XiaoMi-AI文件搜索系统
World File Search SystemMakridakis
国际应用预测杂志
这里的问题是，如果我们重新审视原始M4的结果（Makridakis及其同事，2020年，表4），我们将看到竞争实际上是通过方法ES-RNN赢得的，OWA的OWA为0.821。第二名是Fforma，OWA为0.838。陈述的OWA的时间网将将其置于第七位，在根本不使用深度学习的方法后面，甚至没有使用ML。这仍然不是一个不好的地方（在61名原始参与者中），但肯定不是SOTA，通常理解为方法是一种方法能够在该数据集中取得的最佳结果。另一个感兴趣的方面是他们对N-Beats的处理。这种方法不久前首次出现，正是通过声称在M4中实现SOTA的情况，其OWA为0.795（Oreshkin and Caleagues，2019，Table1）。时网确实确实报告了N-Beats的结果，但OWA为0.855。
人工智能在管理项目流程和目标中的应用：系统分析
他们的日常生活以及企业如何制造商品和提供服务（Makridakis，2017 年）。人工智能可以改变每个行业和学科（Canhoto & Clear，2020 年），包括项目管理 (PM)（Ong & Uddin，2020 年）。本文将人工智能作为一个总称，指任何能够执行人类智能特征任务的计算机程序。从 SIRI 到自动驾驶汽车，人工智能变得越来越复杂。人工智能技术，如机器学习 (ML)、深度学习 (DL) 和自然语言处理 (NLP)，现在可以更快地识别模式，减少人工指导（最终可能不需要指导）。他们可以使用新的非结构化数据源（包括图像、声音、视频、文本和地图数据）做出更准确的数据驱动决策并解决业务问题。人工智能应用程序已经迅速开发和部署。它们现在出现在金融、营销和销售、人力资源、客户服务等业务职能中，以及银行、制造业和零售业等各个行业的运营中（Halper，2017 年）。它们展现出巨大的潜力，为提高效率和生产力创造了绝佳的机会（Makridakis，2017；Schoper 等，2018）。项目是创造独特产品、服务或成果的临时努力（项目管理协会，2017）。它们是当代组织的基石。大多数项目都是复杂且多方面的，需要精心管理。项目管理是将知识、技能、工具和技术应用于项目活动以满足项目要求（项目管理协会，2017）。 PM 涉及各种人员（例如，PM 经理、团队成员和外部利益相关者）、不同的流程（例如，启动、规划和执行）、众多知识领域（例如，集成、质量和风险）、无数技术（例如，甘特图、PERT（项目评估和审查技术））和多个约束（例如，成本、时间和范围） (Heagney, 2016)。PM 对于项目成功至关重要 (Munns & Bjeirmi, 1996)。在当今瞬息万变的商业环境中，PM 使组织能够在预算紧张、时间紧迫和资源有限的项目中取得成功。人工智能可以深刻影响 PM 的许多方面 (Auth et al., 2021; Dam et al., 2019; Uchihira et al., 2020)。例如，基于人工智能的工具可以接管会议计划、提醒、日常更新和其他管理任务等功能。更重要的是，它们可以帮助项目经理和团队成员处理更高层次、复杂的数据驱动决策，例如复杂性和成功分析以及风险评估，以确保项目按计划和预算进行。此外，人工智能应用程序可以做的不仅仅是估算成本和进度。它们还可以分析当前和以前项目的数据以提供见解，指导项目通过艰难的决策和意想不到的障碍。简而言之，人工智能应用正在兴起，用于根据项目或环境变量的可能变化及其与其他变量的关系来评估、分析或预测潜在结果。
国际预测杂志
Fotios Petropoulos 1， *，Daniele Apiletti 2，Vassilios Assimakopoulos 3，Mohamed Zied Babai 4，Devon K. Barrow 5，Souhaib Ben Taieb 6，Christoph Bergmeir 7，Ricardo Bergmeir 7，Ricardo J. Bessa 8，9 14，Michael P. Clements 15，Clara Cordeiro 16，17，Fernando Luiz Cyrino Oliveira 18，Shari de Baets 19，Alexander Dokmumentov 20，Jone Pipson，Philip 29 Hans Franses 22，David T. Frazier 23 A GUIDOLIN 26，Massimo Guidolin 28，Ulrich Gujia Gujia 2019 26，Nigel Harvey 31，David F. Hendry 32，Ross Hollyman 1，Tim Januschowski 33，Jooyoung Joyoung Joon 34，Victor Richord R. Jose R. Jose 35，Yanfei Kang 36，Yanfei Kang 36，Yanfei Kang 36 1，Konstantia Litsiou 42，Spyros Makridakis 43，Gael M. Martin 23，Andrew B. Martinez 44，45，Sheik Meeran 1，Theodore Modis 46，Konstantinos Nikolopoulos 47 Pedio 53，54，Diego J. Pedregal 55，Pierre Pinson 56，PatríciaRamos57，David E. Rapach 58，Tahrea Rea，James Rosta，60 Talagala 65，Len Tashman 66，Dimitrios Thomako 67，Thorat Thorazi 68 IS 69、70，JuanMónTraperoArenas 55，Xiaoqian Wang 36，Robert L. Winkler 71，Alisa Yusa Yusapova 10，Florian Ziel 72，Florian Ziel 72
预测：理论与实践 - 兰卡斯特 EPrints
Fotios Petropoulos 1, ∗ , Daniele Apiletti 2 , Vassilios Assimakopoulos 3 , Mohamed Zied Babai 4 , Devon K. Barrow 5 , Souhaib Ben Taieb 6 , Christoph Bergmeir 7 , Ricardo J. Bessa 8 , Jakubro Bijak 10 , Jelan Jelan Broywell 10 . , Claudio Carnevale 12 , Jennifer L. Castle 13 , Pasquale Cirillo 14 , Michael P. Clements 15 , Clara Cordeiro 16,17 , Fernando Luiz Cyrino Oliveira 18 , Shari De Baets 19 , Alexander Dokumentov 20 , Joan Piot Piot , Philip 29 ses 22 , David T. Frazier 23 , Michael Gilliland 24 , M. Sinan G¨on¨ul 25 , Paul Goodwin 1 , Luigi Grossi 26 , Yael Grushka-Cockayne 27 , Mariangela Guidolin 26 , Massimo Guidolin 28 , Ulrich Guojio 2003 26 , Nigel Harvey 31 , David F. Hendry 32 , Ross Hollyman 1 , Tim Januschowski 33 , Jooyoung Jeon 34 , Victor Richmond R. Jose 35 , Yanfei Kang 36 , Anne B. Koehler 37 , Stephan Kolassa , Nikolas , 139 va 40 , Feng Li 41 , Konstantia Litsiou 42 , Spyros Makridakis 43 , Gael M. Martin 23 , Andrew B. Martinez 44,45 , Sheik Meeran 1 , Theodore Modis 46 , Konstantinos Nikolopoulos 47 , Dilek ¨ ¨ ¨ ¨ Pastagnios , 489 , Pastagnios agiotelis 50 , Ioannis Panapakidis 51 , Jose M. Pav ́ıa 52 , Manuela Pedio 53,54 , Diego J. Pedregal 55 , Pierre Pinson 56 , Patr ´ıcia Ramos 57 , David E. Rapach 58 , J. Reade 59 , James Romi-Bahr baszek 61 , Georgios Sermpinis 62 , Han Lin Shang 63 , Evangelos Spiliotis 3 , Aris A. Syntetos 60 , Priyanga Dilini Talagala 64 , Thiyanga S. Talagala 65 , Len Tashman 66 , Dimitrios Thomakos 67 , Thorin Thorin 68 9.70, Juan Ram´on Trapero Arenas 55, Xiaoqian Wang 36, Robert L. Winkler 71, Alisa Yusupova 10, Florian Ziel 72
国际预测杂志
Fotios Petropoulos 1 , * , Daniele Apiletti 2 , Vassilios Assimakopoulos 3 , Mohamed Zied Babai 4 , Devon K. Barrow 5 , Souhaib Ben Taieb 6 , Christoph Bergmeir 7 , Ricardo J. Bessa , Jakub John 89 , Ejak Ejak Boylan 。 10 , Jethro Browell 11 , Claudio Carnevale 12 , Jennifer L. Castle 13 , Pasquale Cirillo 14 , Michael P. Clements 15 , Clara Cordeiro 16 , 17 , Fernando Luiz Cyrino Oliveira 18 , Shari De Baets 19 , Alexander Dokumento , Jovnemento 20埃里森 9 , 皮奥特·菲泽德 21 , 菲利普·汉斯·弗朗西斯 22 , 大卫·T·弗雷泽 23 , 迈克尔·吉利兰 24 , M. Sinan Gönül 25 , 保罗·古德温 1 , 路易吉·格罗西 26 , 雅埃尔·格鲁什卡-科凯恩 27 , Mariangela Guidolin 26 , 马西莫·吉洛·乌尔里希冈特 29 , 郭晓佳 30 , 雷纳托·古塞奥 26 , 奈杰尔·哈维 31 , 大卫·F·亨德利 32 , 罗斯·霍利曼 1 , 蒂姆·贾努肖夫斯基 33 , Jooyoung Jeon 34 , 维克多·里士满·R·何塞 35 , 扬·康菲 36 , 安妮·B. , Stephan Kolassa 38 , 10 , Nikolaos Kourentzes 39 , 10 , Sonia Leva 40 , Feng Li 41 , Konstantia Litsiou 42 , Spyros Makridakis 43 , Gael M. Martin 23 , Andrew B. Martinez 44 , 44 , Sheik Meodore , Modis 465 ,康斯坦丁诺斯·尼科洛普洛斯 47 , 迪莱克·恩卡尔 25 , 阿莱西亚·帕卡尼尼 48 , 49 , 阿纳斯塔西奥斯·帕纳吉奥泰利斯 50 , 扬尼斯·帕纳帕基迪斯 51 , 何塞·M·帕维亚 52 , 曼努埃拉·佩迪奥 53 , 54 , 迭戈·J·佩德雷 55 , 皮埃尔·平森 , 56帕特里夏·拉莫斯 57 、大卫·E·拉帕奇 58 、J·詹姆斯·里德 59 、巴曼·罗斯塔米-塔巴尔 60 、米哈乌·鲁巴斯泽克 61 、乔吉奥斯·塞尔皮尼斯 62 、韩林尚 63 、伊万杰洛斯·斯皮利奥蒂斯 3 、阿里斯·A·辛特 60 、塔拉·普里扬 64 、塔拉加普里阳Thiyanga S. Talagala 65 , Len Tashman 66 , Dimitrios Thomakos 67 , Thordis Thorarinsdottir 68 , Ezio Todini 69 , 70 , Juan Ramón Trapero Arenas 55 , 王晓倩 36 , Robert L. Winkler 71 , Alisa Yusuva , Florian Yusuva 10 10 72
人工智能对劳动生产率的影响
服务、运输和物流或服务提供领域的人工智能对社会现在和未来影响的日益凸显引发了激烈的争论（Makridakis 2017 ）。与过去的通用技术一样，人工智能有可能颠覆全球范围内几乎所有行业和企业。最近的研究通过分析人工智能专利申请和人工智能相关科学出版物的演变，调查了近几十年来人工智能技术发展的激增（De Prato 等人 2018 年；欧盟委员会 2018 年；Fujii 和 Managi 2018 年；Cockburn 等人 2019 年；Van Roy 等人 2020 年；世界知识产权组织 2019 年）。这些研究中出现的人工智能创新格局揭示了类似的模式；人工智能的最大增长发生在过去五年里，由中国、日本、韩国和美国主导。尽管人工智能的发展主要集中在电信和软件服务以及电子制造业，但有明显迹象表明，几乎所有其他行业都在越来越多地利用人工智能技术带来的新程度自动化的机会。虽然研究人员对人工智能的上升趋势和变革性质达成了共识，但对其经济影响和生产力价值的推测性解释尚无定论，这与流行的索洛悖论中综合提出的担忧相呼应：“除了生产力统计数据外，你随处可见计算机时代”（Solow 1987，第 36 页）。更为积极的文献认为，人工智能技术的颠覆性内容将通过任务自动化、不确定性的减少、现有创新的重组和新创新的产生（Agrawal 等人，2019a、b；Cockburn 等人，2019）产生，从而提高生产率（Brynjolfsson 等人，2019）。与此形成鲜明对比的是，其他理论模型预测，由于不平等加剧（Gries 和 Naudié，2018）、学习成本（Jones，2009）以及与其他通用技术相比人工智能的颠覆率较低（Gordon，2016、2018），当前的生产率放缓可能会持续下去。除了这些截然不同的预测之外，人们越来越需要通过定量分析来衡量人工智能对增长、生产力和就业等经济结果的影响，但对高质量企业层面数据的要求是一个重要障碍（Raj 和 Seamans 2019；Furman 和 Seamans 2019）。最近才出现实证研究来帮助更好地理解人工智能对企业劳动生产率的影响，而且仅限于少数论文（例如 Graetz 和 Michaels 2018；Alderucci 等人 2020）。据我们所知，没有一篇实证论文在考虑因果关系的同时量化人工智能技术对企业生产率的影响。本研究旨在通过进一步的、新颖的实证证据填补先前研究中观察到的空白。我们使用人工智能的综合定义（指包括机器人在内的软件和硬件组件的组合）并盘点了创新人工智能格局的文献（Van Roy 等人，2020 年），采用一个包含 5257 家人工智能专利申请公司的独特数据库来评估人工智能技术对企业劳动生产率的影响。我们使用来自四大洲的全球样本来测试这种潜在影响，这些公司在 2000 年至 2016 年期间提交了至少一项与人工智能领域相关的专利，结合欧洲专利局全球专利统计数据库 (PATSTAT) 中的专利申请
OC3-2025-TES-01
g-ai.1绿色AI指标关键字：绿色AI指标；计算成本；能源使用监视；能源效率；可持续性。监测绿色AI指标的最先进状态侧重于开发标准化，准确的指标，以衡量AI在其整个生命周期中对环境的影响。这些指标旨在评估AI体系结构的性能准确性，还为能源效率和减少碳排放，包括硬件制造的影响。重大工作旨在估算各种AI模型的计算效率，例如浮点操作（Flops），促进在固定计算预算下的比较，对于资源有限的中小企业至关重要。在行业中，有一项运动旨在将绿色AI原则整合到系统开发中，以促进效率和鲁棒性，而不仅仅是仅依靠最新的硬件进展。包括大语言模型（LLMS）在内的生成AI的广泛采用进一步强调了由于其庞大的计算要求而解决的紧迫性。这一趋势强调了开发和采用绿色AI指标以监视，报告和优化能源使用的重要性，同时还可以在物联网设备和远程部署等低功率环境中启用资源高效的解决方案。科学挑战是监测绿色AI指标的主要科学挑战之一在于在各种AI系统体系结构之间建立和标准化这些指标。如何计算这些指标的透明度对于防止误解或滥用至关重要。这不仅包括算法效率和准确性的计算，还包括从硬件生产到操作部署的整个AI生命周期的环境影响。这些指标的可靠性是另一个关键挑战，确保测量值是一致，可再现和代表现实世界使用情况的另一个关键挑战。研究人员必须努力应对普遍接受的指标的缺乏，以及评估AI技术的全部环境足迹所需的综合数据的有限可用性。这一挑战是由跨学科协作的需求加剧了，以确保任何发达的指标在技术上都是合理的，而且具有环境意义。这一挑战的目标之一是创建一套标准化的绿色AI指标，以平衡性能与能源效率之间，指导既有强大又可持续的AI系统的设计。为了进行全面的建议，研究人员将需要访问当前的AI模型，能源消耗数据和跨部门环境影响评估，以及在这些新指标下对AI体系结构进行仿真和评估的工具。当今存在多种工具研究活动，可用于实时估算培训和使用AI模型的碳排放。但是，这些工具通常仅限于特定环境，在覆盖范围和适应性方面留下了很大的差距。这里的研究活动应着重于通过在以前未考虑的上下文中提供新工具来填补空白。可能的主机组织在代码级别上，现有工具通常是开发基于AI的算法时可以使用的Python库。需要使用新的实时工具，以不同的和更低级的语言进行编程，例如C/C ++。这样的工具可以在资源约束环境中实现更广泛的兼容性和性能。还需要在更广泛的平台上（例如边缘设备和非标准计算系统）部署工具。研究活动可能包括开发C/C ++工具/库的开发，用于在培训和使用AI模型时提供与CO2排放和用电使用相关的不同指标。焦点被建议放在深度学习算法和工业场景上，涉及机器人技术和机器视觉，例如废物分类应用程序或拆卸操作。此外，研究必须解决这些工具的准确性，可伸缩性和解释性，以确保它们在技术上不健壮，而且可以用于实际部署。与应用于横截面数据的LLM和模型相反，测量时间序列算法的排放存在差距。尤其是，大多数评估这些算法（例如Makridakis竞赛）的性能的大多数比赛都只关注预测能力（有时在点预测和预测间隔中）。因此，需要在这些竞争中包括计算效率指标。预期的结果研究结果将导致开发新工具和新基准，这对开发基于AI的算法的任何人都可能有益。我们认为，应开发和测试指标混合预测能力和效率（低计算成本 - 排放），以便可以比较时间序列模型并在这两个维度中进行排名。恩菲尔德项目旨在为科学社区的新颖工具，指标和指导提供在各种用例中开发绿色算法的指导。预计将通过发表的论文，开源法规和有针对性的传播活动来传播这些结果，从而确保广泛的可访问性和影响力。这一挑战不仅在于降低计算成本，还涉及重塑AI在应对全球可持续性挑战中的作用。通过开发可靠的，标准化的绿色AI指标，我们可以指导下一代AI技术来实现更环保的创新。