XiaoMi-AI文件搜索系统
World File Search Systemfailures
人工智能对因结算失败而面临新现金罚款的银行有帮助
SmartStream 人工智能和机器学习产品经理 Jethro MacDonald 表示：“人们设定的门槛不同，因此他们可能会对不同对账结果进行完全不同的分类，即使是在同一个公司或同一个司法管辖区内。”“假设你是一家公司，任何超过 5 美元的 Smart
26 座发电厂背板故障的高级分析
摘要。背板退化是影响现场暴露光伏 (PV) 模块发电厂的已知可靠性问题。在这项工作中，我们介绍了过去三年的经验教训，在弗劳恩霍夫 ISE 的 TestLab PV 模块中检查了来自 26 个发电厂的模块。基础是对当前观察到的背板和相关退化特征的描述，例如背板粉化、不同层中的裂缝和成分的化学变化。此外，我们还列出了对故障和模块材料进行初步和更详细分析的分析方法。例如，已发现一种称为“闪光灯测试”的方法可以快速直接地识别背板内受损的聚丙烯 (PP) 层。此外，还介绍了扫描声学显微镜 (SAM) 和不同 FTIR 光谱变体的比较。
理解和避免人工智能故障：实用指南
就目前的人工智能技术而言，人工智能造成的危害仅限于我们直接控制的权力。正如 [59] 中所说，“对于狭义人工智能，安全故障的重要性与一般网络安全同等重要，但对于 AGI 而言，情况则截然不同。” 尽管 AGI（通用人工智能）仍然遥不可及，但人工智能灾难的性质在过去二十年中已经发生了变化。自动化系统现在不仅会孤立地发生故障，而且还会实时与人类和彼此交互。这种转变使传统的系统分析更加困难，因为人工智能比以前的软件更具复杂性和自主性。针对此问题，我们分析了历史上与复杂控制系统相关的风险是如何管理的，以及当代人工智能故障的模式以及任何人工智能系统的运行会产生哪些类型的风险。我们基于传统系统分析和开放系统理论以及人工智能安全原则，提出了一个分析人工智能系统的框架，以便在它们无法理解它们如何改变其所嵌入系统的风险格局之前对其进行分析。最后，我们根据人工智能系统的属性提出了应采取的建议措施。我们给出了来自不同领域的几个案例研究，作为如何使用该框架和解释其结果的示例。
具有严重执行器卡塞故障的飞机的鲁棒跟踪控制
莱特兄弟发明飞机后不久，威尔伯·莱特就设想，当“这一特性（平衡和操纵能力）”被解决后，飞行时代将到来[1]。事实上，飞行时代确实已经到来——民航运输已成为我们长途旅行的主要方式，军用飞机在国防中发挥着重要作用，航空业已成为世界经济不可或缺的一部分。毫无疑问，飞机飞行安全和效率极其重要。航空业、国家运输安全委员会、联邦航空管理局和美国国家航空航天局一直在努力将航空事故率降至最低。飞机设计/维护、导航/制导设备、交通控制系统、飞行员培训等的改进已经
好的系统，坏的数据？：对人工智能炒作和失败的解释
人工智能经过几十年的发展，如今已成为一个著名且成熟的学术领域（Stone 等人，2016 年）。专注于领域知识表示和使用的符号人工智能是人工智能研究的早期领域（Ribes 等人，2019 年）。最近的许多创新都发生在统计机器学习领域，包括使用人工神经网络的深度学习方法，包括自然语言处理、计算机视觉和机器人等领域的应用（Stone 等人，2016 年）。现代人工智能特别依赖于处理大型数据集，以一定程度的自主性进行处理和加权，并提供概率性而非确定性的结果。人工智能的伦理、政策和法律问题尚未明确界定。数据的多样性和数量以及算法驱动的分析通常违反直觉的输出使得预测危害变得更加困难。用于支持人工智能的数据来自大量来源，包括可能甚至不知道数据是为此目的而收集的人们。然而，将人工智能应用于这些异构数据得出的结论往往具有知识的分量，而没有对其不确定性进行有意义的说明。这一领域的一个关键挑战是试图理解和主张“黑箱”分析技术（Fleischmann & Wallace，2005，2009）的责任时出现的问题——尤其是当使用这些技术进行的研究结果用于指导政策、指导资源和应对紧急情况时（Lehr & Ohm，2017）。关于人工智能成功和失败的流行描述并非没有话语权。在讨论“坏”人工智能时，往往很难不去想 HAL、天网或其他类似的媒体对人工智能失败的描述（事实上，当我们的采访对象被问及人工智能的潜在负面后果时，他们经常会提到这些流行的描述）。同样，对人工智能的正面评价往往无法解释这些系统的缺陷和局限性，或者无法透明地表示它们的运作或范围。克兰兹伯格（1986）的《技术第一定律》认为，“技术既不是好的也不是坏的，也不是中性的”（第 547 页）。过度夸大人工智能的积极或消极影响的极端例子属于将人工智能视为纯粹的好或坏的阵营。然而，同样重要的是要注意，人工智能并不是中性的，一些人工智能系统对特定社会或整个社会的不同成员有一些好的影响和一些坏的影响。因此，挑战在于确定哪些因素影响了人工智能的“好”或“坏”。坏数据是坏人工智能的一个常见替罪羊。现代人工智能的特点是它与广泛的异构数据收集和分析机制的关系以及对它们的依赖。算法分析提供了处理
在模拟监控中检测自动化故障...
摘要 本研究的目的是确定个人在监控多个自动化可靠性不同的自动显示器时的表现和视觉注意力分配情况。96 名参与者完成了一项模拟监督控制任务，其中每个自动显示器的可靠性水平不同（即 70%、85% 和 95%）。此外，参与者还完成了高和低工作量条件。性能数据显示：(1) 参与者未能检测到自动化失误的概率大约是自动化误报的 2.5 倍，(2) 参与者在高工作量条件下的自动化故障检测更差，(3) 参与者的自动化故障检测在可靠性方面基本保持不变。眼动追踪数据显示，在整个实验期间，参与者将注意力相对均匀地分布在所有三个自动显示器上。这些数据共同支持将系统范围的信任方法作为个人监控多个自动显示器的默认立场。
引用本文：Cyrus K. Foroughi、Ciara Sibley、Noelle L. Brown、Ericka Rovira、Richard Pak 和 Joseph T. Coyne (2019)：在模拟监督控制环境中检测自动化故障，人体工程学，DOI：10.1080/00140139.2019.1629639
摘要 本研究的目的是确定个人在监控多个自动化可靠性不同的自动显示器时的表现和视觉注意力分配情况。96 名参与者完成了一项模拟监督控制任务，其中每个自动显示器的可靠性水平不同（即 70%、85% 和 95%）。此外，参与者还完成了高和低工作量条件。性能数据显示：(1) 参与者未能检测到自动化失误的概率大约是自动化误报的 2.5 倍，(2) 参与者在高工作量条件下的自动化故障检测更差，(3) 参与者的自动化故障检测在可靠性方面基本保持不变。眼动追踪数据显示，在整个实验期间，参与者将注意力相对均匀地分布在所有三个自动显示器上。这些数据共同支持将系统范围的信任方法作为个人监控多个自动显示器的默认立场。
使用中的金属机械故障
本通函是对有关铁和有色金属及合金在常温、高温和低温下的强度和相关性能、热膨胀以及热导率和电导率的技术文献进行全面调查的结果的总结。一般来说，数据以表格形式呈现，尽管经常使用图形表示来指示改变成分或条件对性能的影响。包括有关铝、铜、铁和钢、铅、镁、镍、锡、锌、多种杂项金属及其合金的数据。’ 本通函不仅限于传统工程材料，还包含许多通常不被归类为此类材料的性能数据。包括对数据来源的文献参考
涡扇发动机飞机的动力装置故障 - SKYbrary
2011 年 5 月 9 日，一架波音 747-400 飞机从悉尼飞往新加坡。在巴厘岛东南约 100 公里处，所有发动机推力杆都已推进，飞机开始从飞行高度 1 (FL) 360 爬升至 FL 380。开始爬升后，机组人员注意到4 号发动机废气温度 (EGT) 已迅速升高至 850 °C。随后，4 号发动机 (Rolls-Royce RB211-524G2-T) 的推力杆被减速，直到 EGT 恢复正常限值。随后，机组人员注意到该发动机的 N2 2 振动仍保持在约 3.5 个单位，远高于正常运行水平，因此，他们选择关闭发动机。空中交通管制 (ATC) 接到通知后，飞机下降至 FL 340。航班继续飞往新加坡，没有发生进一步事故。
航空安全管理失败的组织因素
4.1 合理选择研究方法和途径 49 4.2 话语分析 50 4.3 生成数据 51 4.3.1 书面话语 52 4.3.2 口头话语 54 4.3.3 开展首次实地工作 54 4.4 数据分析 55 4.4.1 操作框架 55 4.4.2 管理收集到的信息 57 4.4.3 编码结构的开发 57 4.4.3.1 编码 58 4.4.3.2 分类、整合主题和解释数据 59 4.4.4 收集到的数据分析 59 4.4.4.1 对 2000 年和 2004 年国际民航组织审计报告的分析 62 4.4.4.2 2007 年和 2009 年国际民航组织 CSA 审计 64 4.4.4.3 NTSC 调查报告分析 66 4.4.4.4 媒体文章分析 72 4.5 修订模型 78 4.5.1 从第一次实地工作研究中得出的发现 78 4.5.2 阐述假设 82 4.5.3 构建访谈问题 83 4.6 总结 84