XiaoMi-AI文件搜索系统
World File Search System挑战
移动 NPU 上的实时量化图像超分辨率，移动 AI 2021 挑战赛：报告
图像超分辨率是最流行的计算机视觉问题之一，在移动设备上有许多重要的应用。虽然已经为这项任务提出了许多解决方案，但它们通常甚至没有针对常见的智能手机 AI 硬件进行优化，更不用说通常仅支持 INT8 推理的更受限的智能电视平台了。为了解决这个问题，我们推出了第一个移动 AI 挑战赛，其目标是开发一种基于端到端深度学习的图像超分辨率解决方案，该解决方案可以在移动或边缘 NPU 上展示实时性能。为此，为参与者提供了 DIV2K 数据集和训练过的量化模型，以进行高效的 3 倍图像升级。所有模型的运行时间都在 Synaptics VS680 智能家居板上进行评估，该板具有能够加速量化神经网络的专用 NPU。所提出的解决方案与所有主流移动 AI 加速器完全兼容，能够在 40-60 毫秒内重建全高清图像，同时实现高保真度结果。本文提供了挑战赛中开发的所有模型的详细描述。
人工智能/机器学习在医疗健康领域的挑战：偏见、普遍性、隐私
另请参阅：可穿戴传感器在 SARS-CoV-2 感染检测中的表现：系统评价，Mitratza 和 Goodale 等人。《柳叶刀数字健康》
学习了基于深度学习的移动 NPU 的智能手机 ISP，移动 AI 2021 挑战赛：报告
随着手机摄像头的质量开始在现代智能手机中发挥关键作用，人们越来越关注用于改善手机照片各个感知方面的 ISP 算法。在这次移动 AI 挑战赛中，目标是开发一个基于深度学习的端到端图像信号处理 (ISP) 管道，该管道可以取代传统的手工制作的 ISP，并在智能手机 NPU 上实现近乎实时的性能。为此，参赛者获得了一个新颖的学习到的 ISP 数据集，其中包含使用索尼 IMX586 Quad Bayer 移动传感器和专业的 102 兆像素中画幅相机拍摄的 RAW-RGB 图像对。所有模型的运行时间都在联发科 Dimensity 1000+ 平台上进行评估，该平台配备专用的 AI 处理单元，能够加速浮点和量化神经网络。所提出的解决方案与上述 NPU 完全兼容，能够在 60-100 毫秒内处理全高清照片，同时实现高保真效果。本文提供了本次挑战赛中开发的所有模型的详细描述。
以人为本的人工智能六大挑战
a 美国佛罗里达州奥兰多市中佛罗里达大学；b 美国佛罗里达州奥兰多市 Design Interactive 生物特征与分析；c 意大利巴勒莫大学 Matematica e Informatica；d 希腊克里特岛 FORTH-ICS 计算机科学研究所；e 德国慕尼黑工业大学社会科学与技术学院；f 加拿大蒙特利尔 HEC 蒙特利尔分校信息技术系；g 美国马里兰州巴尔的摩市约翰霍普金斯大学土木与系统工程系；h 英国牛津大学计算机科学系；i 美国新泽西州皮斯卡塔韦市 IEEE 标准协会新兴技术与战略发展系；j 美国马里兰大学计算机科学系；k 美国明尼苏达州明尼阿波利斯市明尼苏达大学计算机科学与工程系；l 美国加利福尼亚州奥克兰市凯撒医疗集团家庭医学与成瘾医学系；m 美国人工智能认知洞察； n 美国负责任的人工智能合作组织；o 希腊克里特岛克里特大学和 FORTH-ICS 计算机科学系；p 德国汉堡工业大学数字经济研究所；q 中国浙江杭州浙江大学心理学系
第四届自动驾驶AI挑战赛主要竞赛内容
○ 当比赛过程中发生超控时，B 赛道上的比赛将结束。 （规定3次运行中的1次将被视为已消耗。） ○ 对于A路线，即使中途发生超越，只要超越前后有清除的内容，则将被视为有效。 （例如，即使在1-1避障过程中发生超越，如果在之后的同一运行中清除了1-2障碍物识别，则1-2中获得的分数将有效。 另外，如果1-1避障成功完成，并且在下一个交叉路口的1-2障碍物识别之前发生超越，则避障的10分将成为该运行的得分。） ● 我们正在努力通过提前验证来减少技术问题，但请谅解可能会出现秘书处未预料到的问题。 ● 如果您对比赛内容有任何疑问，请在您参加的Slack频道中提问，以确保所有参与者的信息公平。请注意，我们无法回答有关比赛内容以外的任何问题。
人工智能与法律：尼泊尔的范围和可能面临的挑战
本文试图探索法律与人工智能之间的相互联系，重点关注其范围和挑战。人工智能自诞生以来就飞速发展，旨在将人类思维复制到机器中。尼泊尔最大的邻国已向前迈进了一步，开发了第一个律师机器人，但在尼泊尔，其范围尚未得到研究和讨论。因此，本文探讨了尼泊尔法律领域人工智能的不断增长的范围和挑战。它分析了人工智能在法律领域的范围，以找出其在法律研究、判例法管理、电子发现、文件准备、合同审查、证据评估等法律领域的重要性。尽管在法律领域有充足的空间，但它面临着许多挑战，包括实施成本高昂的问题。政策制定者需要更多地了解基于人工智能的工具来发展国家。本文的结论是，尽管有足够的空间，但在尼泊尔实施人工智能和基于法律的工具仍然很困难。应该进行适当的研究来实施基于人工智能的工具来取代法律领域的旧传统机制。
应用人工智能挑战_社交媒体风格指南
不要错过赢得奖项和协助机构采用#AI及相关技术（如#NLP #ML）以更好地服务美国人民的机会！快点！@GSA_TTS 的#AppliedAIChallenge 还剩一周，详情请见：（插入 challenge.gov 链接）
教育中的人工智能 (AI)：解决 K-12 环境中的社会和道德挑战
摘要：人工智能 (AI) 结合了算法、机器学习和自然语言处理的应用。AI 在教育领域有多种应用，例如自动评估和面部识别系统、个性化学习工具和微博系统。这些 AI 应用有可能通过支持学生的社交和认知发展来提高教育能力。尽管具有这些优势，但 AI 应用仍存在严重的伦理和社会缺陷，而这些缺陷在 K-12 教育中很少被考虑。将这些算法融入教育可能会加剧社会现有的系统性偏见和歧视，使来自边缘化和服务不足群体的学生的隐私、自主权和监视问题长期存在，并加剧现有的性别和种族偏见。在本文中，我们探讨了 AI 在 K-12 教育中的应用，并强调了它们的道德风险。我们引入教学资源，帮助教育工作者应对整合人工智能的挑战，并提高 K-12 学生对人工智能和道德的理解。本文最后提出了研究建议。
让人工智能远离自我炒作：了解机器学习的益处和挑战
本文比较了不同的船舶性能建模方法，目的是找到最适合运营优化的建模技术。特别强调了机器学习等数据驱动方法的潜力和挑战。与中午报告相比，使用基于传感器数据的数据驱动方法的附加值是量化的。除了行业标准方法之外，还提出了一种基于物理信息机器学习的新方法，称为“船舶内核”。船舶内核在短期准确性方面优于此处考虑的其他方法。这使它们成为需要对广泛条件进行预测的运营优化（例如路线和速度优化）的理想构建块。与其他方法相比，船舶内核具有出色的长期准确性，使其成为性能监控用例（例如与船体和螺旋桨性能相关的维护计划）的宝贵工具。本文最后对机器学习操作化面临的挑战进行了总体评论和警告。
人工智能与估值：可能性与挑战
数据驱动的商业格局很难想象一个没有数据的世界。如今有这样的想法听起来甚至有点不现实。我们日常生活中所做的几乎每件事都会产生大量信息。以前，公司从未能够访问如今存储的海量数据，从客户和财务数据到运营和生态系统数据。公司在试图报告长期价值时面临的挑战之一是可用的海量数据以及如何从中提取意义。要理解这一挑战的规模，请考虑一下全球数字世界中的数据量每两年翻一番。在这种背景下，人工智能 (AI) 可能成为游戏规则的改变者，它能够理解这些数据并识别有意义的指标。