XiaoMi-AI文件搜索系统
World File Search SystemLuu
引文：Luu, Michael 和 Daniel E. Hastings。“对大量低地球轨道卫星星座在轨服务的评估。”加速太空合作
在轨服务 (OOS) 为航天器 (s/c) 的加油、检查、维修、维护和升级提供了新的机会。随着技术的成熟和经济前景的改善，OOS 是未来航天增长的一个重要领域。这种拥堵促使航天器运营商探索如何利用 OOS。地球静止轨道 (GEO) 航天器的 OOS 任务目前正在进行中。这是由于为长寿命整体式化学推进 GEO 资产加油的商业案例已经结束。然而，除了技术演示外，目前还没有针对低地球轨道 (LEO) 航天器的 OOS 计划，因为它们的设计寿命较短且成本较低。随着行业将重点转向 LEO，为 LEO 航天器提供服务将变得尤为重要。为 LEO 星座设计 OOS 系统与基于 GEO 的系统不同，这种差异归因于 LEO 卫星的扩散、环境影响（J2 节点进动、阻力）和不同的星座模式。由于访问增加、分布式风险、灵活性和成本增加，LEO 中的卫星星座正变得更加分散。s/c 的 OOS 可以减少对子系统的要求，例如安全性和冗余需求。这些要求的减少将降低风险、降低成本并提高系统弹性。本文分析了扩散的 LEO 星座中 OOS 的好处。对几种 OOS 系统架构进行了建模；在每个系统架构中，模型将改变服务商数量、高度和轨道机动等质量。该模型的目标是优化成本、时间和效用，以生成 OOS 系统架构的权衡空间。
推荐引用 推荐引用 Helton, P., Luu, K., & Dowling, A. (2022)。用于自动成像、量化和识别落叶和陷阱样本中节肢动物的人工智能系统。Inquiry：阿肯色大学本科生研究期刊，21(1)。https://doi.org/10.54119/inquiry.2022.21101
众所周知，节肢动物是地球上最多样化、最丰富的真核生物。博物馆和研究收藏馆拥有大量昆虫标本，这些标本来自历史上进行的探险，包括数十万个物种，具有时间和空间价值。研究界无法获取这些生物多样性数据，导致了大量“暗数据”。本研究的主要目标是开发一种人工智能驱动的标本识别系统，大大减少在非典型环境中识别标本所需的时间和专业知识。成功的开发将对生态学和生物多样性科学产生深远影响，因为它将提高生态学研究的分辨率，并使我们能够处理积压的昆虫收藏，解锁大量生物多样性数据。该系统的开发将解决深度学习中的多项挑战，包括与有限的训练数据以及从已知领域转向未知领域相关的问题。尖端的人工智能解决方案将成为可扩展到多个平台和跨地理区域的智能标本识别系统的最终组成部分。
Luusua Ylipulli 设计中的人工智能和风险
随着人工智能 (AI) 技术越来越多地融入日常生活，学术界和大众对人工智能的讨论往往围绕着列出可能与之相关的各种风险。不同研究人员识别和预见的风险方式和程度各不相同；然而，毫无疑问，他们之间有一个共同点，那就是风险本身的概念。我们认为，这一概念在很大程度上已被人工智能研究领域视为理所当然；换句话说，“风险”已被日常使用而没有经过应有的批判性审查。在本文中，我们直接将风险作为一个概念来处理，通过研究跨学科风险理论和文献来讨论人工智能技术的例子。通过这项工作，我们旨在开始批判性地讨论在设计研究和实践中以及在新兴技术开发中理论化风险的重要性。