XiaoMi-AI文件搜索系统
World File Search System面向
面向量子计算专家的机器学习
摘要 量子机器学习 (QML) 是量子计算一个很有前途的早期用例。在过去的五年里，从理论研究和数值模拟到概念验证，QML 取得了进展。在现代量子设备上演示的用例包括对医学图像 [ 1 ] 和 Iris 数据集中的项目进行分类 [ 2 ]、对手写图像进行分类 [ 3 ] 和生成 [ 4 ]、毒性筛查 [ 5 ] 以及学习概率分布 [ 6 ]。QML 的潜在优势包括更快的训练 [ 2 ] 和识别经典算法中找不到的特征图 [ 7 ]。尽管这些示例缺乏商业开发的规模，并且 QML 算法可能还需要几年时间才能取代经典解决方案，但 QML 是一个令人兴奋的领域。本文面向那些已经具备量子计算知识，现在希望获得经典机器学习术语和一些应用的基本概述，准备学习量子机器学习的人士。读者已经了解相关的线性代数，包括希尔伯特空间、具有内积的向量空间。
面向医护人员的 COVID-19 疫苗信息
文件信息 本文件自 2020 年 COVID-19 国家疫苗接种计划启动以来，一直致力于为参与该计划的人员提供信息。它不能取代《绿皮书 COVID-19》章节、产品特性摘要 (SPC) 或 COVID-19 疫苗的患者组指导 (PGD) 和国家方案，所有这些文件都应提供给实施该计划的人员并由他们积极查阅。由于 COVID-19 疫苗接种计划已经完善，本文件经过了广泛修订，现在主要关注临床实践中遇到的常见问题。提供了指向其他资源的链接。本文件中的信息在发布时是正确的。请仅在线访问本文档以确保您使用的是最新版本。 COVID-19 疫苗接种计划的背景
面向制造的设计 - DiVA 门户
这项研究是在吕勒奥理工大学计算机辅助设计部和功能产品开发部进行的。工业合作伙伴包括沃尔沃航空、位于特罗尔海坦的萨博汽车公司和位于桑兹约福什的 Moelven Byggmodul AB。VINNOVA 通过 Tillverkningsindustrins produktframtagning、精益木材工程和 VINN 卓越中心 Faste 实验室（功能产品创新中心）等计划提供资金，对此我们表示高度赞赏。这是一个愉快的旅程，尽管充满了惊喜、陷阱和挑战，但也有半结构化的顿悟时刻。因此，我非常感谢工程设计界的许多人，因为没有你们，这根本无法完成。因此，我很荣幸地感谢以下人士：
面向特定领域的可解释人工智能
| 2021 年 6 月 19 日 | Stieler, F.；Rabe, F.；Bauer, B.：面向领域特定可解释人工智能：使用人类方法对皮肤图像分类器进行模型解释 10
面向青年的人工智能 - 戴尔科技
今天的学生是明天的创新者、求职者和创造者。因此，让年轻人掌握人工智能 (AI) 等新兴技术的能力至关重要。为年轻一代提供正确的工具集以了解人工智能及其重要性将有助于弥合数字技能差距。它还将通过增强未来劳动力的能力和创造新的就业机会来促进该国的经济增长。
面向融合应用的 Oracle AI
Fusion Applications Suite 在单一数据平台上提供世界上最完整、原生集成的业务解决方案套件。它提供广泛的嵌入式 AI 功能，并且每季度为 14,000 名客户提供新的 AI 功能和更好的结果。Fusion Applications 中的 AI 功能由 Oracle Cloud Infrastructure (OCI) 提供支持，该基础设施在运行 AI 工作负载方面具有独特优势，因为它提供最高性能和最低成本的 GPU 集群技术，每个集群的规模超过 16K H100 GPU，并且具有极低的延迟和云中最高带宽的 RDMA 网络。OCI、Fusion Applications 和每天使用这些应用程序的数千名客户的结合使 Oracle 能够不断改进其 AI 功能，以提供一流的 AI。
面向制造业的人工智能企业信息系统
摘要：本文介绍的研究工作考虑了当代企业信息系统 (EIS) 的功能架构，并对集成在客户关系管理、供应链管理、库存和物流、生产计划和调度、财务和会计、产品生命周期管理和人力资源中的 AI 应用进行了文献综述，特别关注制造企业。作为审查结果，在每个流程中确定了增强的功能，并将其提出为 AI 服务。AI 支持与企业通过使用 (a) 机器学习 (ML) 模型或 (b) 基于逻辑的系统来实现改进的决策或自动化的能力有关。这是一个企业转型的过程，导致四大颠覆性技术的融合，即工业物联网（或网络物理系统）、基于代理的分布式系统、云计算和人工智能（非符号 AI，如机器学习、神经网络；符号 AI，如推理和基于逻辑/模型的 AI）。
面向特定领域的可解释人工智能
皮肤癌检测是临床决策支持的一个常见应用 [7]。由于皮肤癌患者数量的增加和早期检测的良好治疗效果，过去几年来，人们在该领域进行了大量研究。在此背景下，DNN 已成为开发皮肤图像分类模型的可行方法 [2、8、12、30]。社区的高度关注导致出现了各种不同方法，其性能水平也参差不齐。1 所有方法的共同点都是训练一个可用于诊断并从而用于临床决策支持的模型。因此，新方法的评估标准通常是它们是否能够使模型在各种皮肤病诊断任务中取得更好的性能结果 [21]。同时，其他 AI 研究领域也越来越多地考虑对模型预测的解释。相比之下，这些技术在皮肤图像分类中的应用几乎没有得到解决，尽管最近的一些研究已经认识到
面向所有人的 AI 负责任使用指南
最近的过去。传统上，在“技术”的长期学徒期结束时，学生将获得一个开放的领域，以新颖的方式组合和组合技术。现在，在人工智能出现后，学生就具备了这种能力，配备了能够应用标准技术的无限代理人员。但在我们重视人类复杂思维的教育背景下，技术不仅仅是其各部分的总和。为了证明一个新的数学事实或提出一个复杂的论点，每个单独的步骤都是微不足道的。但要能够看到路径，看到需要应用的基本技术的顺序，需要很高的技能。应用基本技术的自由度是有限的，但通过按顺序招募技术所呈现的组合可能性几乎是无限的。在教育方面，我们仍然需要让学生经历一系列越来越具有挑战性的问题，训练他们巧妙地将基本部分组装成超越它们的结构的艺术。我们需要向学生展示目标，但目标如何实现并不明显。保护数据隐私