摘要 本文从技术-组织-环境 (TOE) 框架的角度,探讨并解释了影响四大会计师事务所审计实践中采用人工智能 (AI) 的关键因素。我们使用案例研究方法,对事务所的决策者进行了半结构化访谈,并辅以二手数据。研究结果表明,事务所的采用过程受到技术可供性、技术障碍、沟通过程、联系代理、事务所范围和准备情况、监管环境以及预测的行业变化的影响。本研究将通过更好地了解事务所层面的人工智能采用情况来为文献做出贡献。它可能会加强我们对技术采用理解的基础理论,用更多的实证证据阐述 TOE 框架。对审计行业的实际贡献是,公司可以利用这些知识来评估人工智能的功能是否适合其公司的背景和外部环境。
• 机库综合体受多项陆军标准管辖,具体标准基于单位类型(组织和装备表或 TOE 与分配和津贴表或 TDA)和指定飞机类型。• TOE 旋翼机航空维护机库陆军标准适用于所有现役陆军组织和装备表 (TOE) 载人旋翼机航空单位的航空维护设施的规划、设计和建造。• 本陆军标准的建筑标准(模块尺寸、飞机循环走廊尺寸、叶片尖端分离、电信要求等)适用于预备役航空维护设施。确定这些设施规模的规划标准不适用于预备役航空维护设施。相反,规划标准受 NG PAM 415-12 和 AR 140-483 或后续出版物的当前版本管辖。• 虽然本陆军标准(建筑和规划)中的标准可能为陆军特种作战部队内的设施决策提供参考,但支持特种作战航空团和其他特种作战航空部队的设施计划由总部、陆军特种作战司令部和司令部副参谋长 - 工程部门控制和批准。由于其独特的任务和装备,飞行部队的级别与仓库维护和研发 (R&D) 的级别存在显著差异,其中大部分是在特种作战社区内完成的。• 虽然本陆军标准(建筑和规划)中的标准可能为陆军测试和评估司令部 (ATEC) 内的设施决策提供参考,但支持 ATEC 的设施计划由 ATEC 总部及其相关 G-4 批准。• 确定单位津贴的主要来源是不动产规划和分析系统 (RPLANS)。
发现一切理论(脚趾)可能会对科学真理的定义和科学方法产生重要的影响。科学真理通常与经验证据和可重复性有关,强调观察,实验以及可以测试并可能伪造的理论的提出[1]。这种经验方法已经进一步发展,科学方法非常重视假设检验和严格的验证过程。因此,鉴于可用的证据,科学的真理越来越少了绝对的确定性,而更多地涉及最好的解释。这一观点是卡尔·波普(Karl Popper)的科学哲学表现的,该哲学认为科学真理是临时的,应始终对伪造持开放态度[2]。但是,如果将理论测试是正确的,则其后果也被视为科学真理(即使无法直接测试它们)。例如,由于已经测试了一般相对论是一种正确的自然理论,因此其所有后果(例如黑洞,黑洞中的物理等)也成为科学。现在,理论可以被伪造或与更正确的理论近似,在这种情况下,该理论的某些后果可能是不正确的。但是,如果我们确实有一个代表宇宙/多元宇宙的所有基本物理方面的脚趾(甚至引起了宇宙/多元宇宙),那么科学真理将是从这种理论中得出的后果。因此,在该框架内,脚趾内的真相应该在内部保持一致和独立。在这种情况下,科学真理将直接源自构成S脚趾的公理。这将暗示一种完整的形式,其中所有物理现象都可以在单个连贯的理论中解释。但是,这也意味着科学真理将在内部定义,而真理主张的有效性取决于其与S脚趾的一致性,而不是仅经验验证[3]。
Table 8: Security Objectives for the TOE (PP_OS_V4.3) ............................................................. 13 Table 9: Security Objectives for the Operational Environment (PP_OS_V4.3) ............................ 14 Table 10: Security Objectives Rationale ....................................................................................... 14 Table 11: Summary of SFRs ......................................................................................................... 16 Table 12: SSH Auditable Events ................................................................................................... 19 Table 13: Management Functions ................................................................................................. 27 Table 14: Assurance Requirements ........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................... ...................................................................................................................................................................................... 46
评估的目标(TOE)是Infineon安全控制器IFX_CCI_00003BH,IFX_CCI_000043H,IFX_CCI_0000005DH,IFX_CCI_0000005EH,IFX_CCI_CCI_00000000005FH IFX_CCI_000063h, IFX_CCI_000064h design step S11 with firmware 80.309.05.0, optional NRG™ SW 05.03.4097, optional HSL v3.52.9708, UMSLC lib v01.30.0564, optional SCL v2.15.000, optional ACL v3.35.001, v3.34.000 and v3.33.003,可选的RCL v1.10.007,可选的HCL V1.13.002和用户指南。脚趾提供了32位ARMV7-M CPU架构。核心系统的主要组件是CPU(中央处理单元),MPU(内存保护单元),嵌套的矢量中断控制器(NVIC)和指令流签名(ISS)。双接口控制器能够使用基于联系人或非接触式接口进行通信。
结果 量化跨行业采用和整合人工智能及其前因,深入影响评估(目标 1 和 2) 在 Chatterjee 等人 (2021) 进行的研究中,采用结合技术接受模型 (TAM) 和技术-组织-环境 (TOE) 模型的概念模型来分析 340 名中小企业员工的调查结果。研究人员发现,除了组织准备情况、组织兼容性和合作伙伴支持对感知易用性的影响外,不同因素之间的大多数关系在统计上都是显着的。这在数字制造和生产组织的背景下尤为明显。领导支持是 PEOU/PU 与采用人工智能意图之间关系的调节因素。在本研究中,TOE 用作前因,TAM 用作过程。结果是采用人工智能的意图。采用引导程序,使用 Smart PLS 进行 PLS-SEM 分析以进行假设检验。 340 的样本量和仅用于分析的印度背景可能不足以概括。调查回复来自未采用人工智能的人。未考虑隐私和安全等脆弱问题。可能已评估了 TAM 以外的其他模型。
HMAC Hashed Message Authentication Code HTTPS Hypertext Transfer Protocol Secure ICMP Internet Control Message Protocol IKE Internet Key Exchange IP Internet Protocol IPv4 Internet Protocol version 4 IPv6 Internet Protocol version 6 IPsec Internet Protocol Security MP Management Plane NAT Network Address Translation NIST National Institute of Standards and Technology PP Protection Profile REST Representational State Transfer RSA Rivest, Shamir and Adleman (algorithm for public-key cryptography) SA Security Association SAR Security Assurance Requirement SFR Security Functional Requirement SHA Secure Hash Algorithm SSH Secure Shell SSL Secure Socket Layer ST Security Target TLS Transport Layer Security TOE Target of Evaluation TSF TOE Security Functions UDP User Datagram Protocol URL Uniform Resource Locator VLAN Virtual Local Area Network VM Virtual Machine VPN Virtual Private Network VPNGW Virtual Private Network Gateway
人工智能 (AI) 在全球企业中的应用越来越广泛。尽管该领域已有研究,但人们对采用因素和必要的 AI 规范知之甚少,而这些因素和规范可确保组织成功采用这项技术创新。本研究通过分析 AI 的采用过程填补了文献中的这一空白。本研究的概念框架基于技术-组织-环境 (TOE) 框架和创新传播理论 (DOI),用于从组织角度评估 AI 的采用过程。通过在澳大利亚对 18 位专家受访者进行半结构化访谈,对该概念框架进行了测试和验证,以了解其对 AI 采用过程的适用性。研究结果表明,相对优势、兼容性、高层管理支持、管理障碍、组织准备情况和政府监管支持是 AI 采用的重要决定因素。在学术贡献方面,本研究从组织的角度更好地理解了与采用 AI 有关的关键因素。实证结果进一步支持在组织层面使用 DOI 和 TOE 框架的适用性,以进一步了解 AI 的采用情况。就实际意义而言,本研究为澳大利亚组织提供了有关如何改进 AI 采用的相关建议。
海堤是沿海地区重要的防御基础设施,保护内陆地区免受风暴潮、海浪越堤和土壤侵蚀的侵袭。海堤趾部冲刷是由海浪引起的床层物质的堆积和侵蚀造成的,对沿海基础设施的结构完整性构成了重大威胁。准确预测冲刷深度对于合理有效地设计和维护沿海结构至关重要,这有助于降低趾部冲刷导致结构失效的风险。然而,目前用于评估倾斜结构趾部冲刷的指导和预测工具有限。近年来,人工智能和机器学习 (ML) 算法引起了人们的兴趣,尽管它们为许多沿海工程应用提供了稳健的预测模型,但此类模型尚未应用于冲刷预测。本文,我们开发并提出了基于 ML 的模型,用于预测倾斜海堤趾部冲刷深度。使用四种 ML 算法,即随机森林 (RF)、梯度提升决策树 (GBDT)、人工神经网络 (ANN) 和支持向量机回归 (SVMR)。使用综合的物理建模测量数据来开发和验证预测模型。采用一种新颖的特征选择、特征重要性和超参数调整算法框架,用于基于 ML 的模型的预处理和后处理步骤。提出了深入的统计分析来评估所提模型的预测性能。结果表明,在本研究中测试的所有算法中,预测准确率至少为 80%,总体而言,SVMR 的预测最准确,判定系数 (r2) 为 0.74,平均绝对误差 (MAE) 值为 0.17。在所测试的算法中,SVMR 算法的计算效率也最高。本研究提出的方法框架可应用于冲刷数据集,以快速评估海岸防御结构的冲刷情况,从而促进基于模型的决策。