XiaoMi-AI文件搜索系统
World File Search System软件质量
剧团系统：自主多代理漫游者群∗
太空探索的未来将利用多代理系统的力量。它是低地球轨道中的卫星星座，还是一群零重力构造无人机，自主的多机构系统为执行大规模太空任务提供了下一步。漫游者群体尤其可以开始着重于月球表面探索的任务。群有可能产生高科学实用程序的回报。但是，尚未完全解决的许多设计和实施问题。该团项目旨在以流浪者群的形式探索多代理系统的设计和开发。该团漫游将作为一个案例研究，用于实施用于安全风险管理，需求形式化，运行时验证框架和其他相关验证工具集的研究工具。NASA AMES的强大软件工程（RSE）组有两个主要目标：（1）研究和开发用于改善安全 - 关键软件的验证和验证（V＆V）的工具，以及（2）设计和设计和部署用于小型SAT太空飞行任务的飞行软件。理想情况下，这两个目标将相互补充。研究团队为任务开发人员开发工具，以提高软件质量，而任务开发人员在用例和所需功能上向研究团队提供直接反馈。实际上，设想的合作有局限性。飞行任务的日程限制通常不允许使用积极开发的工具进行原型制定和培训。安全限制（例如ITAR数据）阻止了混凝土用例的共享。为了克服这些障碍，RSE集团已经实施了一个名为Troupe的孵化器计划，该计划由四个自主流浪者组成，它们协调以绘制未知地形。最终的可交付方式将是绘制位于NASA AMES的漫游车场测试地面的漫游者的设计，开发和演示。演示任务允许开发太空飞行软件，同时集成了高级V＆V工具，包括正式的模型检查器，数学声音静态分析仪和运行时安全性监控。虽然Troupe遵循NASA对软件开发的严格要求，但任务本身与工具开发人员和研究社区共享数据没有局限性。以这种方式，团队可以学习正在积极开发的新工具，并直接向研究工具开发人员提供反馈。
生成式人工智能及其对高等教育活动和评估的影响：硕士生的一些建议
摘要：生成式人工智能（GenAI）的快速发展为高等教育带来了新的问题，例如：大学应该对 GenAI 制定什么样的政策？应该如何重新设计课程以实现公平和有弹性的评估？在教学活动中使用 GenAI 会增加哪些教学和教学价值？不同的大学迅速提出并提出了相互矛盾的观点和政策草案，教师对 GenAI 的利弊也持不同意见。这项研究是从学生的角度进行的，其中 16 名学生正在研究他们自己的可持续信息提供硕士课程。学生已经评估了硕士课程中之前课程的评估。这项研究的目的是调查课程活动和作业的可持续性，并探索 GenAI 工具如何支持和促进教学活动。此外，学生们还被要求测试 GenAI 生成的所选硕士课程作业解决方案的检测软件。学生将这些任务作为 7.5 ECTS 项目课程的一部分进行，该课程与所研究的课程属于同一硕士课程。为了获得灵感并获取有关人工智能的背景信息，学生于 2023 年 12 月参加了第一届人工智能机遇与挑战研讨会 (SAIOC)。数据来自 3 个小组项目的报告，其中 16 名学生在每个小组工作中研究了该课程中 5 门自由选择的课程。除了在现有活动和作业中测试 GenAI 工具外，学生还采访了负责所选课程的主题专家。首先对结果进行分析并在小组报告中展示，并结合 16 篇个人反思论文。关于个人论文，学生被要求提出关于高等教育中 GenAI 的道德观点，并提出和讨论如何更好地重新设计当前课程设计和作业以提高可持续性和公平性的建议。最后，作者对所有小组报告和个人反思论文进行了主题分析，作者也是该项目课程的主题专家和主讲老师。研究结果表明，硕士课程中的许多现有作业可以通过不同的 GenAI 工具部分解决。人工智能生成的解决方案对于不同类型的活动和作业显示出不同的质量和正确性。许多学生论文提出的一个道德问题是测试的检测软件质量相对较差。其中一篇论文中的一个问题是教师是否应该使用准确率略高于 50% 的检测软件来评估学生的提交内容。学生和作者的建议是提供明确的指示，说明何时允许使用 GenAI，何时不允许在课程活动中使用，并重新设计课程结构以进行持续评估。无论有没有 GenAI 工具，持续评估（即评估整个课程的学习过程，而不仅仅是单独的提交）都会增强公平性和可持续性。最后，几名学生建议将口试作为现有评估方法的补充，即使他们的研究结果表明 GenAI 工具可用于准备口头陈述。
人工智能与项目管理
(5) E. Feigenbaum 和 B. Buchanan，“DENDRAL 和 META-DENDRAL：知识系统和专家系统应用的根源，”Artif. Intell.，第 59 卷，第 1-2 期，第 233-240 页，1994 年。 (6) K. Niwa 和 M. Okuma，“技术诀窍转移方法及其在大型建设项目风险管理中的应用，”IEEE Trans. Eng. Manage.，第 29 卷，第 4 期，第 146-153 页，1982 年。 (7) K. Niwa 和 K. Sasaki，“一种新的项目管理系统方法：基于技术诀窍的项目管理系统，”Project Management Quarterly，第 14 卷，第 1 期，第 65-72 页，1983 年。 (8) K. Niwa，“一种基于知识的人机协作系统， ative system for ill-structured management domains，”IEEE Trans. Syst., Man Cybern., vol.16, no.3, pp.335–342, 1986. (9) HM Leung、VM Rao Tummala 和 KB Chuah，“A knowledge-based system for determining potential projectrisks，”Omega, vol.26, no.5, pp.623–638, 1998. (10) Takeshi Oshima 和 Tomiko Maruyama，“Project management method by visualizing volatilitys in software scale，”Journal of the Society of Project Management, vol.19, no.1, pp.26–31, 2017. (11) C. Jones, Applied softwaremeasurement: global analysis of productivity and quality, McGraw-Hill Education Group, 2008.（Hisashi Tomino 和 Kyoichi Kosaka 译） ，软件开发的定量方法：旨在提高生产率和质量（第三版），Kyoritsu Shuppan，2010年。 14）Katero Inoue，Kenichi Matsumoto，Masahiro Tsurubo和Koji Torii，“实现经验软件工程环境的方法”，信息处理，第45卷，第7期，第722-728页，2004年，2004年。（15） Ademia合作：IT系统开发中质量预测的实用方法，” (16) M. Tsunoda、N. Osugi、A. Kadota、K. Matsumoto 和 S. Sato，“使用协同过滤的软件开发工作量预测方法”，信息处理杂志，第 46 卷，第 5 期，第 1155-1164 页，2005 年。 (17) D. Zhang 和 J. J. Tsai，“机器学习和软件工程”，软件质量杂志，第 11 卷，第 2 期，第 87-119 页，2003 年。 (18) J. Wang 和 C. Zhang，“使用基于 RNN 编码器-解码器的深度学习模型进行软件可靠性预测”，Reliab. Eng. Syst. Saf.，第 170 卷，第 73-82 页，2018 年。 (19) T. Mori 和 N. Uchihira，“在软件缺陷预测中平衡准确性和可解释性”，Empir. Softw. Eng.，第 24 卷，第 2 期，第 779-825 页，2019 年。 (20) R. High，认知系统时代：深入了解 IBM Watson 及其工作原理，IBM Corporation，Redbooks，2012 年。 (21) IBM Cognitive PMO，https://www.ibm.com/jp-ja/marketplace/cognitive- pmo-jp（2020 年 1 月 5 日访问） (22) Naoshi Uchihira，“项目管理中的知识转移”，人工智能百科全书，第 19-10 节， pp.1355-1360，共立出版，2017年。 (23) Fujitsu KIWare，https://pr.fujitsu.com/jp/news/2017/11/28.html（2020/1/5访问） (24) Masatoshi Morisaki，“基于AI的源代码审查～通过深度学习诊断代码之美”，信息处理，第59卷，第11期，第985-988页，2018年。 (25) Takeshi Oshima、Naoshi Uchihira，“用于项目管理的AI知识分类模型～IT企业中AI应用方法的研究～”，国际项目管理期刊，第13卷，第1期，第121-141页，2018年。 (26) Toshiki Mori、Naoshi Uchihira，“项目和计划风险管理中的机器学习和知识创造的综合方法”，国际 P2M 杂志，第 14 卷，第 1 期，第 415-435 页，2019 年。
正在攻读博士学位（截至 2024 年 2 月 15 日）
13 ECE Dr. Vineet Khandelwal NARESH KUMAR 兼职 17402004 21 July 2017 光无线通信 14 ECE Prof. Shweta Srivastava ARNAB CHAKRABORTY 全职 17402005 21 July 2017 毫米波天线和天线阵列 YES JIIT 15 ECE Dr. Shweta Srivastava ARNAB CHAKRABORTY 全职 17402005 Shamim Akhter ABHAY PRATAP SINGH 内部 17402008 12 一月 2018 高级 MOS 器件 YES JIIT 16 ECE Dr. Pankaj Kumar Yadav SHWETA MITTAL 全职 17402011 06 一月 2018 无线通信 YES JIIT 17 ECE Dr. Madhu Jain RENU SHARMA 兼职17402012 2018 年 1 月 5 日 图像处理 18 CSE Dr. Sandeep Kumar Singh RUCHIN GUPTA 兼职 17403006 2017 年 7 月 22 日 软件工程（软件质量形式） 19 CSE Dr. Suma Dawn VINITA 全职 17403008 2017 年 7 月 21 日 图像处理 是 JIIT 20 CSE Dr. Parmeet Kaur ADITI SHARMA 内部 17403009 2017 年 7 月 24 日 分布式计算和分布式数据库 21 CSE Dr Parmeet Kaur NEETU NARANG 全职 17403011 2017 年 7 月 25 日 大数据分析 是 JIIT 22 CSE Dr. Shikha Jain TARA RAWAT 兼职 17403013 2018 年 1 月 5 日2018 认知与机器学习 23 CSE Dr. Shikha Mehta ANURADHA GUPTA 内部 17403015 2018 年 1 月 8 日 社会网络分析 24 CSE Dr. K. Rajalakshmi SHERRY GARG 内部 17403016 2018 年 1 月 8 日 无线网络 25 CSE Dr. Parmeet Kaur MRADULA SHARMA 内部 17403017 2018 年 1 月 8 日 大数据中的信息安全 26 MATH Dr. Lokendra Kumar VISHAL GUPTA 兼职 17408001 2017 年 7 月 21 日 复杂流体中传输现象的数值研究 27 MATH Dr. Lokendra Kumar NIDHI 兼职 17408006 2017 年 7 月 21 日纳米流体中的流动和传热问题 28 MATH Prof. Alka Tripathi RANJEET KAUR 兼职 17408007 2018 年 1 月 5 日 模糊环境中的自动机理论和形式语言的一些研究 29 MGT Prof. Rajnish Kumar Misra SUJATA ROUNAK 全职 17409001 2017 年 7 月 21 日 HRM 是 JIIT 30 MGT Dr. Sujata Kapoor TANU KHARE 全职 17409005 2017 年 7 月 21 日 金融 是 JIIT 31 MGT Dr. Badri Bajaj DIVYA SAHU 全职 17409007 2017 年 7 月 21 日 人力资源管理 是 JIIT 32 PMSE Prof. SP Purohit SUKANYA NASA 全职 17410001 2017 年 7 月 21 日 一些关于原子和纳米结构的研究 是 JIIT 33 HSS Dr. Santosh Dev SONALEE SRIVASTAVA 全职 17413001 2018 年 1 月 5 日 人力资源信息系统。 是 JIIT 34 BIO Dr. Chakresh Kumar Jain PANKAJ KUMAR TRIPATHI 兼职 18401002 2018 年 6 月 20 日 药物靶标/配体识别的计算方法
为可持续燃料的未来提供动力
成为计算机科学和工程学是一个四年的本科学位，侧重于计算硬件和软件的设计，构建，操作和维护。该计划探讨了现代计算机科学与相关技术之间的相互作用，将数学和设计原理开发到现代计算系统中。课程包括数字电子设备，算法分析设计，微处理器，操作系统，编程语言，计算机网络，DBMS，系统软件，加密和网络安全，移动通信，临时网络，绩效评估等等。要符合该计划的资格，学生必须在科学流中通过10+2，至少具有50％或同等的CGPA。一些机构也可以进行入学考试。该课程分为八个学期，涵盖了诸如计算技术，数字原理和系统设计，计算机架构，数据库管理系统，操作系统，软件工程，数据通信和计算机网络，微处理器和微控制器等的主题。####是计算机科学与工程学期-VII-IX **选修课：**1。.net＆c＃编程2。临时和传感器网络3。数据库上的高级主题4。生物信息学技术5。网络取证6。计算智能7。云计算和服务8。数据库调整9。数字图像处理10。数据仓库和数据挖掘11。电子学习技术12.免费和开源软件14。工程伦理与人类价值观13。游戏计算和游戏编程15。图理论与组合学**实践：**1。计算机图形和多媒体实验室2。移动应用程序开发实验室3。软件开发实验室**学期-VIII-IX：** 1。选修课：人类计算机相互作用2。信息检索和管理3。中间件技术4。纳米计算和自然语言处理5。网络分析和管理6。分布式系统的原理，嵌入式和实时系统7。加密和网络安全原则8。语义网9。软件代理和软件质量和测试10。面向服务的体系结构**项目工作：** **课程适合性：**该课程适合具有良好沟通技巧，分析思维，决策能力，团队合作经验以及口头和书面思想的能力的人。**就业领域：**1。政府部门2。大学与大学3。农业部门4。航空航天和防御5。金融服务6。医疗保健部门7。制造公司8。零售部门9。电信公司**工作类型：**1。建筑师2。助理教授3。BSM技术顾问4。计算机视觉算法科学家5。计算机科学家 /计算机科学老师6。< / div>大型机网络系统支持7。软件工程师8。员工测试开发工程师工程学学士学位（BE）计算机科学计划的重点是开发计算机硬件和软件。这是工程课程的一部分，对于对计算机科学和相关领域感兴趣的学生，有广泛的工作机会。符合条件，有抱负的人必须以科学背景完成高中教育，并清除了入学考试。没有年龄限制或入学的特定标准。可以通过在大学/学院网站上提交表格来在线或离线完成申请过程。选择过程涉及在基于科学或其他学科的入学考试中得分良好，以及公认的董事会的10+2分。学生可以参加印度计算机科学课程的各种入学考试，这对于确保入学至关重要。一些顶尖的大学提供具有专业化的计算机科学研究生学位。根据所提供的大学/大学设施和设施，课程费用为25,000至5 LPA（每年十万）。在计算机科学课程中概述了昌迪加尔大学Pilani的计算机科学课程，工程技术学院提供了一个结构化的课程，使学生能够掌握在不同领域中掌握计算机科学知识至关重要的各种主题。该课程提供了计算机系统，软件公司和科学的实践知识。有抱负的候选人应在考试前进行彻底准备，以最大程度地减少最后一刻的压力。关键主题： - 操作系统 - 计算机系统和编程 - 机械工程 - 物理，化学，数学 - CAD通信工程毕业生的需求很高，网络安全，网络开发，科学，游戏，游戏和编程。攻读计算机科学学位可以在印度和国外的顶级私人和公共组织中带来利润丰厚的就业机会，提供了2至14 LPA的薪水[来源：Payscale]。完成课程后，毕业生有资格在各个部门担任初级职位。该领域具有出色的范围和巨大的工作机会。在计算机科学中涉及技术和网络的持续升级。一些潜在的职业道路包括数据科学家，助理教授，软件顾问，计算机工程师，IT官等。为了在这一领域表现出色，有抱负的人应具有解决问题的技能，技术专长和应用创造力。强大的人际交往能力，例如网络，领导和解决冲突也至关重要。其他基本能力包括计算机和技术知识，数学技能，数据分析，软件开发和技术写作。
Karthikeyan Palanichamy 1*，Jatin Soni 2 1*产品所有者，Karthikeyanpalanicham@yahoo.com 2软件开发人员，jatinsonii@yahoo.com引用：ka 1*高级软件质量工程师Lucid Motors，Raviarvind25@yahoo.com 2产品经理GM，srinivasreddydolu@yahoo.com引用：Ravi Aravind，E Laxmi 1*，Noria Farooqui 2 1*研究学者，管理与商业研究学院，新德里111 地理研究中人文主义的解释 1 M. SC。 （农业部），农艺部（e邮件：kambojritik1234@gmail.com）， *2助理教授（农业工艺）（e邮件：amandeep.26867@lpu.co.in）， AI驱动的个性化学习系统 在英语教学法中整合AI AI和网络安全：增强威胁检测和... 金融算法交易和市场流动性 1英语系助理教授，政府。印度卡纳塔克邦的Haveri-581110工程学院。电子邮件：kpk4841@gmail.com 2助理教授 Sankararaman g 1*，Natarajan Rengaraju 2，V。Rengarajan3博士，N。R。Vembu博士4，D。Indhumathi博士5 1*管理研究教授，Rajala AI自动驾驶：机遇，挑战和... 韩国戏剧对心理井的影响 使用深度学习算法的图像字幕生成
文章信息ABS范围降低电池功能是广泛采用电动汽车（EV）的主要障碍。因此，需要解决方案来优化锂离子电池的安全性，性能和周期寿命。为了解决这个问题，我们提出了第一个AI驱动的电池管理系统（BMS），能够对电动电池电池中的最先进，最先进的健康状况和可能的故障动态进行无模型的预测。我们利用工业X射线计算机断层扫描来检查内部电极，分离器质量和电荷以及电化学阻抗光谱谱图来量化细胞最新状态。我们的无模型方法可以解决实验和工业EV的数据；我们证明了突破性的预测准确性，既不需要校准，也不需要任何商业工具援助。该方法在定性上对电池性能的看法提供了一种新颖的视角，这将使最终的理解和优化设计。我们的方法直接支持可持续性和电动汽车的低成本驾驶。车辆电气化和杂交的提高需要加速锂离子电池性能和安全性的进步，这主要依赖于复杂的嵌入式电池管理系统。具体来说，终身对单个细胞的最先进（SOC）和最先进的（SOH）的准确跟踪具有基本重要性。可靠性降低不仅会影响硬件在循环研究中的承诺，而且会影响电动汽车行业扩散的直接结果。在这些功能中表现不佳的影响将导致电动汽车滞留在高速公路侧，大规模电力缓冲区的停机时间，减少总体电动汽车电池组的使用以及早期频繁的昂贵降级和更换。仅凭电池特性就会出现许多问题，并且共识是问题只会变得更加严重。为了强烈降低这种风险并适应电气化的演变，需要通过追求针对电池监控，建模和管理的高级机器学习算法来延长电池使用寿命。关键字：优化电动汽车性能，电动汽车（EV），电池管理系统（BMS），AI（人工智能），性能优化，能源效率，机器学习，电池电量（SOC），电池健康状况（SOH）