XiaoMi-AI文件搜索系统
World File Search Systembraries
图书馆中的人工智能
演讲者 Frank Seeliger 标题 人工智能与图书馆——落后、跌跌撞撞还是引领潮流？ 个人简介 Frank Seeliger 出生并成长于前民主德国，在那里他也学会了电工职业。柏林墙倒塌后，他先在莱比锡学习电气工程，然后在包岑的德国索布人民剧院担任电工。在波恩学习民族学和地理学后，他在乌尔姆完成了关于喜马拉雅西部地区的博士学位。自 2006 年以来，他一直担任维尔道尔大学图书馆馆长，该图书馆还在 2012 年被评为德国年度图书馆。自 2015 年以来，维尔道开设了图书馆信息学的兼职硕士学位课程，一位希腊女性已经尝试了！多年来，他一直参与歌德学院的委员会工作。他目前担任德国柏林和勃兰登堡地区六个图书馆网络之一的董事会主席。摘要 世界各地的图书馆都在努力跟上人工智能技术的最新发展，并寻找自己的道路。制定战略目标尚未成功，但许多务实的做法提供了很好的例子。讲座将重点介绍德国图书馆如何应对这一挑战，同时也敢于放眼未来。
如何引用本文：Sampath Kini K、Kumud Ranjan、Varagantham Anitha Avula、Mohan Shashikant Ratkanthiwar、Manohar Ramulu Kondagurle、Prince Ajaykumar Tejram Agashe、Sachin Sahebrao Zende (2024)。人工智能在增强学术图书馆信息检索系统中的作用。图书馆进步国际，44(3)，22526-22541
摘要 人工智能 (AI) 与信息检索 (IR) 系统的集成通过增强信息可访问性、个性化和用户体验，彻底改变了学术图书馆的功能。传统的 IR 系统经常面临数据过载、相关性排名和用户可访问性问题，限制了它们满足学术用户动态需求的有效性。本评论探讨了人工智能技术（例如机器学习、自然语言处理和深度学习）在克服这些挑战方面的变革性作用，从而使 IR 系统更加高效和以用户为中心。通过智能推荐系统、高级搜索算法和人工智能虚拟助手，图书馆现在可以提供量身定制的信息体验，从而提高搜索准确性并加快资源访问速度。此外，本文还讨论了道德考虑因素，包括数据隐私、人工智能偏见和透明度，强调在学术环境中需要负责任的人工智能应用。通过讨论当前的应用和未来趋势，本评论旨在强调人工智能进一步发展学术图书馆 IR 系统的潜力，并提出继续研究的方向。总体而言，人工智能是重塑学术图书馆的关键推动因素，促进用户与大量信息资源的无缝和自适应交互。关键词：人工智能；信息检索系统；学术图书馆；用户体验；机器学习；数据隐私。
使用AI-ENHANCED ICT进行终身学习朝着AI驱动的下一代个性化医疗保健和福祉数字库的视觉导航
用于文本分析的抽象数字工具长期以来对于数字化库集合的可访问性和可访问性至关重要。最近的计算机视觉进步引入了类似的视觉材料功能，基于深度学习的嵌入显示了分析视觉遗产的希望。鉴于许多书籍还具有文本外，还具有视觉效果，因此利用这些突破对于使图书馆的收藏馆开放和易于访问至关重要。在这项工作中，我们提出了概念验证图像搜索应用程序，用于探索挪威国家图书馆1900年前的书籍中的图像，比较视觉变压器（VIT），对比性语言图像预训练（CLIP）和语言损失的语言损失 - 图像预训练（Siglip）（Siglip）的嵌入图像检验和分类。我们的结果表明，该应用程序在精确的图像检索中表现良好，在检索和分类任务中，siglip嵌入片段略优于剪辑和VIT。此外，基于siglip的图像分类可以有助于从数字化管道中清洁图像数据集。
与可合差的库增强语言模型
重要的推理任务（例如计划）从根本上是算法，这意味着解决这些任务需要牢固地诱导基本算法，而不是捷径。大语言模型由于神经网络优化算法，其优化数据和优化目标的局限性而缺乏真正的算法能力，但也由于变压器体系结构的不表现性。为了解决这种缺乏算法能力，我们的论文提出了使用内部推理模块增强LLMS。该模块包含一个基本操作和复杂的可区分程序的库，因此不需要从头开始学习通用算法。为了实现这一目标，我们将内存，寄存器，基本操作和自适应复发添加到基于Llama3.2的十亿参数变形金刚体系结构中。然后，我们定义了一种将算法直接编译为可区分的启动液体的方法，该算法本地使用并传播梯度以进行优化。在本文中，我们通过对具有可变计算深度的简单算法任务进行增强的Llama 3.2来研究这种增强的可行性，例如递归纤维纤维算法算法或插入。
大学图书馆2024年年度报告
设计本地数字图书馆的设计，而不是使用供应商或开箱即用的软件，该软件始于2018年。该团队在2019年创建了第一次迭代，以支持资助资助的国际建筑（IAWA）收藏。2022年，该团队推出了西南弗吉尼亚社区收藏（SWVA），这是同一平台的单独迭代。“一旦我们拥有一个完整的开发人员，”数字图书馆和保存临时助理总监Alex Kinnaman说：“他们于2023年开始在一个联邦网站上工作，并于2024年1月推出了Virginia Tech Digital Library（Digital.lib.vt.edu）。
印度教育寄给学校图书馆的所有资源
孤独的松树和Carmen Marceau，Doris Old Person，June Tatsey，Patricia Tatsey Bachaun的旅程，由Melvin Tailfeathers插图。1978。纳皮（Napi）的旅程，卡门·马科（Carmen Marceau），多丽丝·老人（Doris Old Person），六月塔西（June Tatsey），帕特里夏·塔特西·巴彻（Patricia Tatsey Bachaun），由梅尔文·塔尔（Melvin）塔特斯（Melvin Tailfeathers）插图。1978。纳皮和牛头人乔恩·肯纳利（Joan Kennerly），卡门·马科（Carmen Marceau），多丽丝（Doris）老人，六月·塔西（June Tatsey），由罗伯特·塔西（Robert Tailfeathers）插图。1978。琼·肯纳利（Joan Kennerly），卡门·马科（Carmen Marceau），多丽丝（Doris）老人，六月塔西（Melvin Tatsey），由梅尔文·塔西（Melvin Tailfeathers）说明。1978。由Joan Kennerly，Carmen Marceau，Doris Old Person和June Tatsey开发的学校和帮助者；由弗农（Chuck）No Runner（学校）和Melvin Tailfeathers（助手）插图。 1977。 卡门·马科（Carmen Marceau）的《头骨故事与鬼女人》（Skull Story＆Ghost Woman），六月塔西（June Tatsey），帕特里夏·塔特西·巴彻（Patricia Tatsey Bachaun），由梅尔文·塔尔（Melvin Tailfeathers）插图。 1978。 战士人Carmen Marceau，Doris老人，June Tatsey，Patricia Tatsey Bachaun，由Mike Pliks Plays插图。 1978。 琼·肯纳利（Joan Kennerly），卡门·马科（Carmen Marceau），多丽丝·旧人（Doris Old Person）的野生水牛，六月塔西（June Tatsey），由彼得（Rusty）Tatsey插图。 1978。由Joan Kennerly，Carmen Marceau，Doris Old Person和June Tatsey开发的学校和帮助者；由弗农（Chuck）No Runner（学校）和Melvin Tailfeathers（助手）插图。1977。卡门·马科（Carmen Marceau）的《头骨故事与鬼女人》（Skull Story＆Ghost Woman），六月塔西（June Tatsey），帕特里夏·塔特西·巴彻（Patricia Tatsey Bachaun），由梅尔文·塔尔（Melvin Tailfeathers）插图。1978。战士人Carmen Marceau，Doris老人，June Tatsey，Patricia Tatsey Bachaun，由Mike Pliks Plays插图。1978。琼·肯纳利（Joan Kennerly），卡门·马科（Carmen Marceau），多丽丝·旧人（Doris Old Person）的野生水牛，六月塔西（June Tatsey），由彼得（Rusty）Tatsey插图。1978。
战略方向 - 佛罗里达大学图书馆
目标 1：提供多功能图书馆空间，作为各种功能的吸引场所：协作、个人和小组学习、研究、教学、活动以及使用图书馆藏书和服务。这些空间将在灵活性和特定用途的专用性之间取得平衡；目标 2：提供多样化和最新的技术，并支持个人技术的使用，以促进和推动研究，加强学习，支持协作，并确保获得基本资源和工具；目标 3：将技术服务整合到图书馆空间中，以持续提供引人入胜的图书馆资源展示，并提供方便有效的体验，鼓励和促进用户知识、技能和能力的发展；目标 4：增强图书馆的网络存在和数字平台，使用户能够在需要的时间和地点发现和获取数字信息资源；目标 5：定期评估用户需求并应用所得信息来创建和振兴用户友好的图书馆空间和技术服务。
从 DNA 编码化学库中鉴定 SARS-CoV-2 主要蛋白酶的新型有效抑制剂
摘要 使用自动化高通量筛选对大型化合物库进行体外筛选既昂贵又耗时，并且需要专门的基础设施。相反，DNA 编码化学库 (DECL) 的选择可以使用大多数实验室中的常规设备快速完成。在本研究中，我们通过基于亲和力的选择 DELopen 库（面向学术界开放）鉴定了 SARS-CoV-2 主蛋白酶 (M pro ) 的新型抑制剂，该库包含 42 亿个化合物。经 X 射线晶体学证实，所鉴定的抑制剂是肽类化合物，含有 N 端亲电基团，能够与 M pro 的亲核 Cys145 形成共价键。此次 DECL 选择活动使得未优化的化合物 SLL11（IC 50 = 30 nM）的发现成为可能，证明了 DECL 技术能够快速探索大化学空间，从而直接鉴定有效的抑制剂，从而避免多轮迭代药物化学。 X 射线晶体学进一步证明，SLL11 具有高度独特的 U 形结合构象，这使得 N 端亲电基团可以环回到 S1 ' 亚位点，而 C 端氨基酸则位于 S1 亚位点。MP1 是 SLL11 的近似类似物，在 Caco-2 和 Calu-3 (EC 50 = 2.3 µM) 细胞系中测试时，在低微摩尔范围内显示出对 SARS-CoV-2 的抗病毒活性。由于肽类化合物可能存在低细胞渗透性和代谢稳定性的问题，因此未来将探索化合物的环化以提高其抗病毒活性。