XiaoMi-AI文件搜索系统
World File Search Systemintel
在供应链决策支持中启用可解释的人工智能功能
抽象可解释的人工智能（XAI）在实现明智决定的过程中发挥了作用。现代各种供应链（SC）平台的出现改变了SC相互作用的性质，导致了显着的不确定性。这项研究旨在对现有的有关决策支持系统（DSS）的文献进行彻底分析，并在SC领域内对XAI功能的结合。我们的分析揭示了XAI对SC领域决策过程的影响。本研究利用Shapley添加说明（SHAP）技术使用Python机器学习（ML）过程分析在线数据。解释性算法是专门为通过为其产生的预测提供理由来提高ML模型的清醒性的。本研究旨在建立可衡量的标准，以识别XAI和DSS的组成部分，从而在SC的背景下增强决策。这项研究评估了对他们做出预测的能力，在线数据集的利用，所检查的变量数量，学习能力的发展以及在决策背景下进行验证的研究，强调了需要在不确定条件下涉及智能决策的其他探索领域的研究领域。
人工智能作为权利的新前沿......
首先，我必须感谢我的导师卡洛·卡索纳托 (Carlo Casonato) 和保罗·特拉弗索 (Paolo Traverso)，感谢他们相信我，并勇敢地为我提供了在不同学科之间工作的机会。我特别感谢前者在写作过程中给予我的宝贵建议和持续支持，也感谢后者给予我机会经常接触布鲁诺凯斯勒基金会并结识在其中工作的优秀专业人士。我还要非常感谢整个 BioDiritto 研究小组 (Carla、Cinzia、Elisabetta、Giulia、Lucia、Marta I、Marta II、Sergio 和 Simone)，他们让我从第一天起就感到宾至如归，不断给予鼓励，并提供许多团队合作的机会，让我始终面带微笑。尤其是玛尔塔，她是我的宝贵向导和忠实盟友，在困难时期我可以向她寻求建议和安慰。我还要感谢安德里亚 (Andrea)、洛伦佐 (Lorenzo)、莫妮卡 (Monica) 以及 Trentino Salute 4.0 团队的其他成员，我非常感谢他们在一个对我来说完全陌生的环境中给予我的欢迎，以及他们为我提供的无数跨学科融合的机会。出于同样的原因，我将永远感激 Paolo、Giorgia 和 Federico，他们和我一样都是与基金会有联系的法学家，为我提供了取之不尽的思想、激励和建议。此外，我还得到了慕尼黑马克斯普朗克社会法和社会政策研究所以及哥本哈根大学生物医学创新法中心研究人员的大力帮助，他们使我在国外的研究期间成为与其他法系的法学家交流的宝贵机会。对于这些机会，我首先要感谢 Ulrich Becker 教授、Timo Minnsen 教授和 Marcelo Corrales Compagnucci 教授，他们负责这些中心并给予了我热烈的欢迎。然后，还有我的家人——自从我出生以来，他们一直默默地支持和忍受着我——还有我的朋友，所有人。安吉拉、安娜、克劳迪娅、克劳迪奥、达维德、弗朗西斯科、弗朗西斯卡、乔治奥、乔瓦尼、朱利奥、艾琳、卢卡、玛蒂娜、罗伯托以及其他从小就陪伴我走过道路的人；安娜、阿尔贝托、安东内拉、基娅拉、克里斯蒂安、克拉拉、费德里科、乔治娅、朱莉娅、米歇尔、奥兰、萨拉、西蒙娜，他们是后来才来的，但在我看来，他们一直都在那里； CNR 的人；马里奥 (Mario)、亚历山德罗 (Alessandro) 和 Dinamo Kave 的所有人；因为足球，队友们成为了旅途中的伙伴； Berdien、Federico、Giovanni、Marta 和 Matteo，感谢这个世界上罕见的真挚友谊；我已不再见到他，但对他的记忆将永远使这些年变得特别。最后，埃琳娜。她知道为什么。
算法交易、模型和人工智能
Tina Toni 是摩根士丹利固定收益部门的执行董事，她领导伦敦电子利率量化策略团队，负责欧洲政府债券和利率掉期交易柜台的算法系统和模型。这包括算法客户定价、自动对冲、执行和一级交易商债务报价。在 2014 年加入摩根士丹利之前，Tina 是麻省理工学院 (美国波士顿) 生物工程系的博士后研究员，曾在麻省理工学院计算机科学和人工智能实验室的一个研究小组任职，后来在伦敦帝国理工学院 (英国) 工作，在那里她与辉瑞公司合作研究复杂生物和疾病过程的数学建模和模拟。Tina 获得了伦敦帝国理工学院 (英国) 的贝叶斯统计学博士学位、华威大学 (英国) 的数学硕士学位和卢布尔雅那大学 (斯洛文尼亚) 的数学学士学位。如何注册：
wipo 关于知识产权 (ip) 人工智能的对话
任何对发明人只能是自然人或多人（在共同发明人的情况下）这一原则的审查都将与关于专利制度作用的政策辩论相关联，包括授予自然人专利以奖励其造福社会的发明贡献这一基本原则。这样的政策讨论需要充分考虑到这样一个事实：专利法及其对人类发明人的要求是知识产权保护体系的一部分，该体系基于全球共享的原则，并在很大程度上在国际层面上得到了协调 5 。还需要认识到，必须在分配给个人权利的更广泛背景下看待发明人问题，而不仅仅是知识产权问题。
将商业智能作为...
摘要 - 研究问题在于信息的分离和根据客户的需求与不同观点的困难分析。该研究的目的是在销售领域设计商业智能解决方案。同样，采用了研究的类型，并且设计是预先实验的。接下来，人口基于公司的存储数据，样本是由公司地区的数据组成的，采样是非概率的。结果是有利的，可以提高销售增长，销售生产率和相关决策有效性水平的指标。最后，可以得出结论，实施技术解决方案，例如商业智能对中小企业销售部门的决策产生积极影响，并提供更准确，更及时的信息。此外，通过访问实时数据和分析，公司管理层能够做出更明智和更快的决策，从而显着提高了中小企业的效率和盈利能力。
通过人工智能对农产品进行分级，提高农民收入
Intello 的人工智能可以根据智能手机拍摄的照片生成即时质量指标。这可以实现农产品分级，即对食品图像进行自动质量分析，这是一种准确可靠的方法，可根据颜色、大小和形状对新鲜产品（水果、谷物、蔬菜、棉花等）进行分级。其工具有助于实现质量评估的透明度和标准化，从而降低农业供应链中的价值风险和浪费。它已经开发出一种适用于水果、蔬菜和香料的即用型解决方案。
武器化的人工智能和使用武力规范
AWS 有可能从根本上改变武力的使用，以相互冲突的方式触及工具性和人文性战争实践。从工具性角度理解，战争服务于国家的政治和经济利益。以效率为中心的工具性论点是 AWS 的推动因素：此类系统因其比人类更快的反应时间和隐身性而具有军事优势。然而，围绕勇气、荣誉、英勇或互惠等概念构建的人文主义战争理解因武器系统中包含越来越多的自主功能而受到挑战。我们可以通过考虑美国的例子来看到这种分歧。一方面，美国军事理论谈到增加未来武器平台的自主性投资和相关性。另一方面，美国开发 AWS 的历史包括各种取消的项目，原因是美国根深蒂固地不愿意将杀戮决定委托给机器。
用于分析胸部 CT 图像的人工智能
本简报中的胸部成像人工智能 (AI) 技术是独立的软件平台，使用机器或深度学习算法来分析或解释放射图像。一些技术允许将图像从医院传输到软件平台，该平台托管在 NHS 认可的安全数据中心。该软件使用专有算法分析胸部 DICOM（医学数字成像和通信）图像。图像分析可以直接发送回医院，以便使用医院系统（例如图片存档和通信系统 (PACS)）和一些使用 DICOM 和 HL7 等协议的放射信息系统进行查看。一些技术还可能允许使用 Web 界面上传和查看图像和分析。
医疗保健领域人工智能的可解释性
摘要背景：在人工智能 (AI) 应用于医疗保健领域时，可解释性是最受争议的话题之一。尽管人工智能驱动的系统已被证明在某些分析任务中表现优于人类，但缺乏可解释性仍然引发批评。然而，可解释性不是一个纯粹的技术问题，相反，它引发了一系列需要彻底探索的医学、法律、伦理和社会问题。本文对可解释性在医学人工智能中的作用进行了全面评估，并对可解释性对于将人工智能驱动的工具应用于临床实践的意义进行了伦理评估。方法：以基于人工智能的临床决策支持系统为例，我们采用多学科方法从技术、法律、医学和患者的角度分析了可解释性对医学人工智能的相关性。基于这一概念分析的结果，我们随后进行了伦理评估，使用 Beauchamp 和 Childress 的“生物医学伦理原则”（自主、仁慈、不伤害和正义）作为分析框架，以确定医疗 AI 中可解释性的必要性。结果：每个领域都强调了一组不同的核心考虑因素和价值观，这些因素与理解可解释性在临床实践中的作用有关。从技术角度来看，可解释性必须从如何实现和从发展角度来看有什么好处两个方面来考虑。从法律角度来看，我们将知情同意、医疗器械认证和批准以及责任确定为可解释性的核心接触点。医学和患者的观点都强调了考虑人类行为者和医疗 AI 之间相互作用的重要性。我们得出的结论是，在临床决策支持系统中忽略可解释性会对医学的核心伦理价值观构成威胁，并可能对个人和公共健康产生不利影响。结论：为了确保医疗 AI 兑现其承诺，需要让开发人员、医疗保健专业人员和立法者意识到医疗 AI 中不透明算法的挑战和局限性，并促进多学科合作。关键词：人工智能、机器学习、可解释性、可解释性、临床决策支持
用于吞吐量瓶颈分析的人工智能
识别并最终消除吞吐量瓶颈是提高生产系统吞吐量和生产率的关键手段。然而，在现实世界中，消除吞吐量瓶颈是一项挑战。这是由于工厂动态环境复杂，数百台机器同时运行。学术研究人员试图开发工具来帮助识别和消除吞吐量瓶颈。从历史上看，研究工作一直集中在开发分析和离散事件模拟建模方法来识别生产系统中的吞吐量瓶颈。然而，随着工业数字化和人工智能 (AI) 的兴起，学术研究人员基于大量数字车间数据，探索了使用 AI 消除吞吐量瓶颈的不同方法。通过进行系统的文献综述，本文旨在介绍使用 AI 进行吞吐量瓶颈分析的最新研究成果。为了让学术界的 AI 解决方案更容易为实践者所接受，研究工作分为四类：（1）识别、（2）诊断、（3）预测和（4）开处方。这是受到现实世界吞吐量瓶颈管理实践的启发。识别和诊断类别侧重于分析历史吞吐量瓶颈，而预测和开处方侧重于分析未来的吞吐量瓶颈。本文还提供了未来的研究主题和实用建议，可能有助于进一步突破 AI 在吞吐量瓶颈分析中的理论和实际应用的界限。