XiaoMi-AI文件搜索系统
World File Search System领域专家
生成式人工智能如何帮助领域专家创建流程模型？
摘要：正如欧盟工业5.0研究与创新行动中所述，在信息系统中考虑人为因素是未来数字化工作的关键。尤其是在面向流程的信息系统的设计阶段，人为因素包括赋能领域专家创建流程模型，从而降低流程建模的门槛并提高建模速度。在本研究中，我们研究了生成式人工智能方法如何支持领域专家基于文本流程描述与聊天机器人交互创建流程模型。我们探索了使用受Markdown启发的语言创建具有即时可视化表示的流程模型所需的输入信息量，并扩展了现有的评估生成模型的方法，重点关注其完整性和正确性。总而言之，评估方法必须考虑模型完整性、正确性、文本流程描述、文本表示和快速工程之间的复杂关系，以支持领域专家。
审查医学领域专家识别的人工智能算法：范围审查
摘要：随着信息量的增加和人与人之间的相互联系，识别特定领域中知识渊博的个人对于组织来说变得至关重要。人工智能 (AI) 算法已被用于评估知识并定位特定领域的专家，从而减轻了专家分析和识别的人工负担。然而，在医学和生物医学领域，探索人工智能算法在专家查找中的应用的研究有限。本研究旨在对现有关于利用人工智能算法在医学领域进行专家识别的文献进行范围审查。我们使用自定义搜索字符串系统地搜索了五个平台，并通过其他来源确定了 21 项研究。搜索范围涵盖了截至 2023 年的研究，研究资格和选择遵循 PRISMA 2020 声明。搜索共评估了 571 项研究。其中，我们纳入了 2014 年至 2020 年期间进行的六项符合我们审查标准的研究。四项研究使用机器学习算法作为模型，而两项研究使用自然语言处理。一项研究结合了两种方法。所有六项研究都表明，与基线算法相比，专家检索取得了显著的成功，这通过各种评分指标来衡量。人工智能提高了专家查找的准确性和有效性。然而，在智能医疗专家检索方面还需要做更多的工作。
机器教学中的特征空间焦点
摘要 — 当代机器学习 (ML) 通常关注大量现有和标记的数据集以及准确性和性能指标。在普适在线系统中，条件不断变化，需要能够适应的系统。在机器教学 (MT) 中，人类领域专家负责知识传递，因此可以解决这个问题。在我的工作中，我专注于领域专家以及可用特征及其跨越的空间对于 ML 系统的重要性。这个空间将物理世界的可观察片段限制在 ML 系统中。我对特征空间的研究基于一项已进行的研究和相关理论。这项工作的结果适用于设计领域专家作为教师发挥关键作用的系统。索引术语 — 机器学习、机器教学、人机交互
机器学习专家是否讨论过人工智能系统的可解释性？
对于希望在行业中脱颖而出的所有公司来说，在不同领域应用人工智能 (AI) 工具正成为必修课。成功应用人工智能的一个主要挑战是将机器学习 (ML) 专业知识与领域知识相结合，以获得应用人工智能工具的最佳效果。领域专家了解数据以及数据如何影响他们的决策。ML 专家能够使用基于 AI 的工具处理大量数据并为领域专家提供见解。但如果不深入了解数据，ML 专家就无法调整他们的模型以获得特定领域的最佳结果。因此，领域专家是 ML 工具的主要用户，这些 AI 工具的可解释性成为该背景下的重要特征。人们为研究不同背景、用户和目标的 AI 可解释性付出了很多努力。在这篇立场文件中，我们讨论了关于 ML 专家如何在定义要为特定领域开发的 ML 工具的功能时表达对 AI 可解释性的担忧的有趣发现。我们分析了两次头脑风暴会议的数据，讨论了 ML 工具的功能，以支持地球科学家（领域专家）使用 ML 资源分析地震数据（特定领域数据）。
爱达荷州专业学校人员初始认证标准
• 针对每个标准领域，都成立了一个由教育工作者（包括 P-12 学校和高等教育机构的教育工作者）的内容领域专家组成的标准审查小组。 • 内容领域专家小组审查标准，并在必要时进行修订。 • 内容领域专家小组建议的修订将提交给 PSC。 • 如果 PSC 批准修订，则将其提交给州教育委员会以供采纳。 • 如果州教育委员会采纳修订后的标准，则将其提交给立法机构以供批准。 • 如果立法机构批准，修订后的标准将纳入州委员会规则 (IDAPA 08.02.02.004.01)。请访问爱达荷州教育部教育工作者准备标准网页，了解哪些准备计划已更改：http://www.sde.idaho.gov/cert-psc/psc/standards.html
![arXiv:2205.12749v2 [cs.AI] 2022 年 7 月 1 日](/simg/g:\will\search\icon\source\2\2065ed9bc53d9d49461c4886d3dbb8f82d668f71.png)
arXiv:2205.12749v2 [cs.AI] 2022 年 7 月 1 日
随着人工智能系统在现实世界中的应用不断增加，对可靠和值得信赖的人工智能的需求也随之而来。其中一个重要方面是可解释的人工智能系统。然而，对于如何评估可解释的人工智能系统，并没有统一的标准。受图灵测试的启发，我们引入了一个以人为中心的评估框架，其中领先的领域专家接受或拒绝一个人工智能系统和另一个领域专家的解决方案。通过比较提供的解决方案的接受率，我们可以评估人工智能系统与领域专家相比的表现如何，以及人工智能系统的解释（如果提供）是否是人类可以理解的。这种设置——与图灵测试类似——可以作为广泛的以人为中心的人工智能系统评估的框架。我们通过两个实例来证明这一点：（1）一种评估，衡量系统的分类准确性，可选择纳入标签不确定性；（2）一种评估，以人为本的方式确定所提供解释的实用性。
