XiaoMi-AI文件搜索系统
World File Search SystemPauline
Pauline Ezanno、Sébastien Picault、Gaël Beaunée、Xavier Bailly、Facundo Muñoz 等人。人工智能时代动物健康的研究视角。兽医研究，2021 年，52 (40)，10.1186/s13567-021-00902-4。 hal-03161705
摘要 利用人工智能 (AI) 方法处理动物健康 (AH) 领域中遇到的高度复杂问题，例如定量和预测流行病学、动物/人类精准医学或研究宿主×病原体相互作用中遇到的问题。AI 可能有助于 (i) 诊断和疾病病例检测，(ii) 提供更可靠的预测和减少错误，(iii) 表示更现实的复杂生物系统并使计算代码对非计算机科学家更具可读性，(iv) 加快决策速度并提高风险分析的准确性，以及 (v) 更有针对性的干预措施和预期的负面影响。反过来，由于 AH 系统、数据、约束和分析目标的特殊性，AH 中的挑战可能会刺激 AI 研究。本研究基于对 2009-2019 年期间 AI 和 AH 交界处的科学论文的文献综述，以及对处于这一交界处的法国研究人员的采访，解释了目前各种 AI 方法所采用的主要 AH 领域，以及它如何有助于更新 AH 研究问题并消除方法或概念障碍。在介绍可能的障碍和杠杆之后，我们提出了几项建议，以更好地应对 AH/AI 界面所代表的挑战。随着最近几个促进卫生领域全球和多部门视角的概念的发展，AI 应该有助于将 AH 的不同学科转向更横向和综合的研究。关键词：动物疾病、数据、畜牧业、建模、人工智能、决策支持工具
Bruno Gavazzi、Pauline Le Maire、Marc Munschy、Aline Dechamp。磁通门矢量磁力仪：用于地面、无人机和机载磁测的多传感器设备。Leading Edge，2016，35 (9)，第 795-797 页。 10.1190/tle35090795.1。hal-01624847
简介 磁法有多种应用，例如采矿勘探、未爆炸弹药 (UXO) 探测和考古学 (Nabighian 等人，2005)。概念始终相同：测量由于地面磁化不均匀性而导致的磁场横向变化。根据勘测目的，测量范围很广，从地面几平方米到高海拔的平方公里。通常，磁数据是使用光泵或质子进动原理的标量磁强计获得的。它们给出场的总磁强度 (TMI) 的伪绝对值。但是，这种技术有一些局限性。基于进动（质子和 Overhauser）的磁强计坚固耐用且非常简单。它们的灵敏度约为 0.1 纳特斯拉 (nT)，但采样率不能超过几赫兹，这对于高速测量或测量更高频率的时间变化可能会有问题。基于光泵浦的磁强计具有高灵敏度，通常低于 0.01 nT。采集率高达几十分之一赫兹，但它们比进动类型更复杂且更脆弱。无论如何，测量的 TMI 包括设备本身的磁效应，这对精确测量来说是一个问题。磁化设备越大，它应该安装在离磁强计越远的地方。因此，紧凑型设备的设计十分困难。我们通过使用磁通门矢量磁力仪克服了这些限制。
推荐引用 推荐引用 Kim, Pauline 和 Bodie, Matthew T.，《人工智能与工作场所歧视和隐私的挑战》。35 ABA 劳动和就业法杂志 289 (2021)，圣路易斯大学法律研究论文编号 2021-26。
* Daniel Noyes Kirby 法学教授，华盛顿大学法学院，密苏里州圣路易斯。** Callis Family 教授兼 Wefel 就业法中心联席主任，圣路易斯大学法学院。本文源自纽约大学劳动和就业法中心第 72 届劳工年会“人工智能和自动化——对工作和工人的影响”上的演讲。感谢 Laurie Berke-Weiss、Heather Egan Sussman 和 Michael Gray 担任我们小组的评论员。1.Ryan Calo，《人工智能政策：入门和路线图》，51 U.C.Davis L. R ev .399, 401 (2017)。2.参见 Deborah Hellman，《衡量算法公平性》，106 V a 。L. R ev 。811, 813–14 (2020)（“算法的使用，尤其是它们与机器学习和人工智能的联系，在法律文献中也引起了极大关注。”）。有关文献的一小部分样本，请参阅 Frank P asquale，《B lack Box Society》（2015 年）；Hannah Bloch-Wehba，《访问算法》，88 Fordham L. R ev 。1265 (2020); Danielle Keats Citron 和 Frank Pasquale，《评分社会：自动预测的正当程序》，89 W ash。L. R ev。1 (2014); Aziz Z. Huq，《人类决策权》，106 V a。L. R ev。611, 613 (2020); Sonia K. Katyal，《人工智能时代的私人问责》，66 UCLA L. R ev。54 (2019); David Lehr 和 Paul Ohm，《玩转数据：法律学者应该了解的机器学习知识》，51 U.C.Davis L. R ev。653, 655 (2017)。