XiaoMi-AI文件搜索系统
World File Search System权变
管理人工智能可解释性对立效应之间的紧张关系：权变理论的视角
摘要 目的——对数据分析和人工智能 (AI) 系统的可解释性和可解释性的研究正在兴起。然而，最近的大多数研究要么仅仅宣传可解释性的好处，要么批评它会产生适得其反的效果。本研究针对这一两极分化的领域，旨在确定人工智能可解释性的对立影响及其之间的紧张关系，并提出如何管理这种紧张关系以优化人工智能系统的性能和可信度。 设计/方法/方法——作者系统地回顾文献，并使用权变理论的视角对其进行综合，以开发一个管理人工智能可解释性对立影响的框架。 发现——作者发现了可解释性的五个对立影响：可理解性、行为、保密性、完整性和对人工智能的信心 (5C)。作者还提出了管理 5C 之间紧张关系的六个观点：解释的实用主义、解释的情境化、人类机构和人工智能机构的共存、指标和标准化、监管和道德原则以及其他新兴解决方案（即人工智能封装、区块链和人工智能模糊系统）。研究局限性/含义——与其他系统文献综述研究一样，结果受到所选论文内容的限制。 实际意义——研究结果表明，人工智能所有者和开发者如何通过可见性、问责制和维护人工智能的“社会利益”来管理盈利能力、预测准确性和系统性能之间的紧张关系。研究结果指导从业者以人工智能操作的背景为重点，制定人工智能可解释性的指标和标准。 原创性/价值——本研究探讨了学者和从业者对人工智能可解释性的好处与其适得其反的影响的两极化看法。它提出，没有单一的最佳方法来最大化人工智能的可解释性。相反，必须管理促成效应和制约效应的共存。 关键词 权变理论、系统文献综述、可解释人工智能、可解释分析、缓解策略、相反影响 论文类型 研究论文
一个华盛顿数据治理策略 c
数据所有者——负责数据的风险、质量和适当的访问。由于数据归企业所有，因此在大多数情况下，业务功能的所有者和数据所有者是相同的。如果双方同意，所有权可以转让给另一个数据/业务所有者。所有权变更应记录在案并输入企业数据目录。数据管理员——业务主题专家。代表数据所有者并负责数据质量、数据定义、业务规则和数据使用。
电力零售的标准电力许可证条件
如果发生以下情况，则与持牌人有关的控制权发生变更：（a）控制持牌人的实体不再控制持牌人；或（b）不控制持牌人的实体开始控制持牌人；但如果控制持牌人的最终控股公司保持不变，或者控制权变更是由于收购或取消或交易在公认金融市场上交易的证券而导致的，则不视为发生控制权变更
数字化战略对新企业数字化的影响：数字化能力和数字化文化的中介作用
摘要 新企业的产品/服务及其流程的数字化程度越高，就越能缩短产品上市时间并提高快速扩展的能力。因此，它有可能对绩效产生重大影响。为了提高新企业的数字化程度，他们可以实施数字化战略。目前没有证据表明这一措施是否对数字化程度有很大影响。因此，我们通过实证研究了数字化战略对新企业产品/服务和流程数字化程度的影响。我们使用 SEM 分析了 102 家新企业。基于权变理论，我们表明仅有数字化战略不足以实现高度的数字化。产品/服务的数字化部分由数字化 IT 能力介导，而数字化战略对流程数字化的影响部分由数字化 IT 能力和数字化文化介导。
招聘中的人工智能：对影响其采用速度的因素的探索性研究。
Ayşegül Begüm Kerey 和 Enrico D'Alessandro 过去几年中，AI 在招聘领域的应用加速发展。然而，人力资源经理明显不愿意为其部门投资 AI 工具。为了了解引发这种抵制的原因，本论文研究了影响 AI 在人力资源领域应用速度的因素，重点关注招聘解决方案。在设计受权变视角启发的分析框架时，通过文献综述搜索了这些因素，并通过定性研究在大小和方向上测试了它们的影响。为此，作者进行了一个涉及外部合作伙伴（一家 AI 解决方案提供商初创公司）的案例研究。对不同级别的利益相关者进行了总共 16 次半结构化访谈，包括外部合作伙伴的员工、投资者、竞争对手和最终用户。最后，对 AI 招聘市场进行了战略分析。我们的目标是，将有关这些因素的信息与战略分析相结合，使行业内的公司能够做出更明智的战略决策。关键词：招聘中的人工智能、招聘中人工智能的采用、影响采用的因素、测试因素、战略分析。
引用本文：Nripendra P. Rana、Sheshadri Chatterjee、Yogesh K. Dwivedi 和 Shahriar Akter (2022) 了解人工智能 (AI) 综合业务分析的阴暗面：评估公司的运营效率和竞争力，欧洲信息系统杂志，31:3，364-387，DOI：10.1080/0960085X.2021.1955628
摘要 以数据为中心的革命通常庆祝商业分析和人工智能在挖掘公司潜力和成功方面的普及。然而，关于人工智能集成商业分析 (AI-BA) 的意外后果如何影响公司整体竞争优势的研究还很缺乏。在此背景下，本研究旨在确定 AI-BA 不透明度、次优业务决策和感知风险等因素如何导致公司的运营效率低下和竞争劣势。借鉴资源基础观、动态能力观和权变理论，提出的研究模型捕捉了 AI-BA 不透明度对公司风险环境和负面绩效的组成部分和影响。数据来自印度不同规模组织的各个服务部门的 355 名运营、中层和高级经理。结果表明，缺乏治理、数据质量差以及关键员工培训效率低下导致 AI-BA 不透明。随后，它会触发次优业务决策和更高的感知风险，从而导致运营效率低下。研究结果表明，运营效率低下显著导致销售增长为负和员工不满，从而导致公司处于竞争劣势。研究结果还强调了应急计划在法则链中的显著调节作用。
肯尼亚大学战略选择的决定因素
摘要 ：肯尼亚的教育部门受到内部和外部环境动态的影响。大学在这些动荡的环境中首当其冲。大学运营的环境不断变化。因此，大学需要做出合理而有力的战略选择。大学采取的战略选择将影响其成败。本研究旨在确定肯尼亚大学战略选择的决定因素。具体而言，该研究测试了四个假设：资源配置对战略选择没有战略影响；组织文化对战略选择没有显著影响；竞争环境对战略选择没有显著影响；愿景和使命对战略选择没有显著影响。该研究以权变理论和资源依赖理论为指导。本研究采用横断面调查研究设计。目标人群是肯尼亚大学教育委员会认可的所有 71 所大学。使用结构化问卷收集主要数据。独立变量包括资源配置、组织文化、竞争环境以及愿景和使命。使用社会科学家统计软件包 (SPSS) 软件第 26 版对收集到的定量数据进行清理、编码和分析。使用多元回归模型，并使用表格总结得到的结果。研究结果表明，只有组织文化和愿景与使命对战略选择有显著影响。研究还指出，资源配置、组织文化、竞争环境以及愿景与使命在解释战略选择方面具有解释力。研究结果还显示，肯尼亚的大学采用了氏族文化。根据研究结果，该研究建议：肯尼亚的大学应该有明确的战略选择程序，遵循既定的程序，并让员工参与制定战略选择的过程，以创造一种目标感和归属感。
通过Q加权变化策略优化的基于扩散的增强学习
扩散模型在增强学习（RL）方面具有广泛的关注（RL），以表现出强大的表现力和多模式。已经证实，利用扩散策略可以通过克服非峰政策（例如高斯政策）的局限性来显着改善RL算法在连续控制任务中的性能。此外，扩散策略的多模式性还表明了为代理提供增强的勘探能力的潜力。但是，现有的作品主要集中于在离线RL中应用扩散政策，而将其纳入在线RL中的研究较少。由于“良好”样本（动作）不可用，因此无法直接应用于在线RL中的扩散模型的训练目标，称为变异下限。为了将扩散模型与在线RL协调，我们提出了一种基于无模型扩散的新型在线RL算法，称为Q-PRIATION策略优化（QVPO）。具体来说，我们在实践中介绍了Q加权变分损失及其近似实施。值得注意的是，这种损失被证明是政策目标的紧密下限。为了进一步增强扩散策略的勘探能力，我们设计了一个特殊的熵正规化项。与高斯政策不同，扩散政策中的对数可能是无法访问的。因此，此熵项是不平凡的。此外，为了减少扩散政策的巨大差异，我们还通过行动选择制定了有效的行为政策。这可以进一步提高在线交互期间的样本效率。因此，QVPO算法利用了扩散策略的探索能力和多模式，从而阻止了RL代理融合到亚最佳策略。为了验证QVPO的有效性，我们对Mujoco连续控制基准进行了综合实验。最终结果表明，QVPO在累积奖励和样本效率方面都可以达到最先进的表现。我们的官方实施在https://github.com/wadx2019/qvpo/中发布。