XiaoMi-AI文件搜索系统
World File Search SystemMinsky
情感人工智能进步的社会和伦理影响
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
利用人工智能的智能液压系统
人工智能（AI）的首次定义是由其父辈明斯基和麦卡锡提出的，他们认为人工智能是任何现在由机器完成、以前由人类完成的活动。研究员 Francois Chollet 表示，人工智能与系统在新的环境中适应和改进的能力有关，能够概括其知识并将其应用于未知场景。智能是获得新技能以解决非特定任务的效率。智能通常被认为是人类的能力，或者在人工智能的情况下是机器学习的能力，但我们实际上讨论的是学习新事物的效率。据专家 Lynne Parker 称，人工智能基本上是一个总称，涵盖了由适当软件（如机器学习、自然语言处理或机器人技术）制作的一系列方法、算法和技术。由于工业已经进入人工智能时代，液压技术也不能置身事外。即使智能液压技术的定义仍在讨论中，但人们已经接受，在任何变体中，都要确保诸如可编程块的存在、机器与外界通信的系统、适合用途的硬件、诊断能力等特性。智能水平因机器而异，基本上由设备的控制、命令、监控和器官学水平决定。汽车越快、越精确、对特定条件的自适应能力越强，汽车就越智能。显然，所需和接受的智能水平也在不断提高，也就是说，除了驱动和采集设备的发展外，存储、传输和处理数据的能力也将显著提高 [1]。智能产品由一系列基本特征定义，通常被编码并分为静态和被动或动态和主动。当工业 4.0 的概念开始在实体经济中得到更频繁的使用时，它被转换为通过独特代码（例如序列号）对产品（较小的里程碑，尤其是被动里程碑）进行识别，根据数字化水平，序列号会附加一定数量的信息。即使人工智能的引入经历了激烈的发展，操作员的角色也不会消失，但他的活动将现代化并适应新技术。向基于智能技术的生产的转变使得制造阶段被接管并以数字方式记录，这本质上有助于简化设备和系统的组装和维护。
降低通货膨胀的事件研究
2022年《降低通货膨胀法》（IRA）被普遍认为是美国历史上最雄心勃勃的气候政策行动。在接下来的十年及以后，一系列新的税收抵免和直接政府支出将为清洁技术和行业提供大量财务支持。此外，IRA将为美国家庭和公司提供强大的直接激励措施，以投资减少其碳排放所需的设备和资本。Bistline等。（2023b）估计，IRA与气候相关部分的累积预算影响可能在未来10年内达到1万亿美元。1 IRA激励措施引起的经济变化也有望大幅减少美国温室气体的排放（Bistline等人。，2023a）。但是，IRA经济和气候后果的这种预测通常对任何财务影响都保持沉默。这是正确的，即使金融部门是为脱碳和确定气候政策成果提供必要的资本不可或缺的一部分。金融市场的前瞻性反应也比经济和排放效应要早得多，因此可以为政策传播和成功提供有用的早期阅读。在本文中，我们记录了金融市场对IRA的响应，并就此重大的气候政策行动提供了新的气候融资观点。对于气候金融而言，一个特别重要的问题是过渡风险。，2021）。，2023）。转型为低碳经济所需的大量投资将严重依赖金融市场和机构（例如，Battiston等人。2然而，近年来脱碳的不确定步伐和后果已成为主要的政策问题（van der Ploeg and Rezai，2020年）。如果投资者的期望是对新的气候政策进行迅速调整，那么依赖碳依赖资产的不利重新估计（可能导致滞留的资产）可能会严重影响到前英格兰银行州长马克·卡尼（Mark Mark Carney）的“气候Mark Mins Mists Moint Mists”（Carney Mistsky Mists）的财务偿付能力和稳定性。为了更好地量化银行和其他金融机构的潜在风险，从业务前景和资产价格突然转变中，中央银行和金融监督当局正在开发气候场景分析（Acharya等人显然，金融市场过渡风险的定价已成为一阶政策问题。IRA的通过 - 数十年来
生日快乐，人工智能！
[本文原德文版于2021年8月2日发表于德国国家日报《世界报》经济版AI专栏“Aus dem Maschinenraum der KI”，第10页。10.][使用www.DeepL.com/Translator（免费版）翻译 - 欧洲制造的AI技术，请参阅https://en.wikipedia.org/wiki/DeepL_Translator，随后由作者进行润色和修改。]来自AI引擎室的消息 生日快乐，AI！人工智能迎来 65 岁生日——是时候祝贺了 作者：Kristian Kersting 人工智能，简称 AI，正在迎来 65 岁生日：1956 年 6 月至 8 月，美国科学家 John McCarthy、Marvin Minsky、Nathaniel Rochester 和 Claude Shannon 在新罕布什尔州达特茅斯学院组织了“达特茅斯人工智能夏季研究项目”，这被认为是 AI 的诞生。这四个美国人的前提仍然是当今所有 AI 研究的基础：智能的每个方面，而不仅仅是学习能力，都可以被精确地描述，以便计算机可以模拟它。早在 1956 年，人们就开始讨论计算机是否能借助人工神经网络达到大脑的性能。如今，学习这样的网络（现在具有让人联想到大脑三维连通性的分层结构，因此称为深度学习）已带来许多突破 — 最近的一个突破是生物学的一个核心问题：预测蛋白质的三维折叠。对于 2009 年诺贝尔生理学或医学奖获得者伊丽莎白·布莱克本来说，这是革命性的，因为它将使我们能够更深入地了解基因组序列。回到克劳德·香农。他也被认为是数字时代之父，但他抵制了有关他创立的信息理论的炒作（及其后果）。在 1956 年的一篇题为“潮流”的文章中，他将炒作比作一辆被热情但并非总是知识渊博的追随者包围和陪伴的潮流。只要巧妙地将文章中的一些关键词替换掉，例如将“信息理论”替换为“深度学习”，将“控制论”替换为“数字化”，将“解码器”替换为“人工神经网络”，就会发现他的批评非常及时，Krisha Mehta、Charles Frye 和 Toby Walsh 已经注意到了这一点。我真的很惊讶，他在 1956 年的经历与我今天的经历如此吻合。这是我的结果：深度学习在过去几年里已经成为一种科学潮流。它最初是计算机视觉工程师的一种技术工具，在大众和科学媒体中都得到了极大的宣传。部分原因是它与计算机、控制论和自动化等时尚领域的联系；部分原因是它的主题新颖。因此，它的重要性可能已经超出了它的实际成就。我们许多不同领域的科学家同行们被这种宣传和科学分析的新途径所吸引，正在将这些想法应用于他们自己的问题。它被应用于生物学、心理学、语言学、基础物理学、经济学、组织理论等许多领域
韩国的19种预防行为，包括接种疫苗
Ajen, I. (1991)。计划行为理论。组织行为与人类决策过程，50 (2)，179–211。https://doi. org/10.1016/0749-5978(91)90020-T Brewer, NT、Chapman, GB、Rothman, AJ、Leask, J. 和 Kempe, A. (2017)。增加疫苗接种：将心理科学付诸行动。公共利益心理科学，18 (3)，149–207。https://doi.org/10.1177/1529100618760521 Chu, H. 和 Liu, S. (2021)。整合健康行为理论来预测美国人接种 COVID-19 疫苗的意愿。患者教育与咨询，104 (8)，1878–1886。https://doi. org/10.1016/j.pec.2021.02.031 Comrey, AL (1973)。因子分析入门课程。Academic press。Devellis, RF (2017)。量表开发；理论与应用（第 4 版）。Sage。Druica, E.、Musso, F. 和 Ianole-Calin, R. (2020)。新冠疫情期间的乐观偏见：来自罗马尼亚和意大利的实证证据。游戏，11 (39)，1–15。https://doi.org/10.3390/g11030039 Fragkaki, I.、Maciejewski, DF、Weijman, EL、Feltes, J. 和 Cima, M. (2021)。人类对 Covid-19 的反应：乐观偏见、感知严重程度和焦虑的作用。人格与个体差异，176，110781。https://doi.org/10.1016/j.paid.2021.110781 Gumel, AB、Iboi, EA、Ngonghala, CN 和 Ngwa, GA (2021)。迈向在美国实现 COVID-19 疫苗衍生群体免疫阈值前沿公共卫生，9，709369。https://doi。 org/10.3389/fpubh.2021.709369 Hossain, MB、Alam, Z.、Islam, S.、Sultan, S.、Faysal, M.、Rima, S.、Hossain, A.、Mahmood, MM、Kashfi, SS、Mamun, AA、Monia, HT 和 Shoma, SS (2021)。政府结构性污名背景下的 COVID-19 公众污名：对孟加拉国成年人的横断面在线调查。污名与健康，6 (2)，123–133。https://doi.org/10.1037/sah0000305.supp 美国传染病学会。(2021)。IDSA 媒体简报：疫苗、德尔塔变种和追求群体免疫。IDSA，弗吉尼亚州。摘自 https://www.idsociety.org/multimedia/ videos/idsa-media-briefing-vaccines-the-delta-variannt-and-chasi ng-herd-immunity/ Lee, WK (2021)。COVID-19 运动认知对呼吸道感染预防行为的影响：由健康信念模型 (HBM) 介导。硕士论文。首尔三育大学。 McCauley, M.、Minsky, S. 和 Viswanath, K. (2013)。H1N1 大流行：媒体框架、污名化和应对。BMC 公共卫生，13，1116。https://doi.org/10.1186/1471-2458-13-1116 卫生福利部。（2021 年）。社交距离指南基本规则（第 4 版）。卫生和健康部，首尔 取自 https://www.
面向整体智能的代理 AI
人工智能 (AI) 在 1956 年达特茅斯会议上被历史性地定义为能够从周围环境收集信息并在其中采取有效行动的人工生命形式。1970 年，麻省理工学院的明斯基团队开发了一套机器人系统，称为“Copy Demo”，它可以观察“积木世界”场景并成功重建观察到的多面体块结构（Winston，1972 年）。该系统由观察、规划和操作模块组成，表明每个子问题都极具挑战性，需要进一步研究。因此，人工智能领域分裂成几个专门的子领域。虽然这些子领域已经独立取得了重大进展，但这种过度简化主义模糊了人工智能研究的总体目标。为了超越现状，迈向更为复杂的 AI，我们强调接受亚里士多德整体哲学的重要性，该哲学强调各部分之间的整合要大于各部分之和。大型语言模型 (LLM) 和视觉语言模型 (VLM) 的最新进展已显示出在开放世界环境中识别语言和图像的巨大潜力（OpenAI，2023 年）。例如，LLM 的高级语义处理已被用于将人类指令分解为机器人的高级任务（Wake 等人，2023c、d）。然而，这些现有的多模态基础模型，即使对于 GPT-4V(ision)，在实现需要动作预测的细粒度操作方面仍然面临挑战。因此，提出了一种新的具身代理基础模型（Durante 等人，2024b），该模型集成了语言能力、视觉认知、上下文记忆和直觉推理，并能自适应地预测具身动作。这是第一项使用从机器人、游戏和医疗保健任务中收集的具身数据预训练基础模型以开发通用 AI 代理的研究。具身代理被概念化为一个交互式系统，它通过其感知能力与人类交流并与环境交互，采取符合人类意图的动作。这就是为什么我们认为大型具身基础模型的进步是对代理 AI 的重大贡献，使系统能够从各种领域信息、动作、自然语言指令和多模态上下文中解析和推断人类意图。此外，
审计和会计中的人工智能和区块链
审计和会计中的人工智能和区块链：文献综述 ANETA ZEMÁNKOVÁ 财务会计和审计系 布拉格经济大学 W. Churchill Square 1938/4, 130 67 布拉格 3 捷克共和国 aneta.zemankova@vse.cz 摘要：- 本文旨在介绍人工智能在审计和会计中的应用，重点介绍当前流行的区块链技术。由于其创新性，该领域不断变化，大公司投入巨额资金以实现人工智能在审计和会计中的广泛应用。本文的主要目标是对受益于人工智能实施的审计任务进行分析，包括风险评估。另一个目标是分析区块链技术及其在审计中的影响。本文的很大一部分内容侧重于基于区块链技术的智能合约和智能审计程序。本文最实际的目的是评估四大会计师事务所（四大领先的审计和会计咨询公司）开发的当前应用程序和审计工具。论文的主要结果包括概述了基本审计任务，证明了人工智能在审计中的重要性，以及在审计中使用区块链的主要影响，特别是提高效率和完整性、降低错误概率，同时也创造了基于持续保证的新一代审计。最后，本文的实际结果是总结了四大会计师事务所最新开发的人工智能工具和创新。 关键词：人工智能、会计、审计、专家系统、审计任务、审计风险、四大会计师事务所、区块链、智能合约 1 引言——人工智能 人工智能目前是增长最快的领域之一。根据领先的研究和咨询公司 Gartner, Inc. 进行的 2019 年 CIO 调查，实施人工智能的企业比例在过去四年中增长了 270%。更重要的是，这一比例在过去一年中增长了两倍，从 2018 年的 25% 上升到 2019 年的 37% [1]。更确切地说，2019 年全球在人工智能方面的支出将达到 375 亿美元，预计到 2023 年将达到 979 亿美元 [2]。人工智能领域的起源可以追溯到 1956 年，与达特茅斯人工智能会议有关，确切地说是在这次会议的提议中，“人工智能”一词首次被使用。约翰·麦卡锡、马文·明斯基、克劳德·香农和纳撒尼尔·罗切斯特发起了一项关于人工智能的研究，该研究基于这样的假设：“学习的每个方面或智能的任何其他特征原则上都可以如此精确地描述，以至于机器可以模拟它” [3]。达特茅斯会议重点讨论了人工智能的不同方面
人工智能
https://doi.org/10.55248/gengpi.5.0124.0328 [4] Brynjolfsson，E。，＆McAfee，＆McAfee，A.（2014）。第二个机器时代：在精彩技术时期的工作，进步和繁荣。WW Norton＆Company。 [5] Danaher，J。 （2019）。 自动化和乌托邦：人类在没有工作的世界中繁荣起来。 哈佛大学出版社。 [6] Domingos，P。（2015）。 主算法：对最终学习机器的追求将如何重制我们的世界。 基本书籍。 [7] Venkatapuram，S。S.（2024）。 鲨鱼标记跟踪 - 使用bezier算法推断：增强对迁移模式的理解。 国际研究出版与评论杂志，5（1），4350–4354。 https://doi.org/10.55248/gengpi.5.0124.0327 [8] Etzioni，O。，＆Etzioni，A。 （2017）。 将伦理纳入人工智能。 《道德杂志》，21（4），403-418。 [9] Floridi，L.，Cowls，J.，Beltrametti，M.，Chatila，R.，Chazerand，P.，Dignum，V。，...＆Schafer，B。 （2018）。 AI4PEOPLE-一个良好的人工智能社会的道德框架：机遇，风险，原则和建议。 思维和机器，28（4），689-707。 [10] Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，观点和前景。 Science，349（6245），255-260。 [11] Kaplan，J。和Haenlein，M。（2019）。 Siri，Siri，我手中：谁是土地上最公平的？ 关于人工智能的解释，插图和含义。 业务视野，62（1），15-25。WW Norton＆Company。[5] Danaher，J。（2019）。自动化和乌托邦：人类在没有工作的世界中繁荣起来。哈佛大学出版社。 [6] Domingos，P。（2015）。 主算法：对最终学习机器的追求将如何重制我们的世界。 基本书籍。 [7] Venkatapuram，S。S.（2024）。 鲨鱼标记跟踪 - 使用bezier算法推断：增强对迁移模式的理解。 国际研究出版与评论杂志，5（1），4350–4354。 https://doi.org/10.55248/gengpi.5.0124.0327 [8] Etzioni，O。，＆Etzioni，A。 （2017）。 将伦理纳入人工智能。 《道德杂志》，21（4），403-418。 [9] Floridi，L.，Cowls，J.，Beltrametti，M.，Chatila，R.，Chazerand，P.，Dignum，V。，...＆Schafer，B。 （2018）。 AI4PEOPLE-一个良好的人工智能社会的道德框架：机遇，风险，原则和建议。 思维和机器，28（4），689-707。 [10] Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，观点和前景。 Science，349（6245），255-260。 [11] Kaplan，J。和Haenlein，M。（2019）。 Siri，Siri，我手中：谁是土地上最公平的？ 关于人工智能的解释，插图和含义。 业务视野，62（1），15-25。哈佛大学出版社。[6] Domingos，P。（2015）。主算法：对最终学习机器的追求将如何重制我们的世界。基本书籍。[7] Venkatapuram，S。S.（2024）。鲨鱼标记跟踪 - 使用bezier算法推断：增强对迁移模式的理解。国际研究出版与评论杂志，5（1），4350–4354。https://doi.org/10.55248/gengpi.5.0124.0327 [8] Etzioni，O。，＆Etzioni，A。（2017）。将伦理纳入人工智能。《道德杂志》，21（4），403-418。[9] Floridi，L.，Cowls，J.，Beltrametti，M.，Chatila，R.，Chazerand，P.，Dignum，V。，...＆Schafer，B。（2018）。AI4PEOPLE-一个良好的人工智能社会的道德框架：机遇，风险，原则和建议。思维和机器，28（4），689-707。[10] Jordan，M。I.和Mitchell，T。M.（2015）。机器学习：趋势，观点和前景。Science，349（6245），255-260。[11] Kaplan，J。和Haenlein，M。（2019）。Siri，Siri，我手中：谁是土地上最公平的？ 关于人工智能的解释，插图和含义。 业务视野，62（1），15-25。Siri，Siri，我手中：谁是土地上最公平的？关于人工智能的解释，插图和含义。业务视野，62（1），15-25。[12] Markoff，J.（2015）。爱心恩典的机器：寻求人类和机器人之间的共同点。哈珀·柯林斯（Harper Collins）。[13] McCarthy，J.，Minsky，M。L.，Rochester，N。，＆Shannon，C。E.（2006）。1955年8月31日，达特茅斯夏季研究项目的提案。AI杂志，27（4），12-12。 [14] ng，A。 （2016）。 人工智能现在可以做什么也不能做什么。 哈佛商业评论，9（11）。 [15] Nilsson，N。J. （2009）。 寻求人工智能。 剑桥大学出版社。 [16] Russell，S。和Norvig，P。（2016）。 人工智能：一种现代方法。 马来西亚；皮尔逊教育有限公司。 [17] Stone，P.，Brooks，R.，Brynjolfsson，E. 2030年的人工智能和生活。 人工智能一百年研究：2015 - 2016年研究小组的报告。 [18] Suleiman，Y。 （2017）。 人工智能的伦理。 下一步：指数寿命。 BBVA开放的心态。 [19] Tegmark，M。（2017）。 生命3.0：在人工智能时代成为人类。 knopf。 [20] Toby Walsh，S。（2017）。 还活着！ 人工智能从逻辑钢琴到杀手机器人。 La Trobe University出版社。AI杂志，27（4），12-12。[14] ng，A。（2016）。人工智能现在可以做什么也不能做什么。哈佛商业评论，9（11）。[15] Nilsson，N。J.（2009）。寻求人工智能。剑桥大学出版社。[16] Russell，S。和Norvig，P。（2016）。人工智能：一种现代方法。马来西亚；皮尔逊教育有限公司。[17] Stone，P.，Brooks，R.，Brynjolfsson，E.2030年的人工智能和生活。人工智能一百年研究：2015 - 2016年研究小组的报告。[18] Suleiman，Y。（2017）。人工智能的伦理。下一步：指数寿命。BBVA开放的心态。[19] Tegmark，M。（2017）。生命3.0：在人工智能时代成为人类。knopf。[20] Toby Walsh，S。（2017）。还活着！人工智能从逻辑钢琴到杀手机器人。La Trobe University出版社。La Trobe University出版社。
脑启发计算 脑启发计算
背景：类脑计算将传统计算技术与受人脑启发的计算和认知思想、原理和模型相结合，以构建智能信息系统，用于我们的日常生活。图像和语音处理、盲信号分离、创造性规划和设计、决策、自适应控制、知识获取和数据库挖掘只是类脑计算应用的一些领域。我们对大脑功能了解得越多，信息系统就越智能。本书还介绍了心智和意识建模的一个主题，以及人工智能领域的其他新理论模型和应用。人脑是一种非常节能的装置。从计算角度来说，它仅需 20 瓦的功率就能每秒执行相当于十亿亿亿亿次浮点运算（1 后面跟着 18 个零）的数学运算。相比之下，世界上最强大的超级计算机之一“橡树岭前沿” (Oak Ridge Frontier) 最近演示了百亿亿次计算能力。然而，要实现这一壮举需要数百万倍的功率，即 20 兆瓦。我和我的同事希望通过大脑来指导开发强大而节能的计算机电路设计。你看，能源效率已经成为阻碍我们制造更强大的计算机芯片的一个主要因素。虽然更小的电子元件已成倍地提高了我们设备的计算能力，但进展却正在放缓。有趣的是，我们对大脑如何运作的看法一直是计算机世界的灵感源泉。为了理解我们是如何得出这种方法的，我们需要简单回顾一下计算的历史。人脑是宇宙中最复杂的物体之一。它能够在不断变化的环境中执行高级认知任务，例如抽象、概括、预测、决策、识别和导航。大脑这种较高的认知能力得益于它的功耗非常低，只有20W。大脑能效高的原因主要有两点：一是信息交换和处理是事件驱动的；因此，尖峰能量仅在需要的时间和地点被消耗。其次，神经元和突触位于同一个神经网络中，高度互联，每个神经元平均与104个其他神经元相连。神经元/突触共位意味着数据处理（由突触兴奋和神经元放电组成）和记忆（由突触权重和神经元阈值组成）在大脑内共享同一位置。许多研究工作旨在模仿人类大脑的计算类型，以实现非凡的能源效率。这是神经形态工程的目标，其中，脉冲神经网络（SNN）是利用人工神经元和突触开发出来的。 SNN 通常采用与 Rosenblatt 和 Minsky 开创的传统感知器网络相同的全连接 (FC) 架构。然而，在 SNN 中，神经元和突触通常表现出对施加的尖峰的时间依赖性响应，例如神经元内的整合和发射以及跨突触的兴奋性突触后电流 (EPSC)。这与用于计算机视觉和语音识别的人工智能 (AI) 加速器中的传统人工神经网络 (ANN) 形成对比，其中信息是同步的并且基于信号幅度而不是时间。大多数 SNN 通常依赖于互补金属氧化物半导体 (CMOS) 技术，具有两个显著的关键优势：首先，CMOS 技术在半导体行业生态系统中广泛可用，包括设计、制造和鉴定，为基于 CMOS 的神经形态工程成为成熟主题创造了条件。其次，CMOS晶体管可以按照摩尔定律小型化，其中减小
社论：面向金融服务行业的可解释、可信赖且负责任的人工智能
自从约翰·麦卡锡和马文·明斯基在麻省理工学院成立人工智能实验室，首次开展人工智能 (AI) 协调研究以来，已经过去了 60 多年。从那时起，人工智能已经发展成为一种应用广泛的工具，使我们能够从根本上重新思考如何整合、分析和使用数据进行决策。越来越多的研究证明，人工智能可以为金融行业带来诸多优势：提供新的风险管理和合规方法、降低运营成本、提高金融包容性、实现超个性化以及自动化任务，从而提高运营效率。然而，金融服务提供商在日常任务中全面采用基于人工智能的系统的速度很慢，部分原因是大型遗留 IT 环境可能无法适应高级分析。在金融领域更广泛采用人工智能的另一个高度相关的障碍与可解释性概念有关。也就是说，人工智能解决方案通常被称为“黑匣子”，因为通常很难追踪算法得出解决方案所采取的步骤。这种缺乏透明度和可解释性的问题对于政策制定者和监管者来说是一个关键点，他们努力推广和验证部署后稳健且相对稳定的模型。例如，在信用评分方面，监管部门需要确保决策公平公正。此外，GDPR 提供了解释权，使用户能够要求解释影响他们的决策过程。因此，创新技术的采用必须以负责任、值得信赖的方式进行，特别是在影响整体经济的金融领域。除了对可解释性的基本需求之外，金融部门还面临着越来越复杂的对手，他们有能力实施大规模数据泄露、数据篡改和机密信息丢失。这同样需要能够处理噪音并在对抗性数据破坏的情况下持续存在的稳健而稳定的方法。在此背景下，本研究主题旨在纳入原创论文，提出用于全球或本地解释的创新方法，以及评估应用于金融问题集的基于人工智能的系统的公平性和稳健性。Hadji Misheva 等人的研究特别关注可解释性的受众依赖性，探讨了瑞士金融行业内的各个利益相关者如何看待可解释性，并深入讨论了当前 XAI 技术的潜力和局限性。这样的研究通过弥合文献中部署的可解释技术与行业需求之间的差距，为文献做出了重要贡献。Gramespacher 和 Posth 的研究对研究选择做出了另一项贡献，重点关注如何利用可解释的人工智能来优化回报目标函数，并着眼于信用评估的典型用例。作者特别指出，如果预测不准确导致成本严重不对称，则应使用准确度指标来代替经济目标函数。此外，所讨论的应用和结果证实了可解释人工智能的一个关键优势