XiaoMi-AI文件搜索系统
World File Search SystemNavsahyadri
人工智能工具正在革新威胁检测
12研究学者，3研究指南NAVSAHYADRI机构小组，工程学院NavSahyadri机构小组，印度浦那工程学院，工程学院摘要：本探索论文的目的是检查AI对AI对Cybersecurity策略的影响，通过分析当前的设计，以及即将到来的障碍，并进行了进步，并进行了挑战，并进行了挑战。印度企业在使用AI-AI-Adrounders Cybersecurity结果时会违背众多障碍。类似于勒索软件，网络钓鱼和恶意软件攻击的网络陷阱的快速扩散使网络安全在印度成为至关重要的问题，在印度，就原始网络攻击而言，该问题在第11个百科全书中排名第11。仍然，其他国家当局缺乏专业能力，莫西和协作，是有效抑制这些陷阱的重要对冲。同样，由于标准AI模型在决策过程中不断保证半透明性，因此可分解的AI（XAI）在网络安全方面至关重要，这使得在特定行为背后的逻辑变得很精致。同样，携带足够的批准图像库来培训AI模型，以在线污染AI模型，从而突出了使用AI接口来进行网络安全目的的困难。通过增强的专业能力，技能发展和XAI实施解决这些挑战对于印度协会有效地增强其网络安全防御能力至关重要。关键词 - 人工智能，威胁检测，网络安全，机器学习，自动化系统
发展中国家的卫生政策实施
K。Garud 5，Pragati Vijayakumar Pandit 6 1 1肯尼亚州Krishna Vishwa Vidyapeeth社区医学系副教授，Maharashtra，Maharashtra，satishvkakade@yahoo.co.in 2助理教授，NAVSAHYADRI PERTARAS，MINDIAS，MISTIAN，MAHARASHTRA，MAHARASHTRA，MAHARASHTRA，MAHARASHTRA。电子邮件：exriator@navsahyadri.edu.in.3助理教授，普通医学系奎师那医学科学研究所，克里希纳·维斯瓦·维迪亚佩斯（Krishna Vishwa Vidyapeeth）被认为是印度马哈拉施特拉邦卡拉德大学的大学。电子邮件：dhairyasheel94@gmail.com 4校长（OFFG），V。M. Salgaocar法学院副教授，印度果阿。电子邮件：shaberalig@vmslaw.edu.in 5 5，克里希纳医学科学学院助理教授，印度马哈拉施特拉邦Karad，Krishna Vishwa Vidyapeeth。电子邮件：drsharmishthakgarud@gamil.com 6信息技术部，K。K。Wagh工程教育研究所，印度马哈拉施特拉邦Nashik。电子邮件：pvpandit@kkwagh.edu.in
图像stegnography
计算机科学与工程系教授1位计算机科学与工程系学生2,3,4 NAVSAHYADRI教育协会的机构小组，理工学院，浦那，马哈拉施特拉邦，印度马哈拉施特拉邦摘要：固定学是一种事实，即隐藏通信是通过在其他信息中隐藏沟通的事实。可以使用许多不同的运输文件格式，但是数字图像是最受欢迎的，因为它们在互联网上的频率。为了隐藏图像中的秘密信息，存在多种模拟技术，有些比其他人更为复杂，并且它们都具有相应的强度和弱点。不同的应用程序可能需要绝对的秘密信息，而其他信息则需要隐藏一个大的秘密信息。本项目报告打算概述图像隐肌，其用途和技术。它还试图尝试确定良好的踩踏算法的要求，并简要地反映出哪种stegan摄影技术适合于该应用程序。关键字：图像隐肌，切解分析，隐藏容量，不可智能，安全性
可解释的人工智能（XAI）
工程学院NAVSAHYADRI小组，A/P Naigoan Tal：Bohr Dist。：浦那平码：412213摘要：经常讨论可解释的人工智能，与深度学习有关，并在脂肪中起重要作用 - 公平，问责制和透明度 - ML模型。XAI对于想要在实施AI时建立信任的组织很有用。XAI可以帮助他们了解AI模型的行为，从而帮助找到诸如AI偏见之类的潜在问题。xai反驳了机器学习的“黑匣子”趋势，即使是AI的设计师也无法解释为什么它做出了特定的决定。XAI帮助人类用户了解AI和机器学习（ML）算法背后的推理以提高其信任。AI中使用的机器学习（ML）算法可以归类为“ White-Box”或“ Black-Box”。 白色框模型提供了域专家可以理解的结果。 另一方面， Black-Box模型也很难解释，即使域专家也几乎无法理解。 XAI算法遵循透明度，解释性和解释性的三个原则。AI中使用的机器学习（ML）算法可以归类为“ White-Box”或“ Black-Box”。白色框模型提供了域专家可以理解的结果。Black-Box模型也很难解释，即使域专家也几乎无法理解。XAI算法遵循透明度，解释性和解释性的三个原则。
使用人工智能的 RASA 聊天机器人
Navsahyadri 理工学院，印度马哈拉施特拉邦浦那 通讯作者：dnyaneshwarikodlinge1226@gmail.com 2 摘要：人工智能 (AI)、大数据和物联网 (IoT) 等技术的发展。自过去十年以来，标志着技术领域取得了许多进步。这些技术具有广泛的应用。其中一个应用是“聊天机器人”或“聊天机器人”。聊天机器人是会话式人工智能，它在交谈时模仿人类，并通过自动执行日常任务消除对人类的需求。在进行的研究中，我们在教育领域创建了一个聊天机器人，它被命名为“大学咨询聊天机器人”，这个聊天机器人是一个基于 Web 的应用程序，可以分析和理解用户的查询并提供即时和准确的响应。Rasa 技术用于构建此聊天机器人。它是一种开源技术，使用其两个主要软件包，即 Rasa Core 和 Rasa 自然语言理解 (NLU) 来构建上下文 AI 聊天机器人。NLU 用于推断意图并从用户输入中提取必要的实体，而 Rasa Core 则通过借助循环神经网络 (RNN) 构建概率模型来提供输出。通过获取混淆矩阵和性能指标（如精度、准确度和 F1 分数）来评估模型，这些指标的平均值为 0.628、0.725 和 0.669。此聊天机器人的准确性、对人力资源的依赖性、24 x 7 可访问性和低维护性为其实施创造了各种机会。这个对话代理不仅可以用于教育机构，还可以用于查询变得繁琐的地方。关键词：Rasa 框架、AI、聊天机器人、查询、开源、NLP、大学查询聊天机器人。