摘要:本文梳理了银行和其他金融机构在信用分析过程中使用人工智能(AI)的影响。人工智能模型的独特功能加上计算能力的扩展,为信用评估提供了新的信息来源(大数据)。结合使用人工智能和大数据可以捕捉微弱信号,无论是以解释变量之间的相互作用还是非线性的形式,这些信号似乎可以比传统的信用衡量标准产生更好的预测效果。在宏观经济层面,这转化为对经济增长的积极估计。相反,在微观层面上,人工智能在信用分析中的使用改善了金融包容性和传统上服务不足的借款人的信贷获取。然而,基于人工智能的信用分析流程因潜在的偏见和道德、法律和监管问题而引发了持久的担忧。这些限制要求建立新一代金融监管,引入对人工智能算法和银行使用的数据的认证。
摘要:人工智能和自动化已在新闻媒体中无处不在,影响着从新闻采集到新闻分发的新闻业。随着算法越来越多地决定编辑决策,人们对新闻媒体负责任和负责任地使用人工智能驱动的工具提出了具体担忧,包括新的监管和道德问题。本文旨在分析欧盟和欧洲理事会目前是否以及在多大程度上规范和辩论了新闻媒体和新闻业中使用人工智能技术。通过对官方政策文件的文档分析,结合数据挖掘方法和归纳主题分析,该研究着眼于如何处理新闻媒体,特别是其对用户和社会的责任。研究结果表明,关于人工智能的监管框架很少包括媒体,但如果有,它们会将其与虚假信息、数据和人工智能素养以及多样性、多元化和社会责任等问题联系起来。
本文研究了零工经济中东南亚食品交付快递员的健康与安全挑战,重点关注第三方平台的角色,例如Grabfood,Foodpanda和Gofood。它严格评估了这些平台如何在算法管理和不稳定的就业中浏览信使安全性,并采用框架来评估公司承诺,运营实践和工人SUP港口。该研究仔细检查了公共公司报告,以揭示公司安全索赔与实际做法之间的差距,并提倡以更真实的以工人为中心的安全措施。通过强调健康与安全标准的运营差异,该研究为零工经济劳动条件的讨论做出了贡献,强调了平台需要优先考虑与运营效率同行的工人福利。这项工作要求转向不损害快递健康和安全的可持续模型,填补了关于算法的算法影响和不稳定工作的现实影响文献的空白。
管理学者和从业者强调了道德层面在战略选择中的重要性。然而,迄今为止,很少有人试图从理论上理解个人/组织在人力资源管理 (HRM) 决策过程、特定道德立场和战略的选择或这些决策的决策后核算方面的道德立场。为此,我们提出了一个吞吐量模型框架,该框架描述了算法人力资源管理环境中个人的决策过程。该模型描述了感知、判断和信息的使用如何影响策略选择,确定了如何通过使用某些道德决策算法路径来支持不同的策略。在关注与人工智能 (AI) 集成在人力资源管理中的影响和接受度相关的问题时,本研究从多学科理论视角出发,例如人工智能增强 (HRM (AI) ) 和人力资源管理 (AI)
它进行了一次显示正常模式的起飞,机长在 03:42:27 报告说他的速度指示器开始工作,此时飞机的高度为 576 英尺,地速 (GS) 为121 节,03:44:07,海拔 3500 英尺,地速 273 节 el Capitan命令连接中央飞控,此时会出现自动油门确认、Vnav 和连接的 Lnav。在 03:44:25,EICAS 会向您显示一条警告消息,内容为“Rudderatio / Mach Airspeed Trim”。然后在 03:44:28,机长报告发生了异常情况,并在 15 秒后重复了同样的情况。
让我们更好地看一下这个定义吗?第一个重要点将AI定义为研究领域。这意味着它是一个大区域,涵盖了其他几个科学,例如统计,数学和计算。常识倾向于将AI定义为一种技术或工具本身,通常使用该术语的不准确定义为公众找到新闻,例如:“ XYZ Company刚刚宣布了ABC汽车的新版本,它仅使用人工智能宣布了ABC汽车”。我们不能指责新闻界不准确地使用技术术语,因为他们需要使信息更可口。
摘要:人工智能和自动化已在新闻媒体中无处不在,影响着从新闻采集到新闻分发的新闻业。随着算法越来越多地决定编辑决策,人们对新闻媒体负责任和负责任地使用人工智能驱动的工具提出了具体担忧,包括新的监管和道德问题。本文旨在分析欧盟和欧洲理事会目前是否以及在多大程度上规范和辩论了新闻媒体和新闻业中使用人工智能技术。通过对官方政策文件的文档分析,结合数据挖掘方法和归纳主题分析,该研究着眼于如何处理新闻媒体,特别是其对用户和社会的责任。研究结果表明,关于人工智能的监管框架很少包括媒体,但如果有,它们会将其与虚假信息、数据和人工智能素养以及多样性、多元化和社会责任等问题联系起来。
数据驱动创新 (DDI) 因其在 AI 时代改变创新的潜力而备受关注。数字巨头亚马逊、阿里巴巴、谷歌、苹果和 Facebook 因 DDI 而享有可持续的竞争优势。然而,人们对 DDI 过程中可能存在的算法偏见知之甚少,这些偏见会导致不公正、不公平或有偏见的数据产品开发。因此,这篇客座编辑旨在通过系统的文献综述、主题分析和澳大利亚机器人债务计划的案例研究,探索整个 DDI 过程中算法偏见的来源。研究结果表明,算法偏见有三个主要来源:数据偏见、方法偏见和社会偏见。从理论上讲,我们的研究结果阐明了动态管理能力在解决各种偏见方面的作用。从实践上讲,我们提供了解决算法偏见的指南,重点关注数据、方法和管理能力。