路（电邮：paullam@cityu.edu.hk） 背景 香港是世界上人口最密集的城市之一。为满足市民的出行需求，铁路每天的服务时间很长，导致维护时间很短。为了进一步提高铁路的安全性和可靠性，重要的是实施有效的方法分析铁路事故，探索事故之间的相关性，并对铁路系统中高风险设备和区域发出警报，以实现对铁路轨道系统的新型预测性维护。近年来，数据驱动方法迅速渗透到制造业、金融业、交通运输业、网络安全和医疗保健等各个行业领域。因此，在本研究中，我们旨在通过建立人工智能（AI）模型，利用广泛的铁路数据，例如铁路事故报告、维护记录、实时状况数据和在线信息，这些数据对于深入了解导致铁路轨道事故的不同关联程度的相关因素很有价值。在人工智能模型构建方面，将原始数据转化为结构化知识至关重要，这样人工智能技术才能有效地处理数据并使用数据进行预测。许多信息提取技术用于将原始数据转换为结构化数据。例如，正则表达式（Regex）通常用于提取特定的关键字；可以应用插值方法来处理原始数据中的缺失值；四分位距（IQR）用于去除原始数据中可能误导下游数据分析任务的异常值；复杂的无监督学习方法，如主成分分析（PCA）（Pearson，1901）和K均值（Lloyd，1982；MacQueen，1967），用于提取信息特征。
8. 范围 3 温室气体排放情况说明书
● 类别 1 和 2 - 采购的商品和服务以及资本货物：罗氏于 2020 年开始量化范围 3 类别 1 和 2。该方法随着时间的推移不断完善，以提高排放因子的相关性和准确性。当前的计算方法使用混合模型，结合基于活动的数据（如果可用）和基于支出的排放因子。支出数据取自原始数据（罗氏 OPERA 系统），乘以排放因子，得出二氧化碳当量排放量。多区域排放因子模型已于 2024 年实施，以更准确地表示我们全球供应链 1 的影响以及对 2022 年和 2023 年的重述。该方法预计将随着时间的推移进一步完善，以利用供应商原始数据等。
人工智能在皮肤病学中的原理、应用和未来
深度学习 (DL) ( 19 ) 是机器学习的一个子集，它使用以人类神经元为模型的算法来对数据中的复杂模式和关系进行建模。在引入 DL 之前的机器学习技术需要领域专业知识和人体工程学，才能将原始数据转换为算法可以理解和检测模式的特征。另一方面，在 DL 中，原始数据可以输入到算法中，机器能够创建模式识别所需的自身表示。这些表示通常按顺序排列，其中每一层都输入到下一层，从而增加了数据的抽象度，统称为神经网络 ( 6 )（图 2 ）。在 DL 中，有多种可实现的算法，包括传统上用于图像处理的卷积神经网络 (CNN) ( 20 ) 和 Transformer 模型 ( 21 )，后者是学习上下文和跟踪顺序数据中的关系的神经网络。
沟通、协作、学习和信任的作用
摘要：该研究揭示了人性维度（沟通、协作、学习和信任）的相互作用如何有助于管理绿色供应链。该研究基于原始数据和二手数据。原始数据是通过采访学术界和工业界的供应链专家收集的。二手数据是从各种案例研究和调查中收集的。该研究揭示了沟通、协作、学习和信任在管理绿色供应链中的重要性。沟通与协作相结合，促进了供应链成员之间的学习和技能发展。供应链成员之间的频繁沟通和协作举措促进了组织间的关系，从而增加了关系中的信任。当各个公司相互信任时，他们会共同努力实现共同目标，从而产生积极的成果。供应链经理需要与其他利益相关者建立长期关系，以管理绿色供应链。