XiaoMi-AI文件搜索系统
World File Search SystemDrive
您说话时开车：在自动驾驶汽车中启用与大语言模型的人类互动
自动驾驶汽车的未来在于以人为中心的设计和先进的AI Capabilies。未来的自动驾驶汽车不仅会跨乘客，而且还将互动并适应他们的欲望，从而使旅程变得舒适，有效且令人愉悦。在本文中，我们提出了一个新颖的框架，该框架利用大型语言模型（LLMS）来增强自动驾驶汽车的决策过程。通过整合LLMS的自然语言能力和上下文理解，专业工具使用，协同推理，并与自动驾驶汽车的各种模块进行作用，该框架旨在将LLMS的先进语言和推理能力无缝整合到自动驾驶中。拟议的框架具有革新自动驾驶汽车运行方式，提供个性化援助，持续学习和透明决策的潜力，最终为更安全，更有效的自动驾驶技术做出了贡献。
可解释的人工智能，用于数据驱动的反馈和智能行动建议，以支持学生自我调节 Muhammad Afzaal
摘要 自我调节学习 (SRL) 是一种认知能力，在促进学生有效制定策略、监控和评估自己的学习行为方面具有明显意义。研究表明，缺乏自我调节学习技能会对学生的学业成绩产生负面影响。有效的数据驱动反馈和行动建议被认为对 SRL 至关重要，并显著影响学生的学习和表现。然而，向每个学生提供个性化反馈的任务对教师来说是一个重大挑战。此外，由于大多数课程的学生人数众多，为个性化建议确定适当的学习活动和资源的任务对教师来说也是一个重大挑战。为了应对这些挑战，一些研究已经探讨了基于学习分析的仪表板如何支持学生的自我调节。这些仪表板提供了一些关于学生成功和失败的可视化（作为反馈）。然而，虽然这种反馈可能有益，但它并没有提供有见地的信息或可行的建议来帮助学生提高学业水平。可解释的人工智能 (xAI) 方法已被提出来解释此类反馈并从预测模型中产生见解，重点关注学生在正在进行的课程中需要采取的相关行动以改进。此类智能活动可以作为数据驱动的行为改变建议提供给学生。本论文提供了一种基于 xAI 的方法，可以预测课程表现并计算信息反馈和可操作的建议，以促进学生的自我调节。与以前的研究不同，本论文将预测方法与 xAI 方法相结合，以分析和操纵学生的学习轨迹。目的是通过为该方法提供的预测提供深入的见解和解释，为学生提供详细的、数据驱动的可操作反馈。与单独的预测相比，该技术为学生提供了更实用和有用的知识。所提出的方法以仪表板的形式实施，以支持大学课程中学生的自我调节，并对其进行了评估以确定其对学生学业成绩的影响。结果表明，仪表板显着提高了学生的学习成绩并提高了他们的自我调节学习技能。此外，研究发现，所提出的方法提出的建议对学生的表现产生了积极影响，并帮助他们进行自我调节。
机器学习驱动的糖蛋白质组学分析标识了新型糖尿病相关的糖基化生物标志物
糖基化在包括糖尿病在内的蛋白质功能和疾病进展中起着至关重要的作用。这项研究进行了全面的糖蛋白分析，比较了健康的志愿者（HV）和DM样品，并鉴定出19,374肽和2,113种蛋白质，其中11104种是糖基化的。总共将287种不同的聚糖映射到3,722个糖基化的肽，揭示了HV和DM样品之间糖基化模式的显着差异。统计分析确定了29个显着改变糖基化位点，在DM中上调了23个，在DM中下调了6个。值得注意的是，在DM中，在Prosaposin的位置215处的Glycan HexNAC（2）Hex（2）FUC（1）在DM中显着上调，标志着其首次报道的与糖尿病的关联。机器学习模型，尤其是支持向量机（SVM）和广义线性模型（GLM），在基于糖基化特征（Glycans，糖基化蛋白质和糖基化位点）区分HV和DM样品时，可以在区分HV和DM样品时获得高分类精度（〜92％：96％）。这些发现表明，改变的糖基化模式可能是糖尿病相关病理生理和治疗靶向的潜在生物标志物。
AI驱动的医疗保健增强诊断和治疗
1。使用AI获得知情的患者同意：从患者那里获得知情同意是执行任何医疗程序之前最重要的一步。但是，根据《印度妇产科和妇科杂志》的报道，在获得同意书之前，只有25％的印度患者对手术进行了完整的简要介绍。此外，在印度的许多医院中，获得知情同意的过程被委派给了像护士这样的医院工作人员，而不是医生本人，以节省后者的时间。此外，许多患者无法理解起草同意书的语言，并且主要签署该表格仅为形式。简要地说，签署的同意书并不意味着已将信息传达给患者。AI来营救医生和患者。除了英语外，还可以用白话语言构建互动聊天机器人，这可以回答所有患者的问题并解决他对在他身上执行的程序的所有恐惧，这对于获得患者的知情同意可以走很长一段路。
人工智能驱动模拟器的兴起：构建新的水晶球
人工智能驱动的模拟器的兴起：构建新的水晶球 计算社区联盟 (CCC) 四年期论文 Ian Foster（芝加哥大学）、David Parkes（哈佛大学）和 Stephan Zheng（Salesforce AI Research） 五十年前，天气预报员努力预测明天的天气是否与今天相同。如今，天气预报通常可以准确预测未来一周或更长时间，让个人和社会能够为不再不可预见的事情做好准备。这种显著的转变在很大程度上归功于计算机，尤其是计算模拟的兴起，这是一种使用计算机预测复杂系统未来状态的方法。模拟最初是在第二次世界大战的最后几天为军事目的而开发的，现在已遍布人类社会和经济领域，为决策者提供了一个非凡的水晶球，不仅可以预测下周的天气，还可以预测飞机在不同天气模式下飞行时的表现、新药对新疾病的有效性以及未来电池中新材料的行为。计算机模拟是在计算机上执行的数学建模过程，旨在预测现实世界或物理系统的行为或结果。 1 模拟通常通过将空间（例如北美）划分为多个小单元来配置，每个小单元保存一组值（例如温度和压力）以及一组本地规则，用于更新下一个时间步骤的单元（例如，基于单元和相邻单元的当前温度和压力，一分钟后的温度/压力）。模拟运行以测量的输入（温度/压力）为种子，并反复应用其规则来随时间更新模拟系统。更准确的输入数据、更小的单元和更好的规则可以实现更高保真度的模拟（例如，下周而不是明天的良好天气预报）。计算机模拟的使用现在在社会上如此普遍，毫不夸张地说，美国和国际的持续繁荣、安全和健康在一定程度上取决于模拟能力的持续改进。如果我们能够预测两周后的天气，指导新病毒性疾病新药的设计，或者管理将生产成本和时间降低一个数量级的新制造工艺，情况会怎样？如果我们能够预测人类的集体行为，例如，在自然灾害期间对疏散请求的响应，或劳动力对财政刺激的反应，情况会怎样？ （另请参阅 CCC Quad 关于疫情信息学的配套论文，其中讨论了
AI驱动无人驾驶汽车的伦理法律 - 电子书
人工智力现在存在于我们日常生活的许多领域中。它有望领导新的和有效的业务模型，以在私营和公共部门中有效和以用户为中心的服务。在深度学习，（深度）增强学习和神经进化技术方面的AI进步可以为人工通用智能（AGI）铺平道路。但是，AI的开发和使用也带来了挑战。数据语料库中普遍存在用于训练AI和机器学习系统的固有偏见归因于大多数这些挑战。此外，多个实例强调了在基于动力的决策中需要隐私，公平性和透明度的必要性。本书系列将为研究人员，领导者，决策者和决策者提供一条途径，以分享AI最前沿的研究和见解，包括其在道德，可解释的，可解释的，隐私的，可信赖的，可信赖的和可持续的方式中的使用。
数据驱动的定量固有危害标准在安全范式范式中用于纳米药物开发：银纳米型的案例研究
摘要：当前的欧洲（EU）政策，即绿色交易，设想化学药品的安全可持续实践，包括纳米型（NFS），在创新的最早阶段。根据设计（SSBD）框架在理论上安全且可持续的框架是从欧盟的协作努力确定的，用于定义每个SSBD维度的定量标准，即人类和环境安全维度以及环境，社会，社会和经济可持续性维度。在这项研究中，我们针对安全维度，并展示了从可发现，可访问，可互操作和可重复使用的数据得出的定量内在危害标准的旅程。数据策划并合并为开发新方法方法，即基于回归和分类机器学习算法的定量结构 - 活性关系模型，目的是预测危害类别。模型利用系统（即流体动力大小和多分散性指数）和非系统（即元素组成和核心大小） - 依赖性纳米级特征与生物学内部属性和实验性条件结合使用，用于各种银NFS，功能性抗药性抗药性纺织品和宇宙型的实验条件。在第二步中，通过利用专家推理制定的贝叶斯网络结构来获得可解释的规则（标准），然后是确定性因素。概率模型的预测能力为≈78％（所有危险类别的平均准确性）。在这项工作中，我们展示了如何从SSBD框架的概念化转变为使用务实实例的现实实现。这项研究揭示了（i）在合成阶段的安全方面考虑的定量内在危害标准，（ii）（ii）内部的挑战，以及（iii）生成和蒸馏此类标准的未来方向，这些方向可以喂养SSBD范式。具体而言，标准可以指导材料工程师合成固有的纳米形式固有更安全的NF，而在创新的最早阶段，这些NFS可以在先前合成和假设的尚未合成的nfs nfs nfs的硅化毒性筛选中快速且具有成本效率。关键字：设计，纳米型，纳米颗粒，定量结构 - 活动关系，机器学习，贝叶斯规则，内在危险标准
数据驱动的定量固有危害标准在安全范式范式中用于纳米药物开发：银纳米型的案例研究
摘要：当前的欧洲（EU）政策，即绿色交易，设想化学药品的安全可持续实践，包括纳米型（NFS），在创新的最早阶段。根据设计（SSBD）框架在理论上安全且可持续的框架是从欧盟的协作努力确定的，用于定义每个SSBD维度的定量标准，即人类和环境安全维度以及环境，社会，社会和经济可持续性维度。在这项研究中，我们针对安全维度，并展示了从可发现，可访问，可互操作和可重复使用的数据得出的定量内在危害标准的旅程。数据策划并合并为开发新方法方法，即基于回归和分类机器学习算法的定量结构 - 活性关系模型，目的是预测危害类别。模型利用系统（即流体动力大小和多分散性指数）和非系统（即元素组成和核心大小） - 依赖性纳米级特征与生物学内部属性和实验性条件结合使用，用于各种银NFS，功能性抗药性抗药性纺织品和宇宙型的实验条件。在第二步中，通过利用专家推理制定的贝叶斯网络结构来获得可解释的规则（标准），然后是确定性因素。概率模型的预测能力为≈78％（所有危险类别的平均准确性）。在这项工作中，我们展示了如何从SSBD框架的概念化转变为使用务实实例的现实实现。这项研究揭示了（i）在合成阶段的安全方面考虑的定量内在危害标准，（ii）（ii）内部的挑战，以及（iii）生成和蒸馏此类标准的未来方向，这些方向可以喂养SSBD范式。具体而言，标准可以指导材料工程师合成固有的纳米形式固有更安全的NF，而在创新的最早阶段，这些NFS可以在先前合成和假设的尚未合成的nfs nfs nfs的硅化毒性筛选中快速且具有成本效率。关键字：设计，纳米型，纳米颗粒，定量结构 - 活动关系，机器学习，贝叶斯规则，内在危险标准
数据驱动的二氧化碳排放预测-IJRPR
几项研究使用统计和ML技术研究了CO2排放趋势。传统的时间序列模型，例如季节性自回归综合运动平均值（Sarima），已有效地分析历史排放模式。然而，机器学习模型（例如随机森林和梯度提升）通过合并多个变量（包括能源消耗，GDP和工业生产）来提供增强的预测精度。研究强调，基于AI的碳跟踪工具（例如CarbonTracker和Eco2AI）通过优化计算过程中的能源消耗来减少排放效果至关重要。