2310-5194 2414-9713 头部和颈部 / 头部和颈部。俄文版。全俄社会组织“头颈部疾病治疗专家联合会”杂志
建议引用:Spreitzenbarth, Jan;Stuckenschmidt, Heiner;Bode, Christoph (2021):人工智能的现状:采购与销售和营销,收录于:Kersten, Wolfgang Ringle、Christian M. Blecker、Thorsten (Ed.):适应未来:数字化如何塑造可持续物流和弹性供应链管理。汉堡国际物流会议 (HICL) 论文集,第 31 卷,ISBN 978-3-7549-2770-0,epubli GmbH,柏林,第 223-243 页,https://doi.org/10.15480/882.3990
尽管人工智能在开源生产中的重要性日益增加,但在如何利用人工智能来提高开源软件(OSS)团队绩效的重要问题上,人们所做的研究却很少[2, 5]。人工智能能力可以被认为是开源团队的一个独特特征,可以衡量开源团队寻求人工智能机会和资源的倾向。例如,人工智能可以以机器人的形式作为OSS团队的基础设施,以简化开源流程,如关闭拉取请求、故障排除、迎接新用户等。同时,OSS团队还可以探索人工智能的新商机,以增加项目的吸引力。由于开源社区以多种方式使用人工智能,因此尚不清楚人工智能能力如何影响OSS团队的绩效[4]。因此,我想问:
摘要:铁 (Fe) 螯合药物和组蛋白去乙酰化酶 (HDAC) 抑制剂是治疗遗传性弗里德赖希共济失调的两种选择,已被证明可以改善临床结果 (FA)。Fe 螯合分子可以最大限度地减少储存的 Fe 量,而 HDAC 抑制剂可以促进 Frataxin (FXN) 基因的表达,从而增强 FA。本文报告了从 ChEMBL 数据库中对抑制剂进行完整的定量构效关系 (QSAR) 搜索,其中包括 437 种 Fe 螯合化合物和 1,354 种 HDAC 抑制剂化合物。为了进一步研究,选择 IC50 作为生物活性单位,经过数据细化,最终生成了 436 种 Fe 螯合化合物和 1,163 种 HDAC 抑制化合物的数据集。使用随机森林 (RF) 技术生成模型(训练 R 2 得分分别为 0.701 和 0.892;测试 R 2 得分分别为 0.572 和 0.460,分别针对 Fe 和 HDAC)。使用 PubChem 指纹创建的模型是 12 种指纹类型中最强的;因此选择该特征进行解释。结果显示了与含氮官能团(PubchemFP656 的 SHAP 值为 -0.29)和芳香环(PubchemFP12 的 SHAP 值为 -0.16)相关的特性的重要性。因此,我们解释了分子指纹对模型的影响以及对可用于人工智能 FA (XAI) 的潜在药物的影响,这可以通过 SHAP(Shapley 加法解释)值来解释。模型脚本和指纹识别方法也可在 https://github.com/tissueandcells/XAI 获得。关键词:可解释人工智能、弗里德赖希共济失调、预测准确性、定量构效关系、QSAR、Shapley 值。
摘要。本章探讨了如何在新闻业中形成对新抽象技术潜在用途的共同理解。我们分析了 2015 年至 2020 年的芬兰新闻文本,其中向读者介绍了区块链和人工智能 (AI),并对其进行了概念化和讨论。借鉴经典的技术接受模型 (TAM),我们讨论了新闻业如何构建和重新构建这些技术的显着属性,尤其是在感知有用性和易用性方面。此外,通过将这些推测性含义视为技术或算法想象的反映,我们研究了解释其潜在或想象应用的话语。这项研究很重要,因为技术不是作为具体的设备或程序进入人们的生活,而是最初作为概念、想象和情感实体进入人们的生活。
作者探讨了如何从计算创造力和生态系统艺术的角度批判性地质疑当前主流的数据驱动型人工智能方法。这集中在对未来的批判上,认为未来被过去过度决定;无论是从使用的数据,还是从训练所假设的问题或目标来看。本文的主要贡献是将替代的创造性方法应用于受自然启发的人工智能,并通过作者的作品“Infranet”中的体现来详细介绍其中一些方法。Infranet 是一个神经进化艺术装置,于 2018-2019 年在三个国际地点展出。它使用主办城市的地理空间数据不是作为训练材料,而是作为人工生命的栖息地。与基于训练的人工智能系统相比,在 Infranet 中没有目标或适应度函数,而且进化压力或竞争非常小。此外,它避开了大型和预先指定的神经网络结构的趋势,转而采用数千个小型相互作用的神经网络群体,每个神经网络都有不同的结构,处于“流动”的连续重组过程中;与生物和生态系统中一些当代非意识认知的理论和模型产生共鸣。
随着人工智能逐渐融入我们日常生活的各个方面,从手机到汽车驾驶,艺术家开始尝试人工智能也是理所当然。然而,这并不是一个全新的趋势。自 50 多年前人工智能诞生以来,艺术家们一直在编写计算机程序来创作艺术作品,在某些情况下还融入了智能元素。这类作品最著名的早期例子是哈罗德·科恩和他的艺术创作程序 AARON,该程序创作的画作遵循科恩硬编码的一套规则。但人工智能在过去几十年中不断发展,融入了机器学习技术。结果之一就是出现了一股以不同方式使用人工智能创作艺术的新浪潮。与传统的算法艺术不同,在算法艺术中,艺术家必须事先编写详细的代码来指定所需美学的规则,而现在,艺术家可以通过机器学习查看许多图像来“学习”美学。然后,算法才会生成遵循其所学美学的新图像。这一类中使用最广泛的工具是生成对抗网络 (GAN),由 Goodfellow 于 2014 年推出 (Goodfellow 2014),已在 AI 社区的许多应用中取得成功。GAN 的发展引发了这一新的 AI 艺术浪潮。图 1 描绘了使用类似 GAN 的算法制作艺术品所涉及的创作过程。艺术家选择一组图像来输入算法 (预处理)。然后,这些图像被输入到试图模仿这些输入的生成 AI 算法中。在最后一步,艺术家筛选许多输出图像以整理最终的集合 (后期处理)。在 Artrendex,我们开发了 Playform (www.Playform.io) 作为 AI 艺术工作室,让艺术家在创作过程中使用生成 AI 系统。我们的目标是让艺术家能够使用这项技术,解决一些问题并减少艺术家面临的挑战
2011 年 EI 网络版收录西北工业大学论文统计 ................................................ 78 航空学院(343 篇) .......................................................................................................................................... 78 航天学院(283 篇) ........................................................................................................................................ 102 航海学院(264 篇) ........................................................................................................................................ 122 材料学院(591 篇) ........................................................................................................................................ 141 机电学院(481 篇) ........................................................................................................................................ 185 力学与土木建筑学院(136 篇) .................................................................................................................... 219 动力与能源学院(150 篇) ............................................................................................................................ 229 电子信息学院(259 篇) ................................................................................................................................ 240 自动化学院(307 篇) .................................................................................................................................... 259 计算机学院(217 篇) .................................................................................................................................... 282 理学院(289 篇) ............................................................................................................................................ 298 管理学院(92 篇) .......................................................................................................................................... 319 人文与经法学院(38 篇) .............................................................................................................................. 325 软件与微电子学院(22 篇) .......................................................................................................................... 328 生命学院(13 篇) .......................................................................................................................................... 330 国防研究院(27 篇) ...................................................................................................................................... 331 无人机研究所(20 篇) .................................................................................................................................. 333 其他(6 篇) .................................................................................................................................................... 334