XiaoMi-AI文件搜索系统
World File Search System推荐引擎
探索生成AI在构建具有医学环境的药物适应症的知识图中的作用
摘要药物指示的医学环境提供了有关如何在实践中使用该药物的重要信息。但是，从药物适应症中提取医疗环境仍然受到探讨，因为大多数研究都集中在识别药物和相关疾病上。的确，大多数数据库编目的药物指示都不包含其医疗环境，以机器可读的格式。本文提出了使用大型语言模型来构建钻石-KG，这是药物适应症及其医学环境的知识图。研究1）检查在为语言模型提供其他指导时的准确性和精度变化，2）估计药物适应症中医疗环境的普遍性； 3）评估钻石-KG对Neurodkg的质量，而Neurodkg是一个小型手动策划的知识图。结果表明，更多的详细提示提高了医疗环境提取的质量； 71％的迹象至少具有一种医疗背景； 63.52％的提取的医学环境对应于Neurodkg中鉴定的医疗环境。本文展示了使用大型语言模型进行专业知识提取的实用性，特别着眼于提取药物适应症及其医学背景。我们提供钻石 - 作为由本体支持的公平RDF图。公开访问，钻石kg可能对下游任务，例如语义查询回答，推荐引擎和药物重新定位研究。
使用机器学习的智能旅行计划系统-IJRPR
当代旅行的景观为游客和冒险者带来了一系列挑战。在他们面临的许多障碍中，预算限制和有限时间的限制通常是统治者。制作完美的旅行体验是一个复杂的难题，需要将个人利益与时间和财务的限制保持一致。“使用机器学习的智能旅行计划系统”是一种尖端解决方案，旨在解决这些问题，并为旅行者提供出色而量身定制的冒险。在一个与各种目的地和无穷无尽的可能性组成的世界中，旅行者需要一种工具，可以无缝地弥合他们的欲望与现实之间的差距。“基于预算和经验的旅行计划者”通过利用数据的力量来实现这一目标。它通过网络刮擦从无数来源汇总了信息，从而积累了一个全面的600个目的地的数据库。这些条目充满了地理坐标，访问时间，用户评分，评论和描述性标签，为智能旅行推荐系统形成基岩。这种创新系统的核心是使用协作过滤和机器学习算法的使用。这些尖端的技术使推荐引擎能够筛选众多旅行选择的海洋，并提供旅行者的建议，这些建议是根据其所有需求定制的。这些建议背后的核心推动力是旅行者的预算，可用时间和独特的兴趣。现在，旅行者可以依靠量身定制的旅行计划，以反映其特定的约束和欲望。
农业人工智能及其应用
助理教授，计算机应用系，DRBCCC 印度学院，Pattabiram。摘要：人工智能 (AI) 的应用最近在农业领域变得明显。该领域在最大限度提高产量方面面临许多挑战，包括土壤处理不当、病虫害流行、大数据要求、性能不佳以及农民和技术之间的知识差距。人工智能在农业中的主要概念是其灵活性、高性能、准确性和成本效益。本文概述了人工智能在土壤管理、作物管理、杂草控制和疾病控制中的应用。这里特别关注应用的优势和局限性以及如何使用专家系统来提高生产力。关键词：农业、人工智能、物联网、土壤、作物管理 I. 介绍人工智能基于机器可以轻松模仿并定义人类智能的原理，以便它可以执行从最简单到最复杂的任务。人工智能的目标包括学习、思考和感知。举几个例子，自动驾驶汽车的视觉识别系统，根据你过去购买的商品推荐你最喜欢的产品的推荐引擎，苹果iPhone上的虚拟助手Siri的语音和语音识别。人工智能对工业的所有领域都有着巨大的影响。希望使用智能机器自动执行特定任务的工业，甚至农业！农业和农业是世界上最古老和最重要的职业之一。它在经济中发挥着重要作用。农业是全球5万亿美元的产业。到2050年，世界人口预计将超过90亿，农业产量需要增加70%才能满足需求。随着世界人口的增长，土地、水和资源已不足以继续需求的供应链。因此，最有生产力的需求
数据科学与人工智能硕士 (MSc)。
深入了解数据结构和数据操作。了解监督和无监督学习模型，包括线性回归、逻辑回归、聚类、降维、K-NN 和管道。使用 SciPy 包及其子包（包括 Integrate、Optimize、Statistics、IO 和 Weave）执行科学和技术计算。使用 NumPy 和 Scikit-Learn 获得数学计算方面的专业知识。掌握推荐引擎和时间序列建模的概念。理解机器学习的原理、算法和应用。了解人工智能在不同领域的各种用例中的应用，如客户服务、金融服务、医疗保健等。实现经典的人工智能技术，如搜索算法、神经网络和跟踪。学习如何应用人工智能技术解决问题，并解释当前人工智能技术的局限性。设计和构建自己的智能代理，并应用它们创建实际的人工智能项目，包括游戏、机器学习模型、逻辑约束满足问题、基于知识的系统、概率模型、代理决策功能等。了解 TensorFlow 的概念、主要功能、操作和执行管道。掌握卷积神经网络、循环神经网络、训练深度网络和高级接口等高级主题。使用 Tableau 分析数据并熟练构建交互式仪表板 了解 Hadoop 生态系统的不同组件，并学习使用 HBase、其架构和数据存储，了解 HBase 和 RDBMS 之间的区别，并使用 Hive 和 Impala 进行分区。了解 MapReduce 及其特性，并学习如何使用 Sqoop 和 Flume 提取数据。使用最流行的库 Python 的自然语言工具包 (NLTK) 了解自然语言处理的基础知识。
人工智能驱动的社交媒体营销的影响...
摘要 进行这项研究的目的是研究人工智能驱动的社交媒体营销对千禧一代的购买行为和餐厅光顾的影响，此外，该研究将评估人工智能赋能的社交媒体营销对北阿坎德邦休闲餐厅业绩的益处和可用性。作为研究设计，采用了一种调查技术，提取、检查和解释原始数据。研究参与者是千禧一代，他们经常在北阿坎德邦选定的休闲餐厅用餐。结果，根据千禧一代受访者展示的偏好，宣布了推荐引擎、聊天机器人和情绪分析等人工智能工具的实用性。关键词：人工智能、社交媒体营销、千禧一代、休闲餐厅、消费者感知。介绍 人工智能在许多方面彻底改变了社交媒体。通过各种社交媒体平台连接起来的超过 30 亿人产生了大量数据。现在，游戏规则已经改变，因为 AI（人工智能）已成为社交媒体和其他数字营销平台不可分割的一部分，任何企业都不能忽视现代趋势和技术。企业和营销人员现在可以使用人工智能 (AI) 通过社交媒体为客户提供实时购物和用餐体验，这已被证明是他们的一片沃土。在一些领域，人工智能 (AI) 长期以来一直协助社交媒体营销。事实证明，人工智能是一种有效的社交监控工具，可协助监控和收集各种数字社交媒体平台上的品牌维度。社交聆听是另一个新兴概念，其中人工智能帮助企业更专注、更有效地倾听客户的意见。企业现在可以利用 AI 的社交聆听功能汇编的数据，更好地了解潜在客户的概况。这些信息对于识别任何领域或行业的竞争知识变得越来越重要。(Pedro Yip，2019 年)。
利用机器学习来增强信息探索
软件架构师，劳动力身份云，okta.inc。通过合并监督学习，无监督学习，强化学习和深度学习等技术，系统可以自动从大量的数据存储库中提取见解和模式。自然语言处理可以更深入地理解文本，而图像识别则可以从视觉数据中解锁知识。机器学习能力个性化的推荐引擎和准确的情感分析。整合知识图将机器学习模型与背景知识丰富，以增强准确性和解释性。应用程序涵盖语音搜索，异常检测，预测分析，文本挖掘和数据聚类。但是，可解释的AI模型对于实现透明度和可信度至关重要。关键挑战包括有限的培训数据，复杂的领域知识要求以及围绕偏见和隐私的道德考虑。正在进行的研究结合了机器学习，知识表示和以人为本的设计将推动智能搜索和发现。人工与人类智能之间的合作具有彻底改变信息访问和知识获取的潜力。k eywords机器学习，人工智能，搜索引擎，数据检索，自然语言处理，数据挖掘1。介绍各个领域的信息的大量增长已经更需要更好地搜索和分析数据的方法。1.1。传统的搜索引擎和数据库正在努力处理日益增长的复杂性和信息量。机器学习（ML）具有自动学习和从经验中进行改进的能力，为这一挑战提供了有希望的解决方案。通过使用机器学习算法，可以通过个性化建议，预测分析和智能数据分类来增强信息检索。本研究旨在探索机器学习的潜力，以改变信息的发现，组织和利用。通过利用机器学习技术的功能，研究人员和专业人员可以更有效地浏览大量信息，从而提供更好的决策过程和见解[1]。信息探索的背景在信息探索方面，了解该领域的历史背景和演变对于掌握机器学习技术的能力至关重要。信息探索的起源可以追溯到数据挖掘和信息检索系统的早期发展。这些系统旨在从大型数据集中提取有价值的见解，以帮助决策过程。随着时间的流逝，机器学习算法的进步改变了信息的访问，处理和分析的方式。
人工智能驱动的软件工程和 E 的强大组合
IT 解决方案提供商 Mphasis Ltd. 推出了 NeoCrux，该工具旨在通过生成人工智能驱动的 Agent Orchestrator 简化软件开发生命周期，从而提高软件工程师的工作效率。该平台允许工程师集成适合用途的 AI 代理，而不是将他们的访问限制在一个 AI 代理上。Mphasis 还宣布推出 NeoZeta，这是一个基于生成人工智能的企业现代化平台，可在重新学习过程中提供透明度，以帮助组织实现关键系统的现代化。NeoCrux NeoCrux 平台支持敏捷团队中的资源，以在 Idea2Launch IT 价值流中提供可衡量的加速。第一个版本是面向软件工程师的 IDE 内助手，随后将推出面向产品所有者的 AI 驱动需求工程工作台。Mphasis 表示，该平台的企业版由个性化的 AI 辅助支持，可以学习并适应个别工程师的行为。该平台为开发人员、质量工程师和产品所有者提供个性化体验，企业版提供带有推荐引擎的 360 度视图。其基础版将在 Microsoft Visual Studio Marketplace 上提供，并提供与 GitHub Copilot 的开箱即用集成。NeoZeta NeoZeta 利用隐藏在代码和其他技术工件和文档中的企业知识，为在该平台上开发的软件系统提供更长的保质期。据 Mphasis 称，其关键特性是透明度。其设计避免了黑箱转换，并允许人类和人工智能代理在开放标准和知识图谱技术的帮助下参与企业现代化。通过利用企业知识，该平台有可能降低每行代码现代化的时间和成本。其初始版本支持从 Cobol、Naturals、Java 和 C++ 重新学习，以及中小企业的人工智能辅助验证。NeoZeta 将在 Gen AI Foundry for Financial Services 上提供，这是 AWS 和 Mphasis.AI 业务部门之间的合作。“Mphasis NeoCrux 彻底改变了开发格局，通过无缝集成基本工具和利用新一代人工智能代理的变革能力，弥合了创新与效率之间的差距。 Mphasis 首席解决方案官 Ramanathan Srikumar 表示，与此同时，NeoZeta 通过解锁代码中的隐藏知识、非代码工件（如架构文档、会议记录等）来改变企业应用程序的现代化。
人工智能颠覆：数据中心设计的挑战与指导
AI 工作负载分为两大类：训练和推理。训练工作负载用于训练 AI 模型，例如大型语言模型 (LLM)。我们在本文中提到的训练工作负载类型是大规模分布式训练（大量机器并行运行 6 ），因为它给当今的数据中心带来了挑战。这些工作负载需要将大量数据输入到带有处理器（称为加速器）的专用服务器。图形处理单元 (GPU) 就是加速器 7 的一个例子。加速器在执行并行处理任务方面非常高效，例如用于训练 LLM 的任务。除了服务器之外，训练还需要数据存储和网络来将它们连接在一起。这些元素被组装成一个机架阵列，称为 AI 集群，该集群本质上将模型训练为一台计算机。在设计良好的 AI 集群中，加速器的利用率在大部分训练持续时间内接近 100%，训练时间从几小时到几个月不等。这意味着训练集群的平均功耗几乎等于其峰值功耗（峰值与均值比 ≈ 1）。模型越大，所需的加速器就越多。大型 AI 集群的机架密度从 30 kW 到 100 kW 不等，具体取决于 GPU 型号和数量。集群可以从几个机架到数百个机架不等，通常通过使用的加速器数量来描述。例如，一个 22,000 H100 GPU 集群使用大约 700 个机架，需要大约 31 MW 的电力，平均机架密度为 44 kW。请注意，此功率不包括冷却等物理基础设施要求。最后，训练工作负载将模型保存为“检查点”。如果集群发生故障或断电，它可以从中断的地方继续。推理意味着将之前训练的模型投入生产以预测新查询（输入）的输出。从用户的角度来看，输出的准确性和推理时间（即延迟）之间存在权衡。如果我是一名科学家，我可能愿意支付额外费用并在查询之间等待更长时间，以获得高度准确的输出。另一方面，如果我是一名正在寻找写作灵感的文案撰稿人，我想要一个可以立即回答问题的免费聊天机器人。简而言之，业务需求决定了推理模型的大小，但很少使用完整的原始训练模型。相反，部署模型的轻量级版本以减少推理时间，同时降低准确性。推理工作负载倾向于对大型模型使用加速器，并且根据应用程序的不同，可能还严重依赖 CPU。自动驾驶汽车、推荐引擎和 ChatGPT 等应用程序可能都有不同的 IT 堆栈，以“调整”其需求。根据模型的大小，每个实例的硬件要求可以从边缘设备（例如，智能手机）到几台服务器机架。这意味着机架密度可以从几台
NSB-2020-5，人工智能商业化
人工智能 (AI) 的商业化正在四个不同的领域发生：互联网、商业、感知和自主 (Lee 2018)。互联网 AI 主要是使用 AI 算法作为推荐引擎——根据我们的个人偏好推荐内容的 AI 系统 (Lee 2018:107)。例如，Netflix 根据观看者的历史记录推荐电影和电视节目，Facebook 根据用户的活动（包括他们的帖子、新闻和与其他用户的互动）向用户投放广告。第二个领域，商业 AI，挖掘公司和组织的数据库，开发与人类匹敌或超越人类的算法 (Lee 2018:110-11)。例如，金融行业已经开发了根据申请人的信用记录、收入和其他特征批准抵押贷款的算法。美国的研究人员已经展示了根据图像诊断特定疾病的算法，其水平与医生相当 (Lee 2018:113)。这两个领域已经得到广泛实施，并开始产生重大的经济影响。第三个领域是感知人工智能，它通过传感器和智能设备的普及将物理环境数字化。这些设备将物理世界转化为数字数据，可以通过人工智能算法进行分析和优化。第四个领域是自主人工智能，包括自动驾驶汽车和无人机、智能机器人以及其他将取代或补充人类劳动力（如卡车司机）的设备和硬件。与其他三个领域相比，该领域的技术通常仍处于开发阶段或尚未广泛商业化（Lee 2018:106）。例如，谷歌和其他公司正在测试自动驾驶汽车，以进一步完善和开发该技术。中国和美国的人工智能技术商业化主要发生在大型高科技公司和初创公司。根据李开复（2018:83）的“人工智能时代七巨头”，总部位于美国的四家公司——Alphabet（谷歌的母公司）、Facebook、亚马逊和微软——以及中国三家公司——百度、阿里巴巴和腾讯——在人工智能研发和人才招聘方面投入了大量资金。从这七家公司的研发总额数据来看，它们在人工智能方面的研发支出一直在大幅增加。这四家美国公司的研发支出从 2012 年的 180 亿美元增长了两倍多，达到 2018 年的 590 亿美元（图 6-J）。2018 年，亚马逊和 Alphabet 分别成为全球企业研发支出排名第一和第二的公司（Jaruzelski、Chwalik 和 Goehle，2018 年）。三家中国公司的研发支出也增长迅速，从合计 10 亿美元增长了 8 倍，达到 80 亿美元。2018 年，阿里巴巴、腾讯和百度分别是中国公司研发支出的第一、第二和第四大企业。这些中美大型企业的战略大型企业一直在构建私人控制的计算网络，将人工智能技术广泛应用于整个经济，类似于公用事业公司在电网中分配能源 (Lee 2018:83)。例如，亚马逊正在销售人工智能服务，包括自然语言处理、语音合成、图像分析和视频识别，目的是为那些想要人工智能而无需前期成本的大型和小型开发商提供服务 (CB Insights 2018:27)。阿里巴巴正在与杭州市合作，利用先进的物体识别和预测交通算法优化交通流量并向紧急服务部门发出交通事故警报 (Lee 2018:94)。与大型企业的一般人工智能网格方法相比，人工智能初创公司正在构建高度具体的“电池供电”人工智能产品，这些产品是独立的应用程序。电池供电的人工智能产品用于特定任务，包括医疗诊断、抵押贷款和自主无人机 (Lee 2018:95)。
ISSN：2320-5407 int。 J. Adv。 res。 13（01），1329-1331ISSN：2320-5407 int。 J. Adv。 res。 13（01），1329-1331
问题声明尽管AI在电子商务中迅速采用，但诸如数据隐私，算法偏见和技术限制等挑战阻碍了无缝个性化。根据2022年的麦肯锡报告，而有71％的消费者期望个性化的互动，但只有22％的企业成功地交付了它们。此外，Gartner（2023）预测，到2025年，60％的电子商务企业将在AI透明度问题上挣扎，从而导致监管干预措施。本研究旨在应对这些挑战，并为优化AI驱动的个性化提供见解。研究的目标： - 本研究的目的是：1。分析AI在增强电子商务个性化中的作用。2。评估与AI实施相关的收益和挑战。3。在解决道德问题的同时，探索了AI驱动的个性化的未来机会。研究方法论： - 本研究遵循一种定性研究方法，利用来自2019年至2024年期间发表的50多个同行评审期刊，行业报告和案例研究的二级数据。主题分析用于识别AI驱动的个性化策略中的模式。此外，对主要电子商务平台（例如亚马逊，阿里巴巴和Shopify）进行的案例研究进行了检查，以评估AI对客户体验和销售业绩的现实影响。AI驱动的个性化在电子商务机器学习中的个性化建议中，机器学习算法分析了大量客户数据，以预测偏好并建议针对个人用户量身定制的产品。示例包括亚马逊的推荐引擎和Netflix的个性化内容建议。自然语言处理（NLP）和聊天机器人NLP驱动的聊天机器人和虚拟助手通过了解客户查询并提供实时解决方案，从而提供个性化的购物援助。AI驱动的聊天机器人，例如Sephora和H＆M使用的聊天机器人，可以增强用户参与度并驱动销售。 客户见解的预测分析AI使企业能够分析历史购买模式和预测客户需求。 零售商使用预测分析来提供个性化的促销，有针对性的广告和定制的电子邮件营销活动。 机会•扩展AI超级人性化功能。 •将AI与增强现实（AR）集成，以增强购物体验。 •AI驱动的语音贸易和智能助手的进步。 挑战•数据隐私问题和法规合规性。 •影响个性化精度的算法偏见。 •AI实施和基础架构的高成本。 •AI驱动的价格歧视和关于公平性的道德问题。 •AI计算的环境影响。 结论和未来的研究方向： - AI驱动的个性化正在通过提供定制体验来改善客户满意度和业务绩效来重塑电子商务。 未来的研究应集中于开发更透明和道德的AI模型，同时解决与数据安全和算法偏见相关的挑战。 为了最大程度地发挥AI在电子商务中的潜力，企业应：1。AI驱动的聊天机器人，例如Sephora和H＆M使用的聊天机器人，可以增强用户参与度并驱动销售。客户见解的预测分析AI使企业能够分析历史购买模式和预测客户需求。零售商使用预测分析来提供个性化的促销，有针对性的广告和定制的电子邮件营销活动。机会•扩展AI超级人性化功能。•将AI与增强现实（AR）集成，以增强购物体验。•AI驱动的语音贸易和智能助手的进步。挑战•数据隐私问题和法规合规性。•影响个性化精度的算法偏见。•AI实施和基础架构的高成本。•AI驱动的价格歧视和关于公平性的道德问题。•AI计算的环境影响。结论和未来的研究方向： - AI驱动的个性化正在通过提供定制体验来改善客户满意度和业务绩效来重塑电子商务。未来的研究应集中于开发更透明和道德的AI模型，同时解决与数据安全和算法偏见相关的挑战。为了最大程度地发挥AI在电子商务中的潜力，企业应：1。实施可解释的AI（XAI）：使用可解释的AI模型来提高透明度并构建消费者