XiaoMi-AI文件搜索系统
World File Search SystemGunning
生成式人工智能与艺术教育
1 引自 ChatGPT，“像 ChatGPT 这样的 AI 作家是什么样的？” （2023 年 1 月 23 日）。 “GPT” 代表“生成式预训练变压器”； https://nl.wikipedia.org/wiki/ChatGPT。 2 Max Tegmark，生命3.0：人工智能时代的人类，纽约，2017年。 3 例如，“世界上第一个完全由人工智能创作的科幻杂志”《无限奥德赛》最近出版。 4 Stephen Marche，“大学论文已死”。没有人为人工智能将如何改变学术界做好准备”，《大西洋月刊》（2022 年 12 月 6 日）。 5 例如，请参阅 Patrick Goethals，“历史上最大的智力阻碍”，《标准报》（2023 年 1 月 24 日）。另一个问题是人工智能在制造虚假新闻中发挥的作用；例如请参阅https://www.vrt.be/vrtnws/nl/2023/01/17/check-ai- dnipro 。幸运的是，人工智能也可以用于识别假新闻； Piotr Przybyla，“捕捉假新闻风格”，AAAI 人工智能会议论文集 34，第 1 期 (2020)：DOI：https://doi.org/10.1609/aaai.v34i01.5386。 6 人文学者可能在可解释人工智能（XAI）的进一步发展中发挥重要作用。这是一个旨在使传统的人工智能黑匣子变得透明的科学领域。 David Gunning、Mark Stefik、Jaesik Choi、Timothy Miller、Simone Stumpf 和 Guan-Zhong Yang，“XAI——可解释的人工智能”，Science Robotics 4，第 37 期 (2019)：DOI：10.1126/scirobotics.aay7120 7 Charlie Warzel，“本世纪最重要的工作技能”，The Atlantic（2023 年 2 月 8 日）。
陆地生态系统测绘标准 (TEM) - Gov.bc.ca
衷心感谢以下贡献者：生态数据委员会生态系统工作组/陆地生态系统任务组和：E.C. (Ted) Lea Tim Brierley 省级生态相关器 GIS 系统分析师资源清单科资源清单科环境部、土地及公园部环境部、土地及公园部 Tony Button Carmen Cadrin GIS 数据经理植被生态学家资源清单科资源清单科环境部、土地及公园部环境部、土地及公园部 David Caverly Christine Cunliffe 数据库顾问业务分析师 Gordian Management Group Inc. Victoria Compucon Consultants George Eade Dennis Demarchi GIS 顾问省级栖息地相关器 Geo Tech Systems 资源清单科环境部、土地及公园部 Terry Gunning Brian Low 栖息地和空间数据分析师地理空间/景观科学家资源清单科加拿大森林服务局环境部、土地及公园部加拿大自然资源部 Bruce Mackenzie Robert Maxwell 高级技术分析师地形专家系统服务部门 资源清单部门 环境部、土地和公园部 环境、土地和公园部 Darren McKellar Del Meidinger 栖息地数据经理 研究生态学家 资源清单部门 研究部门 环境部、土地和公园部 林业部 Nicola Parfett Judith Theroux 技术顾问 团队负责人 E
人机交互的基础框架
双重共情问题（Milton 2012）是一种心理学理论，于 2010 年代初发展起来，旨在准确解释自闭症患者在社交互动和沟通方面所遇到的困难。该理论认为，造成这种困难的核心原因之一是自闭症患者和非自闭症患者的沟通方式和其他社交/认知特征之间的根本差异。当前的人工智能领域的特点是存在大量功能强大的人工智能系统，但由于缺乏可解释性（Gunning 2017）和可控性（Hadfield-Menell 等人 2016），其实用性受到限制。这表明人工智能系统与其用户之间存在双重共情问题。然而，在人工智能系统的背景下，这个问题更加明显，因为用户可能被迫与真正的外星智能一起工作（Kim 2022）。人机感知人工智能 (HAAI) (Sreedharan、Kulkarni 和 Kambhampati 2022) 是一个框架，它试图通过利用实现人机协调的核心机制（即心理建模）来解决这一问题。图 1 展示了 HAAI 中概念化的人机交互可视化。从图中可以看出，在这种情况下造成混乱的核心原因之一可能是人类的期望与系统生成的行为不匹配。然而，弥合这种期望不匹配反过来又需要系统意识到人工智能系统和用户之间三个显著的不对称维度，即 (a) 知识不对称、(b) 推理能力不对称和 (c) 词汇不对称。我们已经使用 HAAI 框架来
机器学习的专家信息，以用户为中心的解释
解释AI的决定已成为一个重要的研究主题。使用深度学习（Krizhevsky等，2012; Lecun等，2015）在图像分类方面取得了很大进展，对解释图像分类的结果产生了重大兴趣。尽管有许多可解释的AI（XAI）的信息，但本文首先着重于学习对图像进行分类。然后，我们讨论可解释AI的更广泛的信息。最近的会议包括有关可解释AI的教程和讲习班。XAI有几项好的调查（Chakraborty等人。，2017＆došilović等，2018）。这不是其中之一。取而代之的是，在与放射学和眼科专家解决问题以及鸟类识别方面的问题之后，我们得出的结论是，现有的技术留出了很大的改进空间。该领域需要其他方案和方法，包括澄清XAI的目标，尤其是在用户，专家和图像分类方面。尽管Xai的一些最初目标是“向人类用户解释他们的决策和行动”（Gunning＆Aha，2018），但最新的最新目前是以开发人员为中心的，而不是以用户为中心。解释图像分类的主要方法是将重要性得分分配给图像上的显着图或区域上的像素或区域，以形象化区域的重要性（红色，橙色，黄色…）。为创建热图开发的方法包括遮挡灵敏度（Zeiler＆
可解释人工智能（XAI）
● D. Gunning，可解释的人工智能（xAI），技术代表，国防高级研究计划局（DARPA）（2017）● AB Arrieta，等人。可解释的人工智能（XAI）：概念、分类法、机遇和挑战，走向负责任的人工智能。信息融合 58（2020）：82-115。● E. Tjoa、C. Guan，可解释的人工智能（XAI）调查：面向医学 XAI (2019)。arXiv:1907.07374。● LH Gilpin、D. Bau、BZ Yuan、A. Bajwa、M. Specter、L. Kagal，解释解释：机器学习可解释性概述 (2018)。 arXiv:1806.00069 ● FK Došilović、M. Brćić、N. Hlupić，可解释的人工智能：一项调查，载于：第 41 届信息和通信技术、电子和微电子国际会议 (MIPRO)，2018 年，第 210-215 页。● A. Adadi、M. Berrada，窥视黑匣子内部：可解释的人工智能 (XAI) 调查，IEEE Access 6 (2018) 52138-52160。● O. Biran、C. Cotton，机器学习中的解释和论证：一项调查，载于：IJCAI-17 可解释人工智能 (XAI) 研讨会，第 8 卷，2017 年，第 1 页。● ST Shane、T. Mueller、RR Hoffman、W. Clancey、G. Klein，《人机交互系统中的解释：可解释人工智能的关键思想和出版物及参考书目的文献元评论概要》，国防高级研究计划局 (DARPA) XAI 计划技术代表 (2019)。● R. Guidotti、A. Monreale、S. Ruggieri、F. Turini、F. Giannotti、D. Pedreschi，《解释黑盒模型的方法调查》，ACM 计算调查 51 (5) (2018) 93:1–93:42。
可解释的人工智能在建筑生成设计中的应用。Sanaz Zarghami 1、Hanieh Kouchaki 2、Longzhi Yang 1 和 Pablo Martinez Rodriguez 1
简介 在数据呈指数级增长的推动下，人工智能 (AI) 在建筑和施工领域的不断融合正在重塑传统实践。对大量数据集的手动分析和对基于规则的计算方法的依赖带来了挑战，促使人们通过预测模型采用人工智能进行系统数据分析。这种转变影响了该行业的各个方面，包括建筑和结构设计、施工安全、可持续性、可负担性、速度、投资回报率和运营绩效。生成式设计不同于传统方法，它使计算机能够半自主地探索设计空间，为设计师提供多种分析和考虑选项（Baduge 等人，2022 年；Junk 和 Burkart，2021 年；Krish，2011 年）。虽然人工智能在建筑领域的应用越来越受到认可，但在理解和解释人工智能模型输出（通常被认为是“黑匣子”）方面也出现了挑战。值得关注的是，人们对偏见、公平性、信任和可靠性的担忧，特别是在招聘、实时进度监控、网络安全、风险管理和安全等关键领域。人类在这些领域的决策也容易受到偏见的影响，而不愿接受人工智能往往源于缺乏理解。建立对人工智能模型的信任对于获得广泛接受至关重要，这是通过可解释的人工智能 (XAI) 来探索的。这涉及方法和流程，以增强对人工智能算法结果和输出的理解和信心，满足行业对透明度和可靠性的需求 (Matthews 等人，2022 年；Gunning 等人，2019 年；Sokol 等人，2022 年；Love 等人，2023 年)。虽然 XAI 在法律和医学等领域获得了关注，但尽管生成式人工智能兴起，其在建筑领域的探索仍然有限。
共同创新和缩放：-CGSPACE
时尚变化代表了粮食系统的主要挑战。它不仅与平均温度升高，而且与可预测的天气和湿度变化相关，对农业生产，投入市场，聚集，加工，分布和消费造成了严重影响。对粮食生产的负面影响会提高消费者价格，可能导致社会动荡和冲突；温度升高和湿度的变化需要更坚固的冷链和改善的存储设施，以避免损害后损害（de Brauw and Pacillo 2022）。本章重点介绍了在肯尼亚开发和测试的气候保险的几项创新，目的是提高小农户农民管理与气候变化相关的生产风险的能力。在肯尼亚，农民和牧民正面临越来越不可预测和不可靠的降雨模式，导致干旱和多余的降雨以及害虫和疾病造成农业损失。气候变化将继续负面影响农作物和牲畜的生产和粮食安全（Kogo，Kumar和Koech 2021）。增加的干旱和其他自然危害的发生率可以通过两种方式降低农业生产力。最明显的渠道是，当发生这些冲击时，它们会限制农作物的生长以及可用于牲畜的食物和水的数量，对生产和粮食安全产生负面影响。但是，即使在没有这种震惊的情况下，出现自然危害的可能性也会阻止规避风险的农民和牧民投资于农业文化（Vargas Hill等人。2019），以及为这些投资提供资金的贷方（Carter，Cheng和Sarris 2016）。因此，由于气候变化而导致农业生产风险的增加降低了农业生产力，当农民仅预见发生冲击的风险时，都会发生冲击和事前。这些事前的影响估计是冲击本身的影响的两倍（Elbers，Gunning和Kinsey 2007）。
kaocrete®密集整体化
产品描述Kaocrete B和Kaocrete 2600b比大多数难治性整体构造更多的塑料材料。它们非常适合抹灰，首选用于修补衬里和挡板。仅适用于相对较薄的部分。开枪时他们的反弹极低。kaocrete d是一款用于2500°F（1371°C）的整体服务。它具有增强的流动能力，适用于一般职责施放应用。Kaocrete HS和Kaocrete HS Gun是高强度铸造和枪支混合物，可服务2600°F（1427°C）。它们结合了中间纯钙铝水泥和大小的高岭土聚集体。kaocrete HS可以在正常的水位上以极高的流量或减少的水为基础，以实现超高强度。Kaocrete HS具有良好的枪击功能。kaocrete 26是通用的，铸件/枪，低铁整体化。对于高达2600°F（1427°C）的应用，它结合了良好的体积稳定性和低成本。kaocrete 28-Li是一种通用，铸造/枪，低铁整体式，其中包含中间纯钙铝酸盐水泥。对于高达2800°F（1538°C）的应用，它是高温应用的经济选择。kaocrete 30是3000°F（1649°C），60％氧化铝整体化，设计用于高强度的高强度应用，该温度最高3000°F（1649°C）。仅专为铸造应用而设计，尤其适用于预铸造燃烧器块。kaocast是68％的氧化铝铸/枪难治性单片，可承受高达3000°F（1649°C）。它在高温下具有出色的体积稳定性。许多炉子操作员选择高级服务的高木出，其中工作温度高达3000°F（1649°C）。kaocrete 32厘米是3200°F（1760°C），铸造等级，难治性单片，氧化铝含量为70％。它具有出色的体积稳定性和高强度。
![arXiv:2005.02963v1 [cs.AI] 2020 年 5 月 6 日](/simg/g:\will\search\icon\source\1\1ff46bc4a4991cc3fcff22a53e9f44928e73b335.png)
arXiv:2005.02963v1 [cs.AI] 2020 年 5 月 6 日
人类参与者根据解释者对被解释者 1 的信念，向不同的被解释者（即解释的接受者）给出了不同的解释。当然，玛丽的解释好坏取决于她能否模拟室友的心理状态，以及他们如何根据她的解释改变自己的心理状态。玛丽对鲍勃和汤姆的信念的信念，或者她对他们每个人如何修改信念的信念，很可能是错误的，在这种情况下，她对他们的解释可能无法解释为什么地板是湿的。解释已在多种学科中得到研究。Miller [28] 对人工智能中的解释进行了广泛的调查，其中包括一系列哲学历史著作（例如，Hempel 和 Oppenheim [19]；Peirce [32]；Harman [17]），主张哲学和社会科学在未来解释研究中的重要作用。在人工智能领域，早期的解释研究包括各种基于逻辑和概率的溯因推理方法或所谓的最佳解释推理，包括 Pople [35]、Charniak 和 McDermott [10]、Poole [33] 和 Levesque [24] 的早期作品。在 20 世纪 80 年代中期，解释在专家系统的背景下得到普及，其中解释通常通过对一组符号推理步骤进行反向链接而生成（例如，[18, 40]）。在此之后，解释成为符号 AI 推理各种应用中的共同元素（例如，[26、3、42]）。最近对解释兴趣的复苏主要是以所谓的可解释 AI (XAI) 为幌子，其动机是需要为黑箱分类和基于机器和深度学习的决策系统中的决策提供人类可解释的解释（例如，Samek 等人[39]；Gunning 等人[14]）。许多研究人员已经承认心智理论在解释中的重要性。在 20 世纪 80 年代和 90 年代，G¨ardenfors [12] 和 Chajewska 和 Halpern [7] 等学者提出的正式解释理论认为，对一个代理的解释可能不适用于对另一个代理的解释，因此解释者必须根据被解释者的信念为其量身定制解释。在用户建模和对话领域，同样设定在 20 世纪 80 年代和 90 年代，Weiner 的 [46] BLAH 系统和 Cawsey 的 [6] EDGE 系统都根据假定的用户模型定制解释。[16]；Kaptein 等人。[22]）。最近，Westberg 等人。最近，研究人员利用信念-愿望-意图 (BDI) 架构作为反映心智理论的自然解释框架。此类软件架构可使解释者明确表达自己的信念、愿望和意图，以及被解释者的信念、愿望和意图，并将解释与其自己的信念和目标或被解释者的信念和目标联系起来（例如，Harbers 等人。[47] 认为，结合认知科学对心智理论的各种观点将有助于创建更适合与人类交流和解释自己的代理。此外，Miller [28] 调查了这方面的工作，并强调了解释者的重要性
社论：系统神经科学中的可解释人工智能 (XAI)
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.