XiaoMi-AI文件搜索系统
World File Search SystemCrowd
CrowdStrike的BSOD噩梦：
2024年7月19日的全球技术中断强调了依靠频繁的内核更新以获得基于检测的端点安全性的关键漏洞，这证明了CrowdStrike的有缺陷的内核驱动程序更新，从而导致各个部门的广泛中断。此事件强调了基于检测的方法的固有风险，该方法需要不断更新以应对新威胁。相比之下，Xcitium的零信任体系结构专注于遏制而不是检测，通过消除了频繁的内核更新的需求并优先考虑广泛的测试和客户控制，从而提供了更稳定和安全的解决方案。这种方法可确保系统的稳定性和弹性，从而减轻操作中断的风险并增强整体安全性。
利用人工智能预测公交线路的客流
KSRTC（卡纳塔克邦公路运输公司）是印度最大的公共交通公司之一。根据 KSRTC 2020 年 12 月的数据，每天有 129.3 万名乘客出行，40% 的公交车在同月发生过小事故和重大事故，KSRTC 还报告称，每 2 至 4 公里就有 2000 升燃油浪费。利用人工智能进行公交线路客流预测是一项突破性的应用，它利用决策树、ANN、RNN 和 LSTM 模型等人工智能算法和数据分析来预测和管理客流量和公交车容量。通过融合离线数据和机器学习模型，这项技术旨在彻底改变公共交通行业。通过预测分析，人工智能算法可以预测和预测一天中不同时间各个公交车站或特定路线的乘客量。主要目标是通过有效分配资源、调整时刻表和提升乘客体验来优化公交服务。通过预测拥挤程度，交通部门可以实施部署更多公交车、改变路线或调节班次频率等策略，以缓解拥挤并提高整体效率
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
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。
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。
社会物理学知情的人群模拟扩散模型
人群模拟在各种方面都有关键的应用，例如城市规划，建筑设计和传统安排。近年来，物理知识的机器学习方法在人群模拟中实现了最新的性能，但无法全面地对人类运动的异质性和多模式进行建模。在本文中，我们提出了一个名为SPDIFF的社会物理信息扩散模型，以减轻上述差距。SPDIFF同时将人群中人群的互动和历史信息扭转，以扭转扩散过程，从而在子范围内进行了行人运动的分布。受到众所周知的社会物理模型的启发，即社会力量，关于人群的动态，我们签署了人群互动模块，以指导denoings的过程，并通过人群相互作用的等效性属性进一步增强了该模块。为了减轻长期模拟中的误差累积，我们提出了一种用于扩散建模的多帧推出训练算法。在两个现实世界数据集上进行的实验证明了SPDIFF在宏观和Mi-Croscopic评估指标方面的表现。代码和附录可在https://github.com/tsinghua-fib-lab/spdiff上提供。