XiaoMi-AI文件搜索系统
World File Search Systemcrowdsourcing
TECH-GB.2318. 2020 年秋季数字战略教授 Hila ...
摘要和目标 我们正处于一场信息革命之中，信息技术正在重新定义商业模式、改变行业、创造新市场并产生一个全新的“空间”，新的人类社区、行为、规范和机器才刚刚开始碰撞。此外，我们目前正在全球范围内经历 COVID 大流行，其中管理者和组织的数字战略制定能力已成为一项关键资产。我的目标是通过培养您分析和制定新数字战略的能力来增强您应对这些变化和当前危机的能力。在过去更稳定的“工业时代”行业中，商业模式相对稳定，数字技术投资成功的核心基础是使其与互补的组织和流程变化保持一致。然而，当数字技术改变一个行业时，它会重新调整行业的结构和边界，并改变有效的基本商业模式。该课程既注重理论，也注重实践。实践部分将由实践领导者的客座讲座和互动课堂练习以及案例讲授。目标是最终形成一个框架，学生会发现它有助于概括信息技术改变商业和世界性质的各种背景。重点关注新兴颠覆性因素，包括社交网络、平台竞争、长尾效应、数据挖掘、众包和搜索的经济影响。
朝着以人为本的AI管理
作为由人工智能提供支持的算法（AI）越来越多地参与了组织的管理，当机器能够对人类获得权力时，必须进行以人为本的AI管理研究并了解人们的感受和行为。两种主流方法 - 小插图研究和案例研究 - 揭示了重要但不一致的见解。在这里，我们讨论了小插图研究的局限性（情感预测错误，有偏见的媒体覆盖范围和问题替代）和案例研究（社会可取性偏见以及缺乏随机分配和控制条件），这可能会导致他们分别对AI管理的负面和积极的反应过高。我们进一步讨论了减轻这些局限性的第三种方法的优势：众包市场上的现场实验。一项关于亚马逊机械土耳其人（MTURK；作为世界领先的众包平台）的概念证明研究表明，人类对AI管理的反应独特，与Vignette或案例研究中的AI管理不完全一致。参与者（n = 504）在AI与人类管理方面没有显着差异，在绩效，内在动机，公平感知和承诺方面。我们建议，众包的Mar Ketplaces可以超越人类的研究主题库，并成为AI管理的工作场所的模型，促进及时的行为研究以及对以人为中心的工作设计和组织的强大预测。
脑网络分类的机器学习方法
-背景。自闭症谱系障碍 (ASD) 在不同程度上影响大脑连接。尽管如此，由于 ASD 的异质性，使用磁共振成像 (MRI) 非侵入性地区分此类影响对于机器学习诊断框架来说仍然非常具有挑战性。到目前为止，现有的网络神经科学工作主要集中在功能性（源自功能性 MRI）和结构性（源自扩散 MRI）大脑连接上，这可能无法捕捉大脑区域之间的相关形态变化。事实上，使用源自传统 T1 加权 MRI 的形态学大脑网络进行 ASD 诊断的机器学习 (ML) 研究非常稀少。-新方法。为了填补这一空白，我们利用众包通过组织 Kaggle 竞赛来构建一个用于神经系统疾病诊断的机器学习管道池，并使用源自 T1 加权 MRI 的皮质形态学网络将其应用于 ASD 诊断。-结果。比赛期间，参赛者将获得一个训练数据集，并且只能在公开测试数据上检查自己的表现。最终评估基于准确度、敏感度和特异性指标，在公开和隐藏测试数据集上进行。团队分别使用每个绩效指标进行排名，最终排名根据所有排名的平均值确定。排名第一的团队
了解美国人如何看待事实检查标签
研究文章新闻干预措施很重要：了解美国人如何看待事实检查标签，而算法和众包越来越多地用于揭露或标记社交媒体上的错误信息，当专业事实检查员或记者执行时，此类任务可能最有效。借鉴了全国调查（n = 1,003），我们发现美国成年人评估了由专业事实检查者创建的事实检查标签，比算法和其他用户更有效。新闻媒体标签被认为比用户标签更有效，但与事实检查器和算法在统计上没有统计上的不同。用户和算法创建的标签之间没有显着差异。这些发现对平台和事实核对从业者具有影响，强调了新闻专业精神在事实检查中的重要性。作者：Chenyan Jia（1,2），Taeyoung Lee（3）隶属关系：（1）美国东北大学艺术，媒体与设计学院，（2）Khoury计算机科学学院，美国东北大学，美国，美国，美国，（3）杰克·J·瓦伦蒂，杰克·J·瓦伦蒂，杰克·J·瓦伦蒂，美国休斯顿大学，美国休斯顿大学，cite：jia，jia，jia，c。新闻干预措施很重要：了解美国人如何看待事实检查标签。哈佛肯尼迪学校（HKS）错误信息评论，5（2）。收到：2023年9月26日。接受：2024年2月16日。出版：2024年4月11日。研究问题
考虑结果质量要求的人类+人工智能群体任务分配
本文探讨了向由人工智能和人类工作者组成的群体动态分配任务的问题。目前，众包创建人工智能程序是一种常见的做法。为了将这类人工智能程序应用于一组任务，我们通常采取“全有或全无”的方法，等待人工智能足够好。然而，这种方法可能会阻止我们在过程完成之前利用人工智能提供的答案，也会阻止探索不同的人工智能候选者。因此，将创建的人工智能与其他人工智能和人工计算相结合，以获得更高效的人机团队并非易事。在本文中，我们提出了一种解决这些问题的方法，即采用“分而治之”的策略来评估人工智能工作者。在这里，只要最终结果满足给定的质量要求，分配给人类的任务数量最少，分配就是最优的。本文对所提出的方法进行了理论分析，并利用开放基准和真实数据集进行了大量的实验。结果表明，当人工智能难以满足整个任务集的质量要求时，该算法可以向人工智能分配比基线多得多的任务。它们还表明，它可以根据现有人工智能工作者的表现灵活地改变分配给多个人工智能工作者的任务数量。
EPIC 最终报告
在极度干燥、炎热和多风的天气下，在发现野火时检测烟雾和雾之间的差异对于太平洋天然气和电力公司 (PG&E) 危险意识和预警中心 (HAWC) 和消防机构的分析师来说非常有价值。加利福尼亚州和其他西部各州遭遇了历史性干旱，野火风险持续增加，野火季节也越来越长。我们正在努力探索每一种新工具和合理的技术，以提高态势感知能力，帮助减轻和防止野火。PG&E 的管辖范围约为 70,000 平方英里，HAWC 使用了许多不同的工具，一些是内部的，一些是公共来源的。这些工具包括急救调度工具和无线电馈送、卫星探测、航班追踪器、众包和野火摄像机。尤其是野火摄像机，PG&E 赞助了超过 600 台，是关键资产。在加州北部和中部不断增长的 PG&E 高清摄像头网络中测试人工智能 (AI) 和机器学习 (ML) 功能可能能够增强火灾监测和响应能力。HAWC 的专家人员、外部机构和急救人员使用火灾监测摄像头来监测、检测、评估威胁并应对野火。数据接收得越快，急救人员和 PG&E 就能越快确认火灾并将正确的资源转移到正确的地方。因此，这可以帮助我们避免灾难性事件。
朝着以人为本的AI管理
作为由人工智能提供支持的算法（AI）越来越多地参与了组织的管理，当机器能够对人类获得权力时，必须进行以人为本的AI管理研究并了解人们的感受和行为。两种主流方法 - 小插图研究和案例研究 - 揭示了重要但不一致的见解。在这里，我们讨论了小插图研究的局限性（情感预测错误，有偏见的媒体覆盖范围和问题替代）和案例研究（社会可取性偏见以及缺乏随机分配和控制条件），这可能会导致他们分别对AI管理的负面和积极的反应过高。我们进一步讨论了减轻这些局限性的第三种方法的优势：众包市场上的现场实验。一项关于亚马逊机械土耳其人（MTURK；作为世界领先的众包平台）的概念证明研究表明，人类对AI管理的反应独特，与Vignette或案例研究中的AI管理不完全一致。参与者（n = 504）在AI与人类管理方面没有显着差异，在绩效，内在动机，公平感知和承诺方面。我们建议，众包的Mar Ketplaces可以超越人类的研究主题库，并成为AI管理的工作场所的模型，促进及时的行为研究以及对以人为中心的工作设计和组织的强大预测。
bertnet：从验证的语言模型中收获具有任意关系的知识图
至关重要的是，自动构建各种新关系的知识图（kg），以支持知识发现和广泛的应用。基于众包或文本挖掘的以前的KG施工方法通常仅限于由于手动成本或文本语料库的限制而限于一组预定义的关系集。最新的研究提议使用验证的语言模型（LMS）作为内隐知识基础，这些知识基础接受了提示的知识查询。然而，隐性知识缺乏全面象征性kg的许多理想特性，例如易于访问，导航，编辑和质量保证。在本文中，我们提出了一种新的方法，以从验证的LMS中收集任意关系的群体。使用关系定义的最小输入（提示和一些示例实体对的镜头），该方法有效地在庞大的实体对空间中有效地搜索，以提取对所需关系的各种准确的了解。我们开发了一种有效的搜索和验证机制，以提高效率和准确性。我们部署了从不同LMS收获400多个新关系的kgs的方法。广泛的人类和自动评估表明，我们的方法设法提取了各种准确的知识，包括复杂关系的元素（例如，“ A具有但不擅长B”）。作为源LM的符号解释所产生的kg还揭示了对LMS知识能力的新见解。
人工智能在需求获取和分析中的影响的文献综述
本论文由两名学生在斯德哥尔摩大学战略信息系统管理学位课程中完成。如本研究所述，需求工程中的手动获取过程容易出错且耗时。传统方法和技术通常会产生具有模糊性、不足、不完整、不一致和过时特征的需求。研究问题集中在对人工智能在支持识别精确和详细需求方面的具体作用缺乏清晰的理解，以及需要总结相关工作的发现。本论文的目标是研究人工智能在需求工程中的影响，主要关注需求获取和分析。在介绍需求工程、传统获取方法和人工智能的基本背景知识后，进行了系统的文献综述，以揭示需求获取和分析中使用的人工智能方法、技术和工具。在 PRISMA 方法的帮助下，总结并介绍了主要发现和结果。大多数在线文献都集中在与传统方法相关的各种问题上，并介绍了人工智能聊天机器人、文本挖掘和自然语言处理技术、虚拟现实、情感分析、众包、深度学习技术、游戏化和贝叶斯网络如何提高需求引出的质量和速度。面临的主要挑战之一是，没有与传统方法和指标进行广泛的比较，以了解人工智能如何全面帮助需求引出——只有每个案例的指标。此外，对于哪种人工智能方法和工具适合每种引出和分析方法，没有明确的定义。
共享经济物流和人群后勤的文献计量分析
摘要目的 - 本研究旨在回顾有关共享经济物流和人群后勤的文献，以回答以下三个问题：关于共享经济物流的文献如何结构化？共享经济物流和人群物流的主要趋势是什么？未来的研究选择是什么？设计/方法/方法 - 文献计量分析用于评估过去12年中发表的85篇文章；它确定了促成该领域的顶级学术期刊，作者和研究主题。发现 - 共享经济物流和人群后勤文献是围绕几个学科和亮点构建的，即在其主题定义，设计，建模和创新解决方案中，有些人比其他学科更先进。主要趋势是在三个群集左右组织的：群集1是指成本，价格，分销和供应商关系的最佳分配；集群2对应于与业务相关的众包和国际行业实践。集群3包括运输对最后一英里交付，人群运输和环境的影响。研究局限性/含义 - 该研究基于来自同行评审的科学期刊和会议的数据。更广泛的概述可以包括其他数据源，例如书籍，书籍章节，工作文件等。独创性/价值 - 未来的研究方向是在从人群后勤到人群智能的演变中讨论的，以及人群后勤的复杂性，例如了解如何将社交人群整合到物流过程中。我们的结果是人群科学和工程概念的一部分，并提供了一些有关人群网络系统问题有关物流领域中人群智能的答案。