XiaoMi-AI文件搜索系统
World File Search Systemautoma
边缘计算可以使用5G网络满足自动车辆服务的要求？
摘要 - 支撑连接和自动化车辆（CAV）的通信和计算服务的特征是响应时间和可靠性方面的严格要求。满足这些要求对于确保道路安全和交通优化至关重要。在车辆中托管这些服务的概念上简单解决方案增加了成本（主要是由于计算基础架构的安装和维护），并且可能会过多地排出电池电池。可以通过多访问边缘计算（MEC）来解决此类缺点，该计算包括在靠近设备的网络节点中部署计算能力（在这种情况下为车辆），以满足严格的CAV要求。但是，在哪些条件下，MEC可以支持CAV要求和哪些服务。为了阐明这个问题，我们使用众所周知的开源仿真工具，即Omnet ++，SimU5G，静脉，INET和Sumo进行了模拟活动。因此，我们能够为MEC提供CAV的现实检查，并指出MEC中必须安装的计算能力，以支持不同的服务以及单个MEC节点可以支持的车辆数量。我们发现，根据所考虑的服务，此类参数必须有很大差异。这项研究可以作为网络运营商计划未来部署MEC来支持CAV的初步基础。索引项-5G模拟； MEC;连接和自动车辆
生成AI（CHATGPT）对招聘效率和候选质量的影响：过程自动化水平的中介作用以及组织规模的调节作用
诸如chatgpt之类的生成AI应用程序可以通过自动执行招聘中涉及的许多重复任务来提供显着的效率优势。例如，AI系统可以快速扫描，排序和排名简历，确定最匹配给定职位描述要求的候选人。这种自动化减少了处理大量应用所需的时间，这对于招聘高量招聘特别有用，使招聘人员可以专注于战略决策和候选人参与（García-Morales等，2023）。此外，AI驱动的自动化有助于简化与候选人的沟通，因为聊天机器人和自动化电子邮件提供了对常见问题的及时回答，从而增强了候选人的体验。这种有效的，迅速的互动有助于对组织的积极看法，这在竞争性招聘环境中至关重要（Kaplan和Haenlein，2022年）。
通过可解释的自动化机器学习迈向大型工业数据挖掘
抽象工业系统资源能够生成大量数据。这些数据通常采用异质格式并分发，但它们表示可以挖掘可以允许部署智能管理工具进行生产活动的信息。为此，有必要使用人工智能（AI）模型来实施知识提取和预测过程，但是对于非专家用户而言，对预期AI模型的选择和配置往往越来越复杂。在本文中，我们提出了一种方法和一个软件平台，该方法可能允许不熟悉AI的工业参与者选择和配置算法，以最佳地适应他们的需求。因此，该方法基本上是基于自动化的机器学习。产生的平台有效地可以在AI算法和超参数配置的组合之间做出更好的选择。也可以提供重新塑造算法和模型的解释性的功能，从而提高这些模型在实践用户社区中的可占用性。所提出的方法已应用于预测维护的领域。当前测试是
Brain-on-Cloud 通过 3D 结构磁共振全脑扫描自动诊断阿尔茨海默病
背景和目标：阿尔茨海默病约占痴呆症病例的 70%。从 T1 加权结构磁共振扫描中可以轻松发现阿尔茨海默病引起的皮质和海马萎缩。由于在综合征的初期及时进行治疗干预对患病对象的病情进展和生活质量都有积极影响，因此阿尔茨海默病的诊断至关重要。因此，本研究依赖于开发一个强大而轻量级的 3D 框架 Brain-on-Cloud，该框架致力于通过改进我们最近的基于卷积长短期记忆的框架，并集成一组数据处理技术，以及调整模型超参数并评估其在独立测试数据上的诊断性能，从 3D 结构磁共振全脑扫描中有效学习与阿尔茨海默病相关的特征。方法：为此，在可扩展的 GPU 云服务上进行了四次连续实验。对它们进行比较，并调整最佳实验的超参数，直到达到最佳性能配置。同时，设计了两个分支。在 Brain-on-Cloud 的第一个分支中，在 OASIS-3 上进行训练、验证和测试。在第二个分支中，使用来自 ADNI-2 的未增强数据作为独立测试集，并评估 Brain-on-Cloud 的诊断性能以证明其稳健性和泛化能力。计算每个受试者的预测分数，并根据年龄、性别和简易精神状态检查进行分层。结果：在最佳状态下，Brain-on-Cloud 能够分别在 OASIS-3 和独立 ADNI-2 测试数据上以 92% 和 76% 的准确率、94% 和 82% 的灵敏度以及 96% 和 92% 的曲线下面积辨别阿尔茨海默病。结论：Brain-on-Cloud 是一种可靠、轻量且易于复制的框架，可用于通过 3D 结构磁共振全脑扫描自动诊断阿尔茨海默病，无需将大脑分割成各个部分即可表现出色。在保留大脑解剖结构的情况下，其应用和诊断能力可以扩展到其他认知障碍。由于其云特性、计算轻量和执行速度快，它还可以应用于实时诊断场景，提供及时的临床决策支持。
baargin：用于自动分析细菌基因组数据的NextFlow工作流程，重点是抗菌抗性
抗菌耐药性（AMR）的出现和发展是一个全球健康问题，到2050年每年可能造成约1000万人死亡（汤普森，2022年）。对这些（多）抗性细菌菌株的基因组的研究对于理解抗性的出现和循环至关重要。在过去的几十年中，高通量测序技术已得到了认真的改进，并且一次对数百种细菌菌株的完整基因组进行测序变得更加负担得起。作为对应物，这些实验会产生大量数据，需要通过各种生物信息学方法和工具来分析重建基因组的工具，因此可以确定其特定特征以及AMR的遗传决定因素。为了自动化多种菌株的生物信息学分析，我们开发了一种名为Baargin的NextFlow（Di Tommaso等，2017）的工作流，称为Baargin（Nextflow中的细菌组装和抗菌抗性基因检测）https://github.com/ jhayer/baargin。它可以进行测序读取质量控制，基因组组装和注释，多层次序列键入和质粒鉴定以及抗菌耐药性决定因素检测以及pangenome分析。使用工作流管理系统NextFlow的使用使我们的工作流便携式，灵活并能够进行可再现的分析。
面向 3 岁以下胎儿脑生物测量自动化报告...
1* 英国伦敦国王学院生物医学工程与成像科学学院早期生命成像研究系。2 英国伦敦巴兹健康 NHS 信托神经放射学系。3 英国伦敦国王学院生物医学工程与成像科学学院生物医学计算系。4 英国伦敦圣乔治大学医院 NHS 基金会神经放射学系。5 英国伦敦盖伊和圣托马斯 NHS 基金会神经放射学系。6 英国伦敦伦敦国王学院妇女与儿童健康系。7 英国坎伯利西门子医疗有限公司 MR 研究合作部门。8 英国伦敦国王学院生物医学工程与成像科学学院成像物理与工程研究系。
缺乏自动化车辆的有意义的人类控制
引入自动驾驶系统（AD）提出了重要的监管和操作挑战，以确保混合交通环境中的安全和负责任的部署。尽管大量的学术工作和从业人员的努力，这些挑战仍保持开放，需要跨学科的观点融合。本文借鉴了最近的跨学科研讨会的见解，突出了广告部署的关键问题，包括法规和系统能力之间的错位，新兴事故类型以及驾驶员理解和培训中的差距。当前的法规努力与广告的发展能力保持同步，从而导致不清楚的问责制框架和安全措施不足。有意义的人类控制的概念被用作识别问题的基础。研讨会参与者同意，有意义的人类控制具有通过确保人类可以与广告充分互动并以确保清晰的故障安全和冗余机制的安全和负责任的方式进行设计来解决确定问题的重要作用。通过连续的驾驶员和车辆评估，动态安全认证以及监管机构和制造商之间的更牢固的沟通来提倡有意义的人类控制，以确保自动化车辆的安全和负责任的设计，调节和部署。实施这些动作将加强ADS监管，并有助于浏览自动驾驶系统的道德和操作复杂性。
公众对自动流动性的道德问题的看法
与社会更大的利益，这为社会层面的道德挑战铺平了道路。虽然在危险情况下一直关注单个AV的行为，但扩大AV的行为对整个运输系统的行为可能会对社会产生后果，而不仅仅是在AV中实施哪种道德准则[6]。外行依靠他们的直觉和社会认知结构，例如信任，价值一致性，情感和情境因素，以判断新的，复杂的技术的道德可接受性，而不是像专家这样的专家一样[7]。在这方面，人们越来越关注人工智能技术漏洞漏洞，数据秘密，同意和安全性的脆弱性。av并不是这种怀疑主义的例外。在可及性和公平性方面，公众对AV的影响有所增加。尽管如此，一项全面的分析表明，对自动运输的非区分含义的研究（例如对社会公平和公共卫生的影响）的研究相对较低[8]。另外，虽然驾驶员的需求和使用已经进行了大量研究，但脆弱的道路用户类别，例如行人，老年道路使用者，残疾人道路使用者，儿童，但被忽略了。目前的手稿报告了一项焦点小组研究的结果，该研究是作为H2020 Project Suaave的一部分（支持对自动化车辆的接受，2019-2022）的一部分，以理解公众对AV提出的道德问题的看法，针对不同的道路用户组，即不同的道路用户组，即驾驶员，行人，行人，行人和不适合使用）。
从3D行人网络到车轮网络：使用智能手机点云的对比度深学习
本文提出了一种基于深度学习的可容纳性评估方法，构成了街头规模的智能手机点云和城市规模的3D行人网络（3DPN）。3DPN已被研究和映射以进行轮廓和智能城市应用。然而，由于省略的行人路径，未发现的楼梯和过度简化的高架人行道，文献中3DPN的城市水平尺度对于评估轮椅的可及性（即车轮）不完整；如果映射量表处于为轮椅使用者设计的微观级别，则可以更好地表示这些功能。在本文中，我们使用智能手机点云加强了城市规模的3DPN，这是一种有希望的数据源，用于补充细微的细节和由于厘米级别的准确性，鲜艳的色彩，高密度和人群源性质而导致的细颗粒细节和温度变化。三步方法重建行人路径，楼梯和坡度细节，并丰富城市规模的3DPN进行轮廓评估。PEDESTRIAN路径的实验结果表现出准确的3DPN中心线位置（miou = 88。81％），楼梯检测（miou = 86。39％）和轮子性评估（MAE = 0。09）。本文贡献了一种适合，准确和人群采购的轮子评估方法，该方法将无处不在的智能手机和3DPN架起高密度和丘陵的城市区域的3DPN。