XiaoMi-AI文件搜索系统
World File Search SystemCrow
IT 供应链活动摘要：Microsoft 和 CrowdStrike
泰国时间2024年7月19日下午2点30分左右。从事件的消息来看IT系统中断，导致全球航空公司、医院、银行、媒体公司等的服务中断。与此同时，微软 Windows 操作系统屏幕也出现了蓝屏问题，导致机器停止工作。这一在全球多个设备上同时发生的事件是一把双刃剑。影响非常广泛的事件因此，有必要分析并分离原因。和问题管理方法虽然这两起事件并不是网络攻击但它是IT供应链范畴的一个问题，需要各部门高度重视。
工作文件24-005无人群的未来？生成的AI和创造性问题解决
摘要生成人工智能（AI）的快速进步为通过人类引导的AI合作伙伴关系提供了有吸引力的创造性问题。为了探索这一潜力，我们提出了一项众包挑战，该挑战的重点是人类人群产生的可持续性，循环经济思想，并使用两种替代形式的解决方案搜索产生了人类人类的努力。挑战吸引了来自各个行业的125个全球求解者，我们使用战略及时工程来生成人类解决方案。我们招募了300位外部人类评估者，以判断234个解决方案中的13个随机选择，总计3,900个评估者 - 解决方案对。我们的结果表明，尽管人类人群解决方案表现出更高的新颖性（平均而言和新颖的结果），但人类-AI的解决方案表现出较高的战略生存能力，财务和环境价值以及整体质量。值得注意的是，人类解决方案是通过差异化搜索共同创建的，在该搜索中，人类引导的提示指示了大语言模型（LLM）依次生成与以前的迭代不同的输出，超过了通过独立搜索生成的效果。通过将“ AI-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN”方法展示出来，我们的研究表明了一种可扩展的，具有成本效益的方法来扩大早期创新阶段，并为研究整合人类AI解决方案搜索过程如何推动更具影响力的创新奠定了基础。，我们深表感谢Lamar Pierce在整个审查过程中的出色指导和支持。任何剩余的错误都是我们自己的责任。关键字：生成的AI，大型语言模型，创造性的问题解决，组织搜索，AI-AI-AI-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-IN-ARCOUP，众包，迅速的工程认可：我们对Justin Ho，Stella Ho，Stella Ho和Kate Powell的衷心感谢。Our work has been significantly enriched by the insightful comments and feedback from Charles Ayoubi, Nathan Rietzler, and seminar participants at various institutions, including the Laboratory for Innovation Science at Harvard (LISH), University of Washington Foster School of Business, GenAI Lab at the Professorship of Digital Marketing at the TUM School of Management, University of Toronto Rotman School of Management, MIT Sloan, Questrom School of Business Online数字业务和哈佛人类计算机相互作用组的研究。他的领导和见解在提升我们的工作质量方面发挥了作用。我们还向三位匿名审稿人致以真诚的感谢，他们的建设性反馈和周到的建议大大改善了我们的手稿。他们的奉献精神和专业知识在塑造这项研究方面非常宝贵。通过HBS研究与教师发展部（DFRD）和LISH的慷慨财务支持使这项工作成为可能，为此我们深表感谢。我们承认使用GPT-4和Claude-3用于写作帮助。
在主观学习任务中捕获众包注释者的观点
监督分类在很大程度上取决于人类注释的数据集。然而，在诸如毒性分类之类的主观任务中，这些注释通常在评估者之间表现出较低的一致性。注释通常是通过采用多数投票来确定单个地面真相标签的方法来汇总的。在主观任务中，汇总标签将导致标签有偏见，并且会导致有偏见的模型，这些模型可以忽略次要意见。先前的研究已经阐明了标签聚合的陷阱，并引入了一些解决这个问题的实用方法。最近提出的多种注释模型，该模型可以预测每个注释者的个体标签，因此很容易受到样本很少的注释者的不良确定。此问题在众包数据集中加剧了。在这项工作中，我们为主观分类任务的文本（AART）提出了注释者意识表示表示。我们的方法涉及注释者的学习表示，允许探索注释行为。我们展示了我们对指标方法的改进，这些指标评估了限制单个注释者观点的绩效。在方面，我们证明了与Others相比，评估环境化注释者的模型公平性的公平指标。1
皇冠商业服务（CCS）和阿喀琉斯
CCS的可持续供应链CCS为英国的合同当局提供了超过370亿英镑的政府支出的支持。服务支持采购领导者和团队来促进当地经济，使我们的社会更加公平，加强社区并管理向碳净零的过渡。作为该支持的一部分，CCS有责任持续风险评估供应商，这些供应商是其在批准时和持续的批准框架中的一部分。为了加强当前过程，CCS正在与阿喀琉斯合作试用供应商数据的收集，这些数据可以收集一次并在多个团队中共享。该试验仅限于对CSS特别重要的供应商，并将在2024年进行。英国几个签约机构也正在与CCS合作，作为这项风险管理活动的一部分与供应商合作。谁是阿喀琉斯，为什么CCS与阿喀琉斯合作？要求CCS和在公共部门购买组织在国家和地方一级报告其服务和供应链的绩效。供应链风险和绩效的报告和评估是一个持续的过程。CCS最近建立了一个供应商管理部门，其目的包括CCS如何管理供应商保证，供应商保证，供应商风险管理和供应商的弹性。为了支持这一目的，CCS正在与该领域的专家阿基里斯（Achilles）进行风险管理信息服务飞行员。为什么我要完成CCS供应商保证？飞行员的目的是通过改进的风险管理信息和可行的见解，对CCS，CCS产品和服务的价值添加的增值进行学习。阿喀琉斯是全球最大的全球供应链风险管理解决方案服务提供商之一，在17个国家 /地区拥有500多名员工。代表全球550多个购买组织工作，在11个不同领域运营，包括能源，基础设施，公用事业和建筑阿喀琉斯，通过在线问卷和身体审核收集，验证和维护有关100,000多个供应商的基本数据。供应商的保证构成了CCS供应链尽职调查和可持续性承诺的组成部分。阿喀琉斯注册将取代进行先前的供应商保证过程的要求，并提供一种简单的确保方式，然后保持您作为批准供应商的地位。成功的注册可作为您完全符合CCS标准的验证。虽然CCS已经持有供应商信息，但通过Myachilles平台提交的数据将对数据收集和最新财务的自动人口进行全面评估
用Cloudflare＆CrowdStrike统一风险姿势
●摄取CrowdStrikefalcon®零信任评估（ZTA）分数中的CloudFlare，以在所有访问请求中执行设备姿势●与Falcon®下一代SIEM共享CloudFlare Logs，以丰富跨安全服务的实时可见性（SSE）和Web Application Edge（SSE）和API Protection（HAAP）安全域
众筹可再生能源投资
众筹已成为替代金融行业中一种可行的工具，用于补充政府和银行投资无法覆盖的项目（包括可再生能源）的融资。然而，关于发展中国家（尤其是非洲）的众筹文献仍然很少，人们对其从借贷（众筹）或投资角度（而不是捐赠或慈善）为可再生能源融资做出重大贡献的潜力知之甚少。在本文中，我们以西非加纳为例，通过调查发展中国家背景下的群体认知，围绕众筹的机制和动态进行了闭环研究。我们采用了以集体行动、社会证明、说服、网络和信号理论为基础的综合文献综述，并辅以对加纳家庭散户投资者的批判性焦点小组访谈，以提炼与可再生能源众筹有关的关键问题和担忧。然后，我们根据研究结果提出了一个概念框架。我们的研究结果表明，可再生能源和可供大众选择的投资替代品之间的财务回报存在不公平的竞争环境。因此，众筹领域需要精心设计，以提高非金融属性的吸引力，例如开发商/筹款人的声誉和项目可行性，以进一步加强项目经济效益。此外，对众筹平台安全性和易用性的看法也得到了强调，前者是更广泛的银行或金融系统的挑战。总体而言，本文强调需要社会认同和质量信号来吸引家庭投资者。建议进一步研究此类发展中市场集体行动的动机。
英国和美国自动驾驶汽车的公开期望
Rachel L Sagar, 1,2 Eva Åström, 3,4 Lyn S Chitty, 5,6 Belinda Crowe, 7 Anna L David, 1,2 Catherine DeVile, 7 Annabelle Forsmark, 8 Vera Franzen, 9 Göran Hermeren, 10 Melissa Hill , 5,6 Mats Johansson, 10 Caroline Lindemans, 11 Peter Lindgren, 12,13 Wouter Nijhuis, 14 Dick Oepkes, 15 Mirko Rehberg, 16 Nils-Eric Sahlin, 10 Ralph Sakkers, 14 O Semler, 16 Mikael Sundin, 13,17 Lilian Walther-Jallow, 13 E J T Joanne Verweij, 15 Magnus Westgren, 13 Cecilia Götherström 13 To cite: Sagar RL，ÅströmE，Chitty LS等。一项探索性开放标签多中心I/II期试验评估了产后或产前或产后和产后给药的安全性和疗效，同种异体扩展的胎儿间充质干细胞用于治疗婴儿和胎儿中严重肌动症的严重成骨的不完美症：BoostB4试验方案。BMJ Open 2024; 14：E079767。doi：10.1136/ bmjopen-2023-079767 div>
Rachel L Sagar，1.2EvaÅström，3.4 Lyn S Chitty，5.6 Belinda Crowe，7 Anna L David，1.2 Catherine Devile，7 Annabelle Forsmark，8 Vera Franzen，9Gö
Rachel L Sagar, 1,2 Eva Åström, 3,4 Lyn S Chitty, 5,6 Belinda Crowe, 7 Anna L David, 1,2 Catherine DeVile, 7 Annabelle Forsmark, 8 Vera Franzen, 9 Göran Hermeren, 10 Melissa Hill , 5,6 Mats Johansson, 10 Caroline Lindemans, 11 Peter Lindgren, 12,13 Wouter Nijhuis, 14 Dick Oepkes, 15 Mirko Rehberg, 16 Nils-Eric Sahlin, 10 Ralph Sakkers, 14 O Semler, 16 Mikael Sundin, 13,17 Lilian Walther-Jallow, 13 E J T Joanne Verweij, 15 Magnus Westgren, 13 Cecilia Götherström 13 To cite: Sagar RL，ÅströmE，Chitty LS等。一项探索性开放标签多中心I/II期试验评估了产后或产前或产后和产后给药的安全性和疗效，同种异体扩展的胎儿间充质干细胞用于治疗婴儿和胎儿中严重肌动症的严重成骨的不完美症：BoostB4试验方案。BMJ Open 2024; 14：E079767。doi：10.1136/ bmjopen-2023-079767 div>
sicnav：使用模型预测性控制和二线优化的安全且交互式人群导航
摘要 - 机器人需要预测和对人类动作做出反应，以在没有冲突的情况下在人群中导航。许多现有的方法将预测与计划的预测无法解释机器人和人类动作之间的相互作用，并且可能导致机器人被卡住。我们提出了SICNAV，这是一种模型预测控制（MPC）方法，该方法共同解决了机器人运动并预测闭环中的人群运动。我们在人群中对每个人进行建模，以遵循最佳的倒数避免避免（ORCA）方案，并将该模型嵌入机器人的本地规划师中，从而导致了双重非线性MPC优化问题。我们使用KKT改制将双重问题作为单个级别施放，并使用非线性求解器进行优化。我们的MPC方法可以影响行人运动，同时明确满足单机器人多人类环境中的安全限制。我们在两个模拟环境中分析了SICNAV的性能，并使用真实机器人进行了室内实验，以证明可以影响周围人类的安全机器人运动。我们还验证了在人类轨迹数据集上孔口的轨迹预测性能。代码：github.com/sepsamavi/saf-interactive-crowdnav.git。