XiaoMi-AI文件搜索系统
World File Search SystemArti
采用人工智能实现自动化组织决策的障碍
摘要 目的——虽然人工智能 (AI) 在协助人类决策方面显示出前景，但在采用 AI 进行决策方面也存在着障碍。本研究旨在找出在采用 AI 进行组织自动化决策方面所面临的障碍。AI 发挥着关键作用，它不仅能使日常任务自动化，还能进入传统上由知识或技术工人做出的决策自动化领域。因此，本研究选择了有过采用 AI 进行决策经历的受访者。 设计/方法/方法——本研究采用解释范式，通过对南非 13 名参与 AI 采用的组织的高级管理人员进行定性访谈进行探索性研究，以确定在自动化决策过程中使用 AI 的潜在障碍。进行了主题分析，并对成绩单进行了 AI 编码，并将其与手动成绩单主题编码进行了比较，以了解计算机与人工生成的编码。根据研究结果创建了一个概念框架。发现 – 阻碍人工智能在决策中应用的因素包括人类社会动态、限制性法规、创造性工作环境、缺乏信任和透明度、动态商业环境、权力和控制权的丧失以及道德考量。原创性/价值 – 该研究独特地将自适应结构化理论 (AST) 模型应用于人工智能决策采用，说明了与人工智能实施相关的维度，并提出了克服人工智能采用障碍的建议。AST 提供了对技术和社会维度之间动态相互作用的更深入理解。
人工智能生物信息学：组学和组间研究工具的开发和应用
半个世纪以来，生物信息学和计算生物学提供了工具和数据分析方法，因此组学时代的开始对研究人员来说代表了一个新的挑战，它从信息学、数学和统计学领域汇聚到生物信息学领域。在大多数情况下，所提供的解决方案似乎难以供生物医学领域的研究人员使用。这种情况尤其发生在将数据科学和人工智能 (AI) 领域的复杂方法应用于生物医学数据时 (Lisboa 等人，2000 年)。机器学习、统计学习和软计算方法（例如深度神经网络或遗传算法）也已成为生物世界中使用的术语，但对其潜力的理解并不完整（Pavel 等人，2016 年；Lin 和 Lane，2017 年；Zeng 和 Lumley，2018 年）。近年来，组学、多组学和组间实验为生物学研究迈出了新的一步，为个性化医疗打开了窗口，例如用于诊断（Riemenschneider 等人，2016 年）。医学大数据时代即将到来，代表着又向前迈出了一步。考虑到这一点，我们的研究主题介绍了生物和医学领域人工智能的新发展，以及它们在组学和组学间方法的高通量数据分析中的应用（Facchiano 等人）。
SynCardia 获得第二项专利，涵盖完全植入式人工心脏
“我们致力于创造最先进的技术，造福全球心力衰竭患者。SynCardia 的使命是开发 Emperor，它有望成为世界上第一台完全植入式 SynCardia 全人工心脏 (STAH)，可作为心脏移植的替代方案”，首席执行官 Patrick NJ Schnegelsberg 评论道。“这是我们的第二项涉及完全植入式心脏技术的专利。鉴于 SynCardia 在人工心脏领域的领导地位以及我们在 2,000 多名患者身上植入目前美国食品药品监督管理局 (FDA) 批准的 STAH 版本的丰富临床经验，我认为我们有机会快速开发和商业化完全植入式 STAH。”
利用人工智能提高承保的准确性和透明度，从而改变人寿保险行业
人寿保险是数百万家庭的重要金融工具，它通过减少过早死亡带来的经济影响，为家庭提供保障。仅在美国，人寿保险公司就共同管理着数万亿美元的保障，每年向受益人支付数十亿美元；根据美国人寿保险协会的数据，截至 2018 年底，个人的有效保险金额接近 12.1 万亿美元，向受益人支付的金额为 570 亿美元。1 为了支持这个大规模的金融生态系统，同时提供可承受的价格，保险公司必须通过承保流程估计个人人寿保险申请人的死亡风险。承保的准确性最终推动了人寿保险行业的长期稳定，因为承保后固定的保费总额必须足以抵消未来保证死亡抚恤金的支出。
值得信赖的人工智能现实检查：医疗保健领域人工智能产品缺乏透明度
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
认真对待原则：人工智能中价值协调的混合方法
人工智能 (AI) 中价值一致性 (VA) 系统开发的一个重要步骤是了解 VA 如何反映有效的道德原则。我们建议 VA 系统的设计者采用一种混合方法来融入道德，其中道德推理和经验观察都发挥作用。我们认为，这避免了犯“自然主义谬误”，即试图从“是”中推导出“应该”，并且在没有犯谬误时提供了一种更充分的道德推理形式。使用量化模态逻辑，我们精确地制定了源自义务论伦理的原则，并展示了它们如何为 AI 规则库中任何给定的行动计划暗示特定的“测试命题”。只有当测试命题在经验上是真实的，即基于经验 VA 做出的判断时，行动计划才是合乎道德的。这使得经验性 VA 能够与独立证明的道德原则无缝集成。
基于深度人工智能技术的现代工程项目管理
随着“新基建”建设，信息技术快速迭代更新，人工智能技术在工程项目管理中的应用将更加多样化，大大提升了工程项目管理的质量和效率。人工智能技术是融合人工智能理论知识与计算机技术的一种新技术体系。当今，在科技飞速发展的背景下，人工智能技术的发展壮大得到了社会的普遍关注，成为推动社会经济发展、提高人民生活水平的重要支撑力量，具有较为广阔的发展前景。在工程管理中，人工智能技术的采用增多，对促进管理的有序进行，减少管理负面因素的负面影响，发挥着积极作用[1,2]。随着人工智能技术在计算机领域的深入研究及其社会影响，如何将人工智能技术与工程项目有效结合
噩梦机器：一项利用人工智能引发恐惧的大规模研究
随着人工智能在模拟人类分析任务方面取得长足进步，一个重要问题浮出水面：机器能否大规模诱发极端的人类情绪？在这项工作中，我们调查了一个案例研究，噩梦机器（nightmare.mit.edu），研究一种特殊的情绪：恐惧。我们使用一种基于深度学习的方法，通过生成新的怪异图像来诱发焦虑和消极情绪状态。我们的系统吸引了来自 147 个国家的数十万参与者的关注，他们对生成的图像进行了超过 1,000,000 次评估。首先，我们对收集的数据执行各种探索性数据分析任务，以调查生成的图像的潜力，例如参与者基于地理位置的偏好之间是否存在相关性。然后，我们对 n = 752 名受试者进行验证研究，以验证生成的图像是否会在心理上影响人们的心理测量效果和焦虑测量，例如 I-PANAS-SF（Thompson 2007）和 STAI-SF（Marteau and Bekker 1992）。我们的实验表明，与对照图像相比，生成的图像在负面情感和状态焦虑方面产生了统计上显着的增加。我们在 https://github 上公开了我们的数据集。com/catlab-team/nightmaremachine 。
AI-GA：AI 生成算法，产生通用人工智能的替代范式
人类历史上最雄心勃勃的科学探索或许就是创造通用人工智能，大致意思是说，人工智能与人类一样聪明，甚至比人类更聪明。机器学习社区的主流方法是尝试发现智能可能需要的每个部分，并隐含地假设在未来的某个时候，某个团体将完成一项艰巨的任务，即弄清楚如何将所有这些部分组合成一台极其复杂的机器。我称之为“手动人工智能方法”。本文介绍了另一条令人兴奋的道路，最终可能更成功地生产出通用人工智能。它基于机器学习历史中的明显趋势，即手工设计的解决方案最终将被更有效的学习解决方案所取代。这个想法是创建一个人工智能生成算法 (AI-GA)，它会自动学习如何生成通用人工智能。这种方法有三个支柱必不可少：(1) 元学习架构，(2) 对学习算法本身进行元学习，以及 (3) 生成有效的学习环境。虽然前两个支柱的研究已经开始，但第三个支柱的研究却进展甚微。在这里，我认为手动方法或 AI-GA 方法可能是第一个实现通用人工智能的方法，并且无论哪种方法最快，这两种方法都是值得的科学研究。由于这两种方法的前景大致相同，并且机器学习社区目前主要致力于工程化人工智能方法，因此我认为我们的社区应该将大量的研究投资转移到 AI-GA 方法上。为了鼓励这样的研究，我在三个支柱中分别描述了有前景的研究。我还讨论了 AI-GA 方法独有的安全和道德考虑。因为它可能是实现通用人工智能的最快途径，并且了解简单算法产生通用智能的条件本身就具有科学意义（就像达尔文进化产生人类智能的地球一样），我认为对 AI-GA 的追求应该被视为计算机科学研究的一项新的重大挑战。
Trans-AI/DS：变革性、跨学科和转化人工智能与数据科学
摘要 经过人工智能70年和数据科学50年的跌宕起伏，人工智能/数据科学进入了新时代。新一代人工智能/数据科学建立在科学、技术和工程的一致性和宇宙学的基础上。特别是，它协同人工智能和数据科学，启发了Trans-AI/DS（即Trans-AI、Trans-DS及其混合）的思维、愿景、范式、方法和实践。Trans-AI/DS在思维、范式、方法、技术、工程和实践方面具有变革性（或转型性）、跨学科和转化性人工智能/数据科学的特点。本文，我们讨论了这些重要的范式转变和方向。 Trans-AI/DS 鼓励超越传统人工智能、数据驱动、基于模型、统计、浅层和深度学习假设、方法和发展的宏观和跳出框框的思维。他们从人类、自然、社会及其创造物固有的智能和复杂性的本质出发，追求基础性和原创性的 AI/DS 思维、理论和实践。