XiaoMi-AI文件搜索系统
World File Search System麦卡锡主义
黛安·M·麦卡锡
Diane M. McCarthy 产品经理，多任务防护车辆项目执行办公室战斗支援和战斗服务支援 Diane McCarthy 于 2023 年 7 月加入多任务防护车辆团队。该产品办公室由 200 多名采购专业人员组成，他们管理所有类别的防地雷伏击防护车辆、寒冷天气全地形车、路线清理车辆和其他旨在为作战人员提供灵活性、增强生存力和能力的推动者的生命周期。她从 2020 年夏天开始领导轻型战术车辆 (LTV) 团队，在世界各地提供紧急支援和资产，并为士兵提供多项安全改进。在 PEO CS&CSS 任职期间，她还担任机器人物流支持中心 (RLSC) 产品总监和应急基础设施 (CBI) 产品副总监，负责建模和仿真分析，以生成部署部队使用的高效大本营模型。在加入 PEO CS&CSS 之前，McCarthy 女士被指派到海军陆战队轻型装甲车 (LAV) 项目经理办公室，担任 LAV 反坦克项目的项目经理。虽然她加入该项目时正值预算和进度挑战的关键时刻，但她还是带领该项目按时并在预算范围内成功完成了里程碑 C 决策。为此，该 PM 获得了海军陆战队系统司令部颁发的 2015 年项目管理卓越奖。在 PM LAV 任职期间，Diane 被选中参加国防采办大学的高级服务学院奖学金计划。她还担任海军陆战队运兵车 (MPC) 计划的工程总监，并领导开发了先进的需求管理流程，该流程生成了用于构建和验证第一个 MPC 原型性能的性能规范。在担任 PM LAV 职务之前，Diane 曾是当时的美国陆军坦克汽车研究与发展中心 (TARDEC - 现为陆军未来司令部地面车辆系统中心) 的成员，为各种项目管理团队提供矩阵支持。2004 年战术车辆装甲危机期间，她支持中型战术车辆系列 (FMTV) 计划。她被任命为 FMTV 的第一位装甲系统采购经理，在六个月内领导该计划完成初始螺栓固定装甲套件的设计、建造、测试和安装。她在制定陆军的长期装甲战略方面发挥了核心作用。黛安于 1991 年在美国陆军 TARDEC 开始职业生涯，并一直在那里工作到 2002 年，担任物理原型团队的制造工程师，并以设计工程师的身份为设计和快速原型团队提供支持。她对制造和设计流程的深入了解帮助黛安在整个职业生涯中了解如何将项目从概念转变为设计，再到制造和安装集成。她有三十年为美国政府担任工程师和项目经理的经验。她拥有机械工程理学硕士学位和全球领导力管理工商硕士学位。
符号主义、联结主义、行动主义
阐明人工智能与建筑之间联系的关键在于逻辑学派。计算主义的发展与建筑结构主义思想的融合，导致了基于形式概念的类型学设计方法。自然语言作为符号系统的认知是在符号学中建立的，符号学是指对符号过程（符号学）的研究。任何形式的活动、行为或任何涉及符号的过程，包括意义的产生。查尔斯·桑德斯·皮尔斯的模型强调了表征与对象以及使用符号作为传输系统的解释者之间的关系。结构主义根植于三个主要领域：语言学、人类学和文学分析，旨在通过通用符号系统传递建筑思想。语言和语义的转变在 20 世纪 60 年代和 70 年代的建筑中得以实现，标志着从结构主义、理性主义到计算主义的道路。规则和形式（例如模型和方法）以不同的规模出现在建筑中。结构主义处理的是建筑规模，而 La Tendenza 则对更大的规模感兴趣，研究城市。如今，通过计算主义，它可以转变为更大的行星规模。
16 - 琳达·麦卡锡宣言
因此，现宣布皮特金县委员和皮特金县人民很荣幸地表彰林达·麦卡锡，她和已故的格雷格·梅斯一样，一生无私地为社区做出贡献，并特此向她颁发皮特金县关怀“格雷格·梅斯”奖。
与美国陆军部长瑞安·麦卡锡的对话
但是，令人兴奋的是，它正在帮助我们查看所有这些因素，这是这五个关键因素，人，武器系统，指挥和控制，信息和地形。，您将始终如一地听到军队谈论。，您将听到空军谈论它，您将听到海军谈论的话，因为随着时间的流逝，我们一起做了所有这些。麦康维尔将军上周在上一届CQ Brown之前开始了会谈。上次他进行了陆军空军的谈判，是在1970年代和80年代，当时我们开发了他们的土地战，并为我们的两项服务做了一些非常转变的事情。我们再次经历了这一点，在讨论中开始了非常好的开始，但是要做很多工作。这对我来说是一个很好的机会，可以赶上您作为一个机构所做的事情。杰克可以告诉您，我们很忙，但是我们有很多精力，并且非常关注我们必须改变的这些关键功能。所以我很乐意提出您的问题Bryan。
论结果主义与公平
最近关于机器学习公平性的研究主要强调如何定义、量化和鼓励“公平”结果。然而，人们较少关注这些努力背后的道德基础。在应该考虑的道德观点中，结果主义是其中之一，其立场大致认为结果才是最重要的。虽然结果主义并非没有困难，虽然它不一定提供一种可行的选择行动的方式（因为不确定性、主观性和聚合性的综合问题），但它仍然为批判现有的机器学习公平性文献提供了强有力的基础。此外，它还突出了一些相关的权衡，包括谁来计算的问题、使用政策的利弊以及遥远未来的相对价值。在本文中，我们对机器学习中公平性的常见定义进行了结果主义批判，并从机器学习的角度对结果主义进行了批判。最后，我们更广泛地讨论了学习和随机化问题，这对于自动决策系统的伦理具有重要的意义。
