XiaoMi-AI文件搜索系统
World File Search SystemObermeyer
Sport Obermeyer 的供应链管理分析
摘要：Sport Obermeyer 是一家总部位于阿斯彭的滑雪服制造商，其业务涉及错综复杂的全球供应链，面临着与预测需求和管理库存相关的独特挑战。在以快速趋势变化和季节性波动为特征的运动服市场中，导航又增加了一层复杂性。本研究探讨了 Sport Obermeyer 的运营挑战和库存管理。我们深入研究了公司的供应链动态，确定了需求不确定和交货时间长等复杂因素。分析了经济订货量 (EOQ) 方法的库存管理，但由于定义关键参数的不确定性，认识到该方法的局限性。强调了服务水平在决策中的重要性，并提出了修订的 EOQ 方法。我们建议在香港和中国之间制定生产分配策略，使用变异系数和 z 分数来评估风险和过剩库存。提出了四项关键建议：战略性生产分配、采用准时生产 (JIT)、实施可靠的需求预测以及加强员工培训。该研究承认了固有的局限性以及未来的影响，包括气候变化和 COVID-19 大流行对该行业的影响。该研究强调，需要对意外情况做好战略准备，以确保 Sport Obermeyer 的持续成功。
算法的不合理有效性
8有关MVPF与其他候选社会福利标准的讨论，请参见Hendren和Sprung-Keyser（2020，2022）以及Garcia and Heckman（2022）。9当然还有许多其他关键问题，例如知道算法是否改善了决策者的实用性，因为该目标通常是隐式而不是直接观察到的；所谓的“省略回报”问题（Kleinberg等，2018a，Rambachan，2023年）；以及基本刑事司法数据中的偏见可能导致算法决策aid本身的偏见，尽管与人类在使用相同偏见的数据基于人类时会添加的任何偏见相比，这是一个特定于应用的经验问题（Kleinberg等人，2018b，2018b，Obermeyer等人，2019年）。我们在这里背景这些问题不是因为它们并不重要，而是因为它们是如此重要，因此需要在论文中进行更广泛的讨论，这些论文明确关注这些关键评估问题。
分子人工智能面临的巨大挑战...
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
在放射学中实现公平性的道德要求：交叉性和社会嵌入方式
哈佛医学院通过机器学习（ML）系统的攻击性诊断系统通常被认为是客观且公平的。但是，它可能对某些患者亚组表现出偏见。造成这种情况的典型原因是ML系统筛查的疾病特征的选择，ML系统从人类临床判断中学习，这些判断通常是有偏见的，并且ML中的公平性通常被不当概念化为“平等”。具有此类参数的ML系统无法准确诊断并满足患者的实际健康需求以及他们如何依赖患者的社会身份（即交叉性）和更广泛的社会条件（即嵌入）。本文探讨了鉴于患者的交叉性和健康的社会嵌入性，以确保ML系统的公平性的道德义务。本文提出了一组干预措施来解决这些问题。它建议对ML系统的发展进行范式转移，使他们能够筛查内源性疾病原因和患者相关潜在的健康影响（例如社会经济的情况。本文提出了一个道德要求的框架，以建立这一转变并进一步确保公平。关键字：机器学习；公平正义;道德要求；放射学I型机器学习（ML）系统在临床护理环境中发现了在医疗保健监测，诊断和风险管理中的应用（Bates＆Zimlichman，2015; Chen等，2024; Obermeyer等，2019）。但是，此光环可能没有完全合理。需求集中患者的交叉性和健康的社会嵌入性，最值得注意的是（i）通过（i）整合到ML系统中，适用于患者情况对健康影响的可测量医学指标，（ii）在道德上，多样性，代表性和正确的患者数据，与相关的疾病特征和（III）相关的社会敏感性和（III）涉及的疾病以及（III）的敏感性和（iii）涉及的数据，以及涉及的研究，并涉及社会敏感的系统，并将其涉及互联网互动，并将其涉及互联网效果。利益相关者。在放射学中，ML系统用于协助或增强临床医生在各种图像获取，分析，解释，诊断和决策支持任务中的工作（Hanneman等，2024； Yu等，2024）。这种更广泛采用的主要驱动力似乎是ML系统在图像解释和精确方面的表现（Pot等，2021; Satariano等，2023; Yu等，2024）。所谓的“自动化偏见” - 人类对自动化系统产生的信息的有效性和预测能力的倾向”（Pot等，2021，p。7） - 赋予了ML ML系统，具有对象和公平性的AURA（Pot等，20211）。对实现这些高希望的主要挑战已被证明是ML偏见系统和相关不公平结果的流行（Gichoya等，2022，2023; Hanneman等，2024; Pot et al。，2021）。ML偏见的医疗保健访问和治疗不足，引起了ML系统引起或永久存在的整体不公平性的道德问题。实证研究已系统地记录了ML偏见系统的持久性和对历史上服务不足的患者人群的不公平治疗，包括放射学（Obermeyer等，2019; Gichoya et al。，2023; Seyyed-Kalantari-Kalantari-Kalantari-Kalantari et al。等，2022； Mukherjee等人，2022年）。
向我解释——可解释的人工智能和信息系统研究
使用历史数据训练数学结构，以对世界的不确定状态做出预测。例如，基于大量标记图像，深度卷积神经网络可以学习对疾病的存在做出高度准确的个体层面预测。这包括预测 COVID-19 阳性患者（Shi 等人，2020 年）。虽然高度准确的预测本身对于基于事实的决策至关重要（即使是从字面意义上讲也是关于疾病检测），但最先进的机器学习模型的高预测性能通常是以牺牲其输出的透明度和可解释性为代价的（Voosen，2017 年；Du 等人，2019 年）。换句话说：大多数高性能机器学习模型的特点是无法传达人类可解释的信息，说明它们如何以及为何产生特定预测。因此，此类机器学习应用对于人类用户甚至专业设计师来说通常都是完全的黑匣子，他们往往不了解决策关键输出背后的原因。从方法论的角度来看，无法提供与具体预测相符的解释会导致三类高级问题。首先，被忽视的不透明性会立即导致缺乏问责制，因为它妨碍了对此类系统预测的审计。这一缺陷引发了人们对黑箱社会兴起的担忧，组织和机构中不透明的算法决策过程会带来意想不到的和未预料到的下游后果，从而使情况变得更糟（Pasquale 2015；Angwin 等人 2016；Obermeyer 等人 2019）。其次，利用人工智能提高经济效率和人类福祉的潜力不仅限于通过预测为特定决策提供信息。揭示隐藏在复杂大数据结构中的新领域知识
建议引用：Bauer，Kevin；辛兹，奥利弗；范德阿尔斯特，威尔； Weinhardt, Christof (2021)：Expl(AI)n It to Me – 可解释的人工智能和信息系统研究，商业与信息系统工程，ISSN 1867-0202，Springer Fachmedien Wiesbaden，威斯巴登，第 63 卷，Iss。 2，第 79-82 页，https://doi.org/10.1007/s12599-021-00683-2
使用历史数据训练数学结构，以对世界的不确定状态做出预测。例如，基于大量标记图像，深度卷积神经网络可以学习对疾病的存在做出高度准确的个体层面预测。这包括预测 COVID-19 阳性患者（Shi 等人，2020 年）。虽然高度准确的预测本身对于基于事实的决策至关重要（即使是从字面意义上讲也是关于疾病检测），但最先进的机器学习模型的高预测性能通常是以牺牲其输出的透明度和可解释性为代价的（Voosen，2017 年；Du 等人，2019 年）。换句话说：大多数高性能机器学习模型的特点是无法传达人类可解释的信息，说明它们如何以及为何产生特定预测。因此，此类机器学习应用对于人类用户甚至专业设计师来说通常都是完全的黑匣子，他们往往不了解决策关键输出背后的原因。从方法论的角度来看，无法提供与具体预测相符的解释会导致三类高级问题。首先，被忽视的不透明性会立即导致缺乏问责制，因为它妨碍了对此类系统预测的审计。这一缺陷引发了人们对黑箱社会兴起的担忧，组织和机构中不透明的算法决策过程会带来意想不到的和未预料到的下游后果，从而使情况变得更糟（Pasquale 2015；Angwin 等人 2016；Obermeyer 等人 2019）。其次，利用人工智能提高经济效率和人类福祉的潜力不仅限于通过预测为特定决策提供信息。揭示隐藏在复杂大数据结构中的新领域知识
社论：致病微生物组研究中的机器学习和深度学习应用
人工智能已经建立了深度学习（DL）的扎实基础，尤其是在引入变压器体系结构的过程中，该体系结构引起了多个学科的研究人员的广泛关注。机器学习（ML）和DL，是人工智能的分支，已经越来越多地改变了各种领域的研究。一个区域受到的影响特别是微生物学（Obermeyer和Emanuel，2016年）。特别是微生物和传染病的复杂性和多样性使它们成为新型ML和DL技术的理想候选者。在此研究主题中，标题为“致病微生物组研究中的机器学习和深度学习应用”，我们收集了11种手稿的集合，这些手稿体现了ML和DL在致病微生物组研究领域的应用。这些收集的手稿主要是原始文章，可提供了解如何使用ML和DL来进一步了解致病微生物组的研究。目前，ML广泛用于预测模型的开发（Collins and Moon，2019年）。通过将ML或DL方法与预测模型相结合，本研究主题中的手稿强调了跨学科整合在理解与致病微生物组相关的疾病中的重要性，并促进了更好的健康以及人类和生态系统的健康。在这个研究主题中，Shao等。在迷你审查中探讨了致病性微生物与各种骨科条件之间的复杂相互作用，“探索致病微生物组在骨科疾病中的影响：机器学习和深度学习方法”。通过分析微生物群的数据集以及与宿主的相互作用，它们突出了ML和DL如何增强对骨质疏松和关节炎等疾病的理解，诊断和治疗。
人工智能（AI）和数据驱动的康复
参考文献 114 1. Canoy D, Tran J, Zottoli M, Ramakrishnan R, Hassaine A, Rao S 等人。英国全科医生注册的 200 万名男性和女性中心脏代谢疾病多重患病率与全因死亡之间的关联。BMC Med。2021；19(1)：258。117 2. Janssen I、Clarke AE、Carson V、Chaput JP、Giangregorio LM、Kho ME 等人。系统回顾了成分数据分析研究，研究了睡眠、久坐行为和身体活动与成人健康结果之间的关联。Appl Physiol Nutr Metab。120 2020；45(10 (Suppl. 2))：S248-S57。 121 4. Medina-Inojosa JR、Grace SL、Supervia M、Stokin G、Bonikowske AR、Thomas R 等人。心脏康复剂量降低死亡率和发病率：一项基于人群的研究。美国心脏学会杂志。2021；10(20)：e021356。124 3. Wahid A、Manek N、Nichols M、Kelly P、Foster C、Webster P 等人。量化体力活动与心血管疾病和糖尿病之间的关联：系统评价和荟萃分析。美国心脏学会杂志。2016；5(9)。127 5. Forhan M、Zagorski BM、Marzonlini S、Oh P、Alter DA。预测接受心脏康复和二级预防计划的肥胖和糖尿病患者的运动依从性。Can J Diabetes。2013；37（3）：189-94。130 6. Matata BM、Williamson SA。关于提高 65 岁或以上患者心脏康复入学率和依从性的干预措施的综述。Curr Cardiol Rev。2017；13（4）：252-62。131 7. Chindhy S、Taub PR、Lavie CJ、Shen J。心脏康复面临的当前挑战：克服社会因素和出勤障碍的策略。Expert Rev Cardiovasc Ther。2020；18（11）：777-89。 136 8. Pio CSA, Chaves G, Davies P, Taylor R, Grace S. 促进患者利用心脏康复的干预措施：Cochrane 系统评价和荟萃分析。J Clin Med. 2019;8(2)。139 9. Obermeyer Z, Emanuel EJ. 预测未来——大数据、机器学习和临床医学。N Engl J Med. 2016;375(13):1216-9。140 10. Han Y, Han Z, Wu J, Yu Y, Gao S, Hua D 等。基于物联网技术的癌症康复方案人工智能推荐系统。IEEE Access。 2020；8：44924-35。144 11. Ishraque MT、Zjalic N、Zadeh PM、Kobti Z、Olla P 编辑。基于人工智能的心脏康复治疗运动推荐系统。2018 IEEE MIT 本科生研究技术会议 (URTC)；2018 年 10 月 5-7 日。147 12. Philipp P、Merkle N、Gand K、Gißke C。使用机器学习持续支持康复。it - 信息技术。2019；61(5-6)：273-84。149 13. Wartman SA、Combs CD。医学教育必须从信息时代走向人工智能时代。Acad Med。2018；93(8)：1107-9。151