XiaoMi-AI文件搜索系统
World File Search SystemHum
以人为本的可解释人工智能过程模型
引言人工智能 (AI) 的发展已展现出令人瞩目的性能，特别是在图像处理或游戏等明确定义的领域。然而，所部署的技术对于人类用户来说可能是不透明的，这引发了一个问题：人工智能系统如何提供解释 (Neerincx 等人，2018 年；Rosenfeld 和 Richardson，2019 年)，并且监管框架对可解释人工智能 (XAI) 的需求日益增长。话虽如此，2017 年，谷歌的研究主管 Peter Norvig 指出，在人类可能不擅长提供“解释”的情况下期望计算机提供“解释”是具有讽刺意味的。可解释人工智能 (XAI) 的大部分工作都严重依赖于以计算机为中心的视角 (Springer，2019 年)。例如，Holzinger 等人 (2020) 假设人类和人工智能系统可以平等地访问“基本事实”。由此可见，可解释性“……突出了机器表示中与决策相关的部分……，即有助于模型在训练中的准确性或特定预测的部分。”与许多 XAI 文献一样，这并没有为人类提供任何角色，只能作为被动接受者。这意味着人工智能系统能够反省自己的过程来生成解释。然后将得到的解释呈现给用户，并描述人工智能系统的流程或它使用过的特征（“决策相关部分”）。这样，解释就只是一个建议（来自人工智能系统）加上与此相关的特征。正如 Miller (2017) 所指出的那样，这种态度的一个问题在于，它是基于设计师对什么是“好的”解释的直觉，而不是基于对人类如何响应和利用解释的合理理解。这并不能说明为什么选择某些特征，也不能说明为什么建议适合用户的关注点。它也没有将解释置于更广泛的组织中；分析师的解释可能与数据收集管理人员或接受分析师简报的经理的解释不同。对于 Holzinger 等人 (2020) 来说，情况的各个方面（定义为基本事实）被组合成一个陈述；也就是说，解释只是这个陈述的一种表达。这意味着从特征到解释存在线性插值。这类似于 Hempel 和 Oppenheim (1948) 的“覆盖定律模型”，该模型关注的是历史学家如何根据先前的原因来解释事件。然而，“基本事实”（由 Holzinger 的过程模型和覆盖定律模型假设）很少得到完全定义（导致在选择相关特征时产生歧义）。这意味着，仅仅陈述情况方面而不说明为什么选择这些方面（而不是其他方面）可能不会产生有用或可用的解释。霍夫曼等人（2018）对与解释相关的文献进行了全面的回顾。从这篇评论来看，解释涉及人类的理解（将人工智能系统的输出置于特定情境中），我们同意，考虑这一点的适当框架是数据框架的理解模型（Klein 等人，2007）。此外，理解（及其与解释的关系）依赖于认识到过程（提供和接收解释）必须是相互的、迭代的和协商的。这个过程依赖于“解释者”和“被解释者”达成一致。换句话说，解释涉及“共同点”（Clark，1991），其中理解上有足够的一致性以使对话继续进行。对话的性质将取决于提供解释的情况和被解释者的目标。例如，被解释者可能是“受训者”，他试图理解解释以学习决策标准，也可能是“分析师”，使用人工智能系统的建议作为政策。
人力资源助理职位公告
人力资源助理职位摘要：人力资源助理（人力资源助理）是一个永久的兼职（25小时/周）职位，向人力资源总监（人力资源与文化）报告（人力资源部主任）。人力资源助理是一个至关重要的多方面职位，主要负责全周招聘，入职和校外人员，绩效管理，福利管理，培训和发展以及活动计划。人力资源助理将具有强大的组织技能，高度准确性，敏锐的细节和有效级别的多重职责优先级的能力。要在这一职位上取得成功，对人力资源实践的一般理解以及以完整性处理机密信息的能力对于人力资源部的可信度，有效性和效率至关重要。
类比设计中人与人工智能的交互协同创造力
简介 十一年前，马希尔 (Maher) 问道：“谁在创造？” (Maher 2012)，并提出了几个创造性应用的分析空间，包括构思和互动两个维度。马希尔的问题引出了乔丹诺斯 (Jordanous) 的 PPP 视角框架，其中创造行为可以由人类或人工智能 (Jordanous 2016) 执行，以及坎托萨洛 (Kantosalo) 和塔卡拉 (Takala) 的 5C 框架，其中创造行为由人类和人工智能共同组成的集体执行 (Kantosalo and Takala 2020)。1然而，对于人与人工智能互动中创造力的位置，人们的共识较少。混合主动性创造性界面方法提出了一组基本的细粒度活动，这些活动可以由人类或人工智能以某种结构化对话的形式执行（Deterding 等人，2017 年；Spoto 和 Oleynik，2017 年），随后扩展到生成应用（Muller、Weisz 和 Geyer，2020 年），针对特定算法方法进行了改进（Grabe、Duque 和 Zhu，2022 年），并针对其他算法方法进行了批评（Zheng，2023 年）。虽然这些方法生成了重叠的分析动作词汇，但它们并没有解决创造力在何处发生（以及由谁或什么通过这些动作发生）的问题。在这篇短文中，我们提供了对该问题的一个答案的几个例子。我们重新利用 Kantosalo 和 Takala (2020) 的 5C 中的集体概念，提出一种类型的创造力可能会在以下互动空间中不对称地出现 (Rezwana and Maher 2022)
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。
en3d：从2D合成数据雕刻3D人类的增强生成模型
我们提出了EN3D，这是一种增强的生成方案，用于雕刻高质量的3D人体化身。Unlike previous works that rely on scarce 3D datasets or limited 2D collec- tions with imbalanced viewing angles and imprecise pose priors, our approach aims to develop a zero-shot 3D gen- erative scheme capable of producing visually realistic, ge- ometrically accurate and content-wise diverse 3D humans without directly relying on pre-existing 3D or 2D assets.为了应对这一挑战，我们引入了精心制作的工作流量，该工程实现了准确的物理建模，以从合成2D数据中学习增强的3D生成模型。在推断期间，我们集成了优化模块，以弥合现实的外观和粗3D形状之间的差距。特定于EN3D包含三个模块：一个3D发电机，可以准确地对可概括的3D Humans建模具有合成，多样和结构化的人类图像的逼真外观的可概括的3D Humans；几何雕塑家
![[媒体发布] 在人工智能驱动和超媒体化的世界中，什么定义了人类？在 SAM 的新实验展览中证明你的人性.docx](/simg/e/e3f8757e0b227e33d0fbfa3853dda1fa3c9572ee.png)
[媒体发布] 在人工智能驱动和超媒体化的世界中，什么定义了人类？在 SAM 的新实验展览中证明你的人性.docx
关于艺术家 Christopher Kulendran Thomas 是一位现居伦敦和柏林的泰米尔裔艺术家，他的家人离开了位于斯里兰卡北部泰米尔人聚居地伊拉姆，那里的种族压迫和内乱不断升级，之后他在伦敦度过了成长的岁月。他大多是从远处观察斯里兰卡当代艺术如何从岛上冲突的灰烬中蓬勃发展起来，于是开始研究艺术创造现实的结构过程。如今，这位艺术家的工作室涉及众多学科，经常使用先进技术，是一种流畅的合作，将技术专家、建筑师、作家、记者、设计师、音乐家、活动家和艺术家聚集在一起，探索文化、技术和公民身份交叉点上各种尚未实现的可能性。Kulendran Thomas 是 New Eelam 的创始人兼首席执行官。
人工智能立场：跨越人机交互的未知领域？
摘要。尽管即使是非常先进的人工系统也无法满足人类成为社会互动适当参与者所需的苛刻条件，但我们认为并非所有人机交互 (HMI) 都可以适当地简化为单纯的工具使用。通过批评标准意向性主体解释的过于苛刻的条件，我们建议采用一种最小方法，将最小主体归因于某些人工系统，从而提出将采取最小联合行动作为社会 HMI 的案例。在分析此类 HMI 时，我们利用了丹尼特的立场认识论，并认为出于多种原因，采取意向性立场或设计立场可能会产生误导，因此我们建议引入一种能够捕捉社会 HMI 的新立场——人工智能立场。
学习多维人类对文本对...
文本对图像模型的当前指标通常依赖于不足以代表人类真正偏好的统计指标。尽管最近的工作试图通过人类注释的图像来学习这些偏好，但它们将人类偏好的丰富挂毯降低到单个总分。然而，当人类评估不同方面的图像时，偏好会有所不同。因此，为了学习多维人类偏好，我们提出了多维偏好评分（MPS），这是评估文本对图像模型的第一个多维偏好评分模型。MPS引入剪辑模型上的偏好条件模块，以学习这些不同的偏好。它是根据我们的多维人类偏好（MHP）数据集进行了训练的，该数据集包括607,541图像的四个维度（即美学，语义一致性，详细信息，详细质量和整体评估）的918,315个人类偏好选择（即，美学，语义一致性，细节质量和整体评估）。这些信息是由各种最新的文本对图像模型生成的。MPS在4个维度上的3个数据集上优于现有的评分方法，从而使其成为评估和改进文本对象的有希望的指标。该模型和数据集将被公开使用，以促进未来的研究。项目页面：https：//wangbohan97.github.io/mps/。
人类巨细胞病毒DNA聚合酶基因中的一个点突变赋予对Ganciclovir和磷酸甲氧烷基衍生物的抗性
ganciclovir抗性突变体759R1）100源自人类巨细胞病毒菌株AD169含有两个抗性突变，其中一个是UL97基因，导致受感染细胞中ganciclovir磷酸化的降低[V. V. V.。 Sullivan，C。L. Talarico，S。C. Stanat，M。Davis，D。M. Coen和K. K. Biron，Nature（伦敦）358：162-164，1992]。在本研究中，我们将第二个突变映射到包含DNA聚合酶基因的4.1-kb DNA片段，并表明它赋予了Ganciclovir抗性而不会损害磷酸化。对4.1-kb区域的序列分析显示，在DNA聚合酶的保守区域V中，在987的位置导致了单个核苷酸变化。重组病毒构建为含有DNA聚合酶突变，但不显示与原始突变体759RD100（22倍）相对于Ganciclovir的中间电阻（4至6倍）；重组病毒还表现出对ganciclovir循环磷酸盐（7倍），1-（二羟基-2-二羟基甲基） - 环胞嘧啶（12倍）和磷酸二甲基烷基衍生物（S）-1-（S）-1-（3-羟基-2-磷酸磷酸盐）的抗性。 （S）-1-（3-羟基-2-磷酸甲氧基）胞嘧啶（8至10倍）。但是，重组病毒仍然容易受到某些相关化合物的影响。这些结果表明，人类巨细胞病毒DNA聚合酶是Ganciclovir的抗病毒活性的选择性靶标，Ganciclovir是其某些衍生物和磷酸氧基烷基衍生物的选择。支持区域V在底物识别中的作用；并提出由于聚合酶突变而导致人类巨细胞病毒对这些化合物的临床抗性的可能性。
在马来西亚半岛的野生动植物攻击引起的人类野生动物冲突和人员伤亡的表征
在这项研究中，我们介绍了第一个有关人类野生动物冲突（HWC）的全面数据集以及由于马来西亚半岛的动物袭击而引起的相关人类伤亡，涵盖了HWC事件的2011 - 2018年期间，人类造成的2008- 2019年。这些数据集对于评估当前政策和各个机构和机构之间的合作努力的有效性是无价的。他们为增强HWC管理，野生动植物保护和降低该地区野生动植物袭击的伤亡风险提供了关键的基础。材料和方法进行了回顾性进行了回顾性，并从2011年至2018年收集了有关马来西亚半岛野生动植物和国家公园（DWNP）的HWC病例（DWNP）（本地称为Jabatan Perlindungan Hidungan Hidupan Hidupan Liar Liar Liar Dan Taman Taman Negara：Perhilitan）。这些HWC统计数据的一部分先前出现在Perhilitan年度报告（2011，2012，2013，2013，2015，2015，2016，2017和2018）8,12-17中，而其他（例如，2014年和2018年HWC中涉及HWC的物种的详细信息以及由于2008年至2019年的野生动物袭击而引起的伤亡人数）仅在这项研究中提供了。然后将这些原始数据处理，分析并将其列为表和条形图。结果从2011年到2018年总共报告了54,224例HWC病例（表I和图2）。这个数字在2011年（8,031）中最高，而最低的数字在2012年（5,602）记录。总体而言，报告的HWC病例显示从2012年到2018年的模式越来越高（5,602至7,967例，请参见图2）。