XiaoMi-AI文件搜索系统
World File Search SystemFeigenbaum
3-1 人工智能的历史和应用
[Buchanan 68] B. Buchanan、EA Feigenbaum 和 J. Lederberg，启发式 DENDRAL：一种用于生成有机化学解释假设的程序，1968 年 [Shortliffle 76] EH Shortliffe，基于计算机的医疗咨询：MYCIN，1976 年 [Buchanan 84] B. Buchanan 和 E. Shortliffe，基于规则的专家系统，1984 年
生成ai
1。专家系统是基于规则的，因此可以解释但在扩展方面有限。2。使用逻辑和推理的专家系统将在1960 - 70年代将斯坦福大学的Edward Feigenbaum和Joshua Lederberg归功于。3。在财务专家系统中，用于风险分析，投资组合管理，投资建议。4。他们可以分析市场趋势，经济指标，财务数据，以实现知情决策。5。在法律领域中，专家系统可用于法律研究，案例分析，文件审查等任务。6。这可以帮助律师和法律专业人员做出明智的决定。7。专家系统的一个例子是在1970年代开发用于诊断细菌感染并推荐抗生素治疗的mycin。8。Eliza，第一个AI Chatbot，是由MIT的德国计算机科学家Joseph Weizenbaum（1923-2008）于1966年使用Symbolic AI开发的。
激光诱导的光学材料损伤2024（LD100）
委员会计划：（联合国）；单人，Unive。（中国）； Enem A. Chowdhury，Unive State。（国家的统一）；标准G.我们走，Unive。； Eyal Feigenbaum，劳伦斯国家实验室。（国家的统一）；她。（国家的统一）；大学。新墨西哥州； Lars O. Jensen，Trumpf This + Co. KG（德国）；犹太人的木星，大阪联合。（日本）;木星，汉诺威Sentrum Laser和V.（德国）; LamainLamaignère，Cea-Cest（法国）；大学。（立陶宛）; Jean-Yves Natoli，菲涅尔研究所（法国）；拉卢卡·A·布德（Raluca A. Book），劳伦斯国家实验室。（国家的统一）；乔纳森·菲利普斯（Jonathan Phillips），阿普尔顿（Appleton）实验室阿普尔顿（Appleton）。（英国）；克里斯托弗·J·斯托尔兹（Christopher J. Stolz）（国家的统一）；科学研究所（中国）
计算机生成作品的所有权分配
电子信息时代的知识产权 69-73 (1986) [以下简称 OTA 报告]（讨论 OTA 所称的交互式计算所带来的知识产权问题，他们指的是“任何创造性过程，在此过程中，作品的初步或最终版本是人与编程机器之间交互的结果”，同上，第 69 页；给出了执行此类功能的程序的许多示例，同上，第 70-71 页，包括一个音乐生成器程序的流程图，同上，第 71 页）；计算机音乐特刊，17 ACM 计算调查 147-289 (1985)；Blick，计算机辅助化学合成软件包：这是可专利性的新问题吗？，I J. INFORMATION SCI. 227 (1979)； Feuer，《VLSI 设计自动化：导论》，71 PROCEEDINGS OF THE IEEE 5（1983）；E. FEIGENBAUM & P. MCCORDUCK，上文注 1，第 61-75 页（讨论了一些现有的“专家系统”程序）；Posner，《架构：计算机做得更快》，《华尔街杂志》，1986 年 2 月 25 日，第 28 页，第 1 栏。
全面质量管理实践对汽车行业供应链绩效的影响
美国的国防官员指出，“总质量管理（TQM）利用定量（技术）方法和人力资源（行为）实践来改善材料和服务投入，间和内部组织过程，并加强满足客户需求的过程”（Forker，1997; Senarath等，199; Senarath等，2020）。一般而言，TQM实践是一系列技术，这些技术强调不断进展，持续监视结果，满足客户的期望，解决问题的方法解决方法，竞争性基准测试，降低工作时间表，战略思维和与供应商的长期关系（Bagodi等，2020; Feigenbaum，1991年）。总质量管理（TQM）的主要目标是提高效率并优化制造组织中使用的程序（Zatzick等，2012）。此外，过去几十年来，总体方法和供应链物流的质量保证和控制被认为是有效的有效方法。这些方法的实践在通过回收成本，提高交付效率并提供优质商品来发展运营效率方面起着至关重要的作用（Sila等，2006）。
人工智能与生物信息学
与此同时，人工智能正在研究复杂的现实世界问题，以促进这门科学的发展，并获得其成果的一些可衡量的影响。DENDRAL 项目是一个从质谱数据识别有机化合物的专家系统，是这些努力的首批成果之一 [Lindsay 等人，1993 年]。它引入了有关问题领域的任务特定知识作为启发式方法的来源，并为蛋白质组学研究铺平了道路。二十年后的首批成功之一是 Protean，该系统旨在解释 NMR 数据以确定蛋白质三维结构 [Hayes-Roth 等人，1986 年]。它还启动了使用 Meta-Dendral 开发实际机器学习应用程序，这是一个从（光谱、结构）对中学习 Dendral 所需规则的系统 [Feigenbaum and Buchanan，1993]。请注意，令人惊讶的是，对质谱解释的帮助在生物学中仍然有很高的需求，无论是研究肽、聚糖或各种代谢物等小物体，还是研究较大的分子复合物。这种共同的兴趣并没有随着时间的推移而减少，毫不夸张地说，人工智能的贡献或需求在生物信息学中随处可见。
理论轮盘：选择气候变化不是...
尽管反对它（例如Whitby 2003），但始终将人类级别（或类似人类的）智力的复制得到明确陈述并高度公开为人工智能研究的主要目标。Alan Turing（1950）的模仿游戏是关于模仿人类的。Allan Newell和Herbert A. Simon关于一般问题求解器的报告（1961）的标题为“ GPS，一个模拟人类思想的程序。”爱德华·费根鲍姆（Edward Feigenbaum）和詹姆斯·费尔德曼（James Feldman，1963年）选择了标题计算机和思想，在唯一合法的思想典范（至少在学术界）是人类的时候。在其图灵奖演讲中，纽厄尔和西蒙（Newell and Simon，1976）将AI的“实证研究”描述为通过复制理解人类智能的“实证研究”。CYC项目（Lenat，Prakash和Shepherd 1986）的目标是复制人类常识性推理。nils J. Nilsson（2006）也许是最明确的，将人工智能的目标描述为可以付费人工工作的建筑机器。包括ACT-R模型（Anderson 1993），SNEP（Shapiro 2000）和Soar认知建筑（Laird 2012）在内的著名项目不仅旨在使我们走上更多的构建人类水平的智能，而且实际上是重复了至少重复人类水平情报的某些方面的表征。这些是AI史上一些最重要，最可见，资金充足的项目。因此，从历史记录中，建立人类智能从一开始就成为了AI的严肃而明确的目标。1，尽管Blay Whitby等批评者的争论以及一些著名的AI研究人员的努力，例如Rodney A. Brooks（1991），这也是一个目前的目标。
我们需要对人工智能进行魏森鲍姆测试
我们需要对人工智能进行魏森鲍姆测试 我们不需要问人工智能是否像人类一样思考，而是需要一个新的测试：它是否有用？艾伦·图灵在 1950 年发表的《计算机与智能》论文中提出了“机器能思考吗？”的问题。但他并没有参与他认为永无止境的关于智能定义的主观争论，而是提出了一个思想实验。他的“模仿游戏”提供了一种测试，其中评估者与人类和计算机进行对话。如果评估者无法区分他们，则可以说计算机表现出了人工智能。自图灵发表论文以来的几十年里，人工智能领域从科学炒作的源泉变成了学术死水，再变成了淘金热。自始至终，图灵测试都给计算机科学家们一种方向感，一种对图灵所说的“通用机器”的探索。一篇历史评论总结道，图灵的论文“推动了整个人工智能 (AI) 领域的发展……计算机科学领域没有其他一篇文章，科学界也很少有其他文章能引发如此多的讨论”。关于图灵测试是否是衡量人工智能的合理标准，争论仍在继续。但图灵测试的真正问题在于它提出了错误的问题。人工智能不再是一个学术争论。它是一个技术现实。为了让社会对人工智能做出正确的决定，我们不需要知道某样东西是否智能；我们需要知道它是否有用。过去一年的认识是，人工智能太重要了，不能留给计算机科学家。因此，我们应该关注两种倾向：科学主义——用科学术语来框定公共问题——和解决方案主义——根据想象中的技术解决方案来定义公共问题。图灵测试加剧了这两种倾向。它给科学家一种虚假的目的感——为了智能而智能——以及一种忽视其他人对这类机器可能用途的担忧的许可。 2003 年，图灵奖获得者艾德·费根鲍姆 (Ed Feigenbaum) 用一个不太恰当的措辞写道，这种人工智能是“计算机科学的天定命运”。去年，我们看到了这个必然性故事中的问题，以及它所掩盖的殖民野心。
人工智能与项目管理
(5) E. Feigenbaum 和 B. Buchanan，“DENDRAL 和 META-DENDRAL：知识系统和专家系统应用的根源，”Artif. Intell.，第 59 卷，第 1-2 期，第 233-240 页，1994 年。 (6) K. Niwa 和 M. Okuma，“技术诀窍转移方法及其在大型建设项目风险管理中的应用，”IEEE Trans. Eng. Manage.，第 29 卷，第 4 期，第 146-153 页，1982 年。 (7) K. Niwa 和 K. Sasaki，“一种新的项目管理系统方法：基于技术诀窍的项目管理系统，”Project Management Quarterly，第 14 卷，第 1 期，第 65-72 页，1983 年。 (8) K. Niwa，“一种基于知识的人机协作系统， ative system for ill-structured management domains，”IEEE Trans. Syst., Man Cybern., vol.16, no.3, pp.335–342, 1986. (9) HM Leung、VM Rao Tummala 和 KB Chuah，“A knowledge-based system for determining potential projectrisks，”Omega, vol.26, no.5, pp.623–638, 1998. (10) Takeshi Oshima 和 Tomiko Maruyama，“Project management method by visualizing volatilitys in software scale，”Journal of the Society of Project Management, vol.19, no.1, pp.26–31, 2017. (11) C. Jones, Applied softwaremeasurement: global analysis of productivity and quality, McGraw-Hill Education Group, 2008.（Hisashi Tomino 和 Kyoichi Kosaka 译） ，软件开发的定量方法：旨在提高生产率和质量（第三版），Kyoritsu Shuppan，2010年。 14）Katero Inoue，Kenichi Matsumoto，Masahiro Tsurubo和Koji Torii，“实现经验软件工程环境的方法”，信息处理，第45卷，第7期，第722-728页，2004年，2004年。（15） Ademia合作：IT系统开发中质量预测的实用方法，” (16) M. Tsunoda、N. Osugi、A. Kadota、K. Matsumoto 和 S. Sato，“使用协同过滤的软件开发工作量预测方法”，信息处理杂志，第 46 卷，第 5 期，第 1155-1164 页，2005 年。 (17) D. Zhang 和 J. J. Tsai，“机器学习和软件工程”，软件质量杂志，第 11 卷，第 2 期，第 87-119 页，2003 年。 (18) J. Wang 和 C. Zhang，“使用基于 RNN 编码器-解码器的深度学习模型进行软件可靠性预测”，Reliab. Eng. Syst. Saf.，第 170 卷，第 73-82 页，2018 年。 (19) T. Mori 和 N. Uchihira，“在软件缺陷预测中平衡准确性和可解释性”，Empir. Softw. Eng.，第 24 卷，第 2 期，第 779-825 页，2019 年。 (20) R. High，认知系统时代：深入了解 IBM Watson 及其工作原理，IBM Corporation，Redbooks，2012 年。 (21) IBM Cognitive PMO，https://www.ibm.com/jp-ja/marketplace/cognitive- pmo-jp（2020 年 1 月 5 日访问） (22) Naoshi Uchihira，“项目管理中的知识转移”，人工智能百科全书，第 19-10 节， pp.1355-1360，共立出版，2017年。 (23) Fujitsu KIWare，https://pr.fujitsu.com/jp/news/2017/11/28.html（2020/1/5访问） (24) Masatoshi Morisaki，“基于AI的源代码审查～通过深度学习诊断代码之美”，信息处理，第59卷，第11期，第985-988页，2018年。 (25) Takeshi Oshima、Naoshi Uchihira，“用于项目管理的AI知识分类模型～IT企业中AI应用方法的研究～”，国际项目管理期刊，第13卷，第1期，第121-141页，2018年。 (26) Toshiki Mori、Naoshi Uchihira，“项目和计划风险管理中的机器学习和知识创造的综合方法”，国际 P2M 杂志，第 14 卷，第 1 期，第 415-435 页，2019 年。