XiaoMi-AI文件搜索系统
World File Search System平台
Brian Drake 是国防情报局未来能力与创新办公室的人工智能主管。他领导该机构的人工智能研究和开发投资组合。作为一名分析师，他领导多个团队应对来自国家和非国家行为者的威胁，涉及技术、反情报和禁毒等主题。他曾担任德勤咨询公司的经理和托夫勒联合公司的管理顾问，专门为商业和政府客户提供战略规划、业务发展、合作咨询、技术和创新服务。他还曾担任系统规划和分析公司的军事平台和政策分析师以及 DynCorp 公司的核武器计划分析师。他拥有默瑟大学的文学士学位和乔治城大学的硕士学位。除了官方职责外，他还是国防情报纪念基金会的总裁兼首席执行官；该基金会是为阵亡国防情报官员的子女设立的奖学金基金。
Brian Drake 是国防情报局未来能力与创新办公室的人工智能主任。他领导该机构的人工智能研究和开发投资组合。作为一名分析师，他领导多个团队应对来自国家和非国家行为者的威胁，涉及技术、反情报和禁毒主题。他曾担任德勤咨询公司的经理和托夫勒联合公司的管理顾问，专门为商业和政府客户提供战略规划、业务发展、合作咨询、技术和创新服务。他还曾担任系统规划和分析公司的军事平台和政策分析师以及 DynCorp 的核武器计划分析师。他拥有默瑟大学的文学学士学位和乔治城大学的硕士学位。除了他的官方职责外，他还是国防情报纪念基金会的总裁兼首席执行官；为阵亡国防情报官员的子女设立的奖学金基金。
RoboTHOR：一个开放的仿真到现实具象人工智能平台
视觉识别生态系统（例如 ImageNet、Pascal、COCO）在现代计算机视觉的发展中发挥了不可否认的作用。我们认为，在这些生态系统出现之前，交互式和具身视觉 AI 已经达到了与视觉识别类似的发展阶段。最近，各种合成环境已被引入以促进具身 AI 的研究。尽管取得了这些进展，但在模拟中训练的模型如何很好地推广到现实这个关键问题仍然基本上没有答案。为模拟到现实的具身 AI 创建一个可比的生态系统提出了许多挑战：（1）问题固有的交互性，（2）现实世界和模拟世界之间需要紧密结合，（3）复制可重复实验的物理条件的难度，（4）以及相关成本。在本文中，我们引入了 R OBO THOR 来使交互式和具身视觉 AI 的研究民主化。 R OBO THOR 提供模拟环境框架
一个先进的人工智能平台......
1 意大利萨勒诺萨勒诺当地医疗机构精神卫生系，2 意大利萨勒诺欧洲生物医学研究所 (EBRIS)，3 意大利萨勒诺创新技术与创新中心 (ITSvil)，4 意大利卡坦扎罗大希腊大学健康科学系精神病科，5 意大利那不勒斯 1 中心当地医疗机构 (ASL) 精神卫生系，6 加拿大安大略省渥太华大学精神病学系，7 加拿大安大略省渥太华医院精神卫生系尚普兰首发精神病项目，8 加拿大安大略省渥太华大学渥太华医院研究所临床流行病学项目，9 加拿大安大略省渥太华大学医学院流行病学与公共卫生学院，加拿大、10 德国柏林夏利特医学院儿童和青少年精神病学系、11 意大利那不勒斯坎帕尼亚“路易吉·万维泰利”大学精神病学系、12 美国马萨诸塞州波士顿哈佛医学院麻省总医院儿科系儿科胃肠病学和营养学分部、13 美国马萨诸塞州波士顿麻省总医院粘膜免疫学和生物学研究中心
MedPerf - 使用联合评估的医疗 AI 开放基准测试平台
Vector Institute)、Vijay Janapa Reddi（哈佛大学）、G Anthony Reina（在英特尔任职期间做出贡献）、
人工智能在跨平台定制 AR 数据中的作用
同时，目标的 AR 轮廓符号将基于 UGV 车载视觉传感器的点云，使用 AI 算法合成 AR 数据。AI 还可以执行以下功能：警告倾覆可能性、确定安全路径、检测突然出现的阻碍移动的威胁、标记需要特别注意的区域的视觉警告、分析土壤的高光谱图像以识别其表面的变化（这是简易爆炸装置或地雷的人工伪装的标志）、在自然景观背景下识别伪装。所有此类识别结果都将以 AR 符号的形式呈现。这种合成的 AR 符号可以在没有视频流的情况下发送给 MUM-T 内的指挥所操作员或其他车辆，以最大限度地减少流量，或者与预加载的 AR 符号结合使用以合并到完整视频流中。在这种情况下，有必要解决将车载 AR 数据生成工具与 UGV 架构集成的问题，并在它们与 BMS 的连接集中化程度方面找到一个折衷方案。在 MUM-T 内部这也非常重要。
Darktrace Cyber AI 平台 - 3SC
然而，通过分析每个用户和通讯员的正常“生活模式”，Darktrace 的 Antigena Email 可以独特地发展对电子邮件通信中“人性”的理解。在 Cyber AI 的支持下，它是唯一能够可靠地询问收件人在正常“生活模式”以及其同事和更广泛组织的背景下与特定电子邮件互动是否不寻常的技术。这种多维度理解使系统能够做出高度准确的决策并消除各种高级电子邮件攻击，从“干净”的欺骗电子邮件到供应链帐户接管。
人工智能平台试点资助申请.docx
有各种利用大型语言模型的 AI 平台，教育工作者正在探索将其用于 PK-12 学习环境。这些平台可以为学生和教师提供各种支持。这项竞争性资助机会将资助订阅费和专业发展支持，用于学生高剂量辅导并通过使用 AI 平台减少教师工作量。这一机会的愿景是专注于 AI 平台集成中的教师和学生群体。它可能用于支持特定的建筑、年级、学科领域或学生群体。鼓励学校根据学业影响数据关注学生的需求。
DECIMER.ai - 用于科学出版物中自动光学化学结构识别、分割和识别的开放平台
在过去的几十年中，描述化学结构的出版物数量稳步增加。然而，目前大多数已发表的化学信息在公共数据库中都无法以机器可读的形式获得。以更少的人工干预方式实现信息提取过程的自动化仍然是一个挑战——尤其是化学结构描述的挖掘。作为一个利用深度学习、计算机视觉和自然语言处理方面的最新进展的开源平台，DECIMER.ai（化学图像识别深度学习）致力于自动分割、分类和翻译印刷文献中的化学结构描述。分割和分类工具是同类中唯一公开可用的软件包，光学化学结构识别 (OCSR) 核心应用程序在所有基准数据集上都表现出色。这项工作中开发的源代码、训练模型和数据集均已在许可下发布。DECIMER Web 应用程序的一个实例可在 https://decimer.ai 获得。
人工智能行业分析平台
使技术更加普及，并改变人们与技术沟通的方式。随着 ChatGPT 和其他语言模型的不断发展，它们可能会对我们生活的许多方面产生越来越深远的影响；● 随着人工智能技术越来越普及，越来越倾向于让这些工具更容易被人使用
引文 Sendilraj V、Pilcher W、Choi D、Bhasin A、Bhadada A、Bhadadaa SK 和 Bhasin M (2024) DFUCare：糖尿病足溃疡深度学习平台
糖尿病足溃疡 (DFU) 是影响糖尿病患者的一种严重并发症，超过一半的 DFU 都有感染风险。在这些感染中，约 20% 需要截肢 (1、2)。这是一个值得关注的重要问题，因为因 DFU 而截肢的患者的死亡率很高，预计超过一半的患者会在五年内死亡 (3)。此外，治疗和管理 DFU 及其并发症的经济负担超过了五大癌症，仅在美国，每年的费用就超过 110 亿美元 (4)。随着糖尿病 (DM) 患病率的持续上升，DFU 预计将成为全球卫生系统的更大负担，并且可能是最昂贵的糖尿病并发症之一 (5)。尽管在确定 DFU 治疗的新疗法方面取得了显着进步，但对 DFU 的根本病因和管理的早期诊断仍然具有挑战性。 DFU 愈合受损是一种复杂的发病机制，由多种因素引起，包括糖尿病足部感染、伤口缺血、免疫系统衰竭和血糖控制不佳（6-8）。DFU 管理需要在多个时间点评估感染和缺血情况以便更好地管理，但由于其侵入性，目前这种方法受到限制。由于农村地区无法接触到 DFU 伤口中心和临床专家，这个问题更加严重。因此，临床对用于分析伤口感染和缺血检测的非侵入性工具的需求尚未得到满足，这两个关键因素是伤口愈合受损。近年来，深度学习算法在疾病的检测和诊断方面表现出巨大的潜力，特别是在医学成像、放射学和病理学方面（9-11）。这导致了深度学习图像分析作为一种辅助工具的出现，它支持临床医生进行决策，提高疾病诊断和治疗的效率和准确性（12）。深度学习在糖尿病足溃疡的分类和定位方面也显示出了良好的效果。它在缺血和感染分类方面取得了很高的准确率，分别为 87.5% 至 95.4% 和 73% 至 93.5%（13-16）。此外，研究人员在糖尿病足溃疡定位方面也取得了重大进展，平均精度 (mAP) 值在 0.5782 至 0.6940 之间，F1 分数在 0.6612 至 0.7434 之间（17、18）。尽管取得了这些进展，但其中许多工具仍处于开发的早期阶段，缺乏预测感染、缺血和其他对糖尿病足溃疡伤口管理至关重要的身体特征的自动分析能力。此外，目前的伤口分析平台依赖于专有硬件附件，例如热扫描仪（例如 Pod Metrics 的 SmartMat）、使用结构光或激光的 3D 扫描仪（例如 Ekare.ai 的 Insight 3D 和 Swift Medical 的 Ray 1），和光学相干断层扫描 (OCT) 用于可视化和量化与糖尿病足溃疡形成相关的微血管结构 ( 19 , 20 )。这些专门附件的需求可能会限制普通人群获得糖尿病足溃疡治疗的机会。为了解决这些限制，开发一种非侵入性和自动化的工具至关重要，即使在资源有限的地区，也可以全面分析伤口组织。本研究旨在