XiaoMi-AI文件搜索系统
World File Search Systemtasks
生成式人工智能和学术写作任务
生成式 AI 和学术写作任务什么是 ChatGPT？ChatGPT 由 OpenAI 于 2022 年推出，是一种人工智能 (AI) 工具，可以响应请求并完成各种任务。与其他生成式 AI 模型一样，ChatGPT 也已经使用来自互联网的大量信息进行了训练。然而，ChatGPT 的独特之处在于，它同时接触了监督学习和通过人工反馈进行强化学习，使聊天机器人能够以更具对话的方式与用户互动 (Ortiz，2023 年)。根据 OpenAI (2022) 的说法，“对话格式使 ChatGPT 能够回答后续问题、承认错误、挑战错误的前提并拒绝不适当的要求。”学术环境中的担忧在过去的一年里，学生们发现了生成式 AI 在完成写作作业时的用处。然而，教育工作者对生成式 AI 对学生学习和执行学术诚信的影响提出了重大担忧。生成式人工智能能够让用户免费、即时地访问信息，列出潜在的论文主题，并（在正确的提示下）生成整篇学术论文，因此学生无需培养大学水平的作业所要培养和评估的技能，即可完成写作和研究任务。此外，虽然 AI 文本分类器、GPTZero 和 CopyLeaks AI 内容检测器等 AI 检测器可以帮助识别 AI 生成的作品，但它们仍然无法完全准确地做到这一点 (Ray, 2023) 。学生还应该意识到，生成式人工智能也有其局限性。生成式人工智能并不总是提供准确的信息，而且由于训练数据存在偏见，它因强化有害刻板印象而受到批评 (Ray 2023) 。Open AI (2023) 也表示，“该模型偏向西方观点”并且“一些防止有害内容的步骤仅在英语中进行了测试。”生成式人工智能的对话格式还可以通过默许“同意”强烈的观点来强化用户的偏见（OpenAI，2023 年）。有关麦当娜大学当前人工智能使用政策的更多信息，请查看我们在 MU OWL 上发布的《面向学生的生成式人工智能》讲义。本讲义的目的从撰写电子邮件到撰写研究论文，生成式人工智能在处理各种与写作相关的任务时非常有用。因此，本讲义的目的是提供使用生成式人工智能来支持研究、写作和批判性思维技能的策略，同时
用于组织产品任务的基于模型的方法...
相比之下，大规模并行工程描述了我们看到的大型项目（数百人）面临的挑战，其中开发工作被分解为许多较小的项目，每个项目可能由一个小团队执行。汽车、飞机或计算机的设计可能需要数千名工程师在数年内做出数百万个设计决策。这些任务都不是孤立执行的 [5]。每个设计选择都可能影响许多其他设计参数。促进设计团队之间的信息传递是产品设计经理的一项基本组织任务 [2, 7, 19, 35]。他们的主要开发挑战是将许多子问题解决方案集成到一个精心设计的系统中。一些公司通过指派系统工程师或冲突解决工程师来处理子系统之间的交互并仲裁团队之间的争议来解决这个问题。问题是，这种相互作用通常很难理解，而且很少提前知道。
基于代码的EO任务助手
近年来，由于来自公共和私营部门的重要努力，遥感图像变得比以往任何时候都更加可行。例如，欧盟的哥白尼计划可免费访问合成孔径雷达（SAR）和多光谱数据。除了政府倡议，公司（例如行星实验室）还每天在全球范围内提供非常高的分辨率图像。遥感图像包含已经使用的信息来跟踪气候变化，改善安全性并理解和管理环境。利用广泛的遥感方式提供的不同级别的信息是一个积极的研究领域。多模式性用于许多遥感应用程序[1]。但是，遥感数据的解释通常由专家执行，通常涉及手动处理。随着数据量的增加，手动解释成为影响提取信息的延迟的限制因素，也是可以使用此类数据的域。对于特定应用程序，遥感社区一直在开发临时自动方法。因此，这些作品只能处理任一通用应用程序（例如污染监测）或具有直接财务利益的污染监测。在存在数据时，普通受众并不总是具有提取感兴趣信息的技术知识，或者可以为研究提供资金的能力。在这个项目中，我们将利用EO工具可以通过代码连接的事实。我们认为，遥感图像中包含的信息可能吸引更大的公众：记者可以检索此类数据以理解，关注战争以及气候变化或地方政府的影响，或者可以在其决策过程和研究中使用此数据。通过非技术和通用接口从遥感数据中提取信息将是一种使总受众直接从该数据中受益的方法。IC-EO项目的目的是提出一个可以与图像等EO数据相互作用的会话助手。这将使我们能够提出一个模型，该模型可以以可扩展且直接的方式整合最新研究状态。IC-EO助手的目的是能够回答以下问题：“去年夏天大火期间该地区的左侧有多少场地？”，以及“有多少建筑物距离公园步行不到5分钟？”，而无需限制特定格式。唯一地，此类问题的答案将基于代码，因此可以审查和理解，而不是当前方法的黑盒性质。该模型可以分为两个部分：首先，我们提出了一个涵盖基本任务的应用程序编程接口（API），例如分类，对象检测，视觉接地和语义分割。第二，我们将训练一个大型语言模型，以使用此API作为上下文，以预测用户查询的基于代码的解决方案。助手执行的样本如图1所示。
用于调度截止日期敏感的可延展任务的算法
摘要由于批处理数据处理的无处不在，计划可延展的批处理任务的相关问题受到了极大的关注。我们考虑了一个基本模型，其中一组任务要在多个相同的机器上处理，并且每个任务均由值，一个工作负载，截止日期和并行性约束。在平行性界限内，分配给任务的机器数量会随着时间而变化而不会影响其工作负载。在本文中，我们确定了边界条件，并通过构造证明一组具有截止日期的可延展任务可以通过其截止日期来完成，并且仅当它满足边界条件时。该核心结果在调度算法的设计和分析中起关键作用：（i）考虑到几个典型的目标，例如社交福利最大化，机器最小化和最小化最大加权完成时间，以及（ii）当算法和动态编程等算法技术技术时，会适用于社交范围。结果，我们为上述问题提供了四种新的或改进的算法。
音调混合任务的基准和排行榜
音乐将不同的曲目与给定的单音频信号分开为组件，例如鼓，贝斯和人声等任务。分离来源对于包括娱乐和助听器在内的一系列领域很有用。在本文中，我们介绍了两个新的基准，用于声音源分离任务，并在这些基准测试中比较了声音解散的流行模型及其合奏。对于模型的评估，我们在https://mvsep.com/quality_checker/上提供了排行榜，为一系列模型提供了比较。新的基准数据集可供下载。我们还基于最适合特定茎的不同模型的结合，开发了一种新颖的音频分离方法。在2023年音乐混合挑战挑战的背景下评估了所提出的解决方案，并在挑战的不同轨道中获得了最佳结果。代码和方法是在GitHub上开源的。
评估精神分裂症症状的行为任务...
至关重要。需要各种动物模型来帮助识别这些不同的症状，这可以通过对疾病进展的更快监测来实现，而不是人类可行的[4]。尽管如此，很难完全再现出精神分裂症的症状[8]。尽管整个大脑解剖结构中存在各个方差，但大脑的总解剖结构，包括远距离神经投影以及许多神经元和分子途径的大脑功能，在啮齿动物和人类中是进化保守的[7，20]。此外，啮齿动物和人类之间的行为异常仍然存在，保守的电路[20]。精神分裂的动物模型应满足该疾病的面部，结构和预测有效性的三个主要标准[21]。面部有效性表示动物模型模仿人类患者精神分裂症的症状；构建有效性证实了该模型的病理生理学和病因与人类精神分裂症中提出的一种合规性；预测有效性表明预期的疗法和新型治疗方法的预期反应[4，5，21，22]。因此，应根据构造有效性设计精神分裂症的动物模型，并根据面部和预测有效性进行评估[5]。尤其是，通过将模型动物遵守各种行为任务来确认面部和预测性va-识别[23]。临床前和临床研究已经为实验动物和人类患者建立了类似的行为任务，其主要目的是正确研究这两种生物的同源作用[7]。在过去的10年中，多次审查论文研究了精神分裂症在动物中构建和建模的方式[4，21，24-37]。相比之下，据《俄勒冈州的知识》，尚无评论论文试图以相同的范围范围和细节来阐明用于评估这些动物模型的各种行为任务。本评论论文的主要目标是通过提供有关如何在动物模型中确认类似精神分裂症的行为的全面但简洁的说明来填补这一空白。
人工智能会计的参与者、任务和角色
摘要 目的——本文与当前关于社会数字化转型及其随之而来的工作变化的争论相呼应。本文以基于人工智能 (AI) 的会计为背景，重点关注个人层面的参与者、角色和任务以及相关技能。作者从公司内部的角度研究了基于人工智能的“智能”技术对更广泛会计行业劳动力的影响，同时也承认数字化转型涵盖了金融领域的更大领域。 设计/方法/方法——作者进行了一项德尔菲研究，以确定未来会计中的新角色和新任务。此外，作者利用专家研讨会来阐明相关任务和技能，并确定在专业会计职业中是人类还是基于人工智能的技术来扮演这些角色或进行协作。发现——结果表明，由于（基于人工智能的）数字技术，更广泛的会计环境中现有专业职业的任务和技能将在未来 10 年发生重大变化，而“核心”角色和任务将在未来继续存在，其中一些将不是由人类而是由基于人工智能的技术完成。对于其他“新”角色，人类需要明智地使用数字技术，并在一定程度上与基于人工智能的技术合作。研究的局限性/含义——作者从公司内部的角度研究了基于人工智能的“智能”技术对更广泛会计行业劳动力的影响。实际意义——本文与当前关于社会数字化转型及其随之而来的工作变化的辩论相联系。使用基于人工智能的会计环境，本文的重点是新的和适应的角色和任务。原创性/价值——基于德尔菲研究和专家研讨会的综合分析为未来研究人工智能对组织和社会的影响提供了充足的创新基础。关键词 人工智能 会计职业 数字会计 德尔菲研究 角色 论文类型 研究论文
分布式 AI 任务的即时通信
1 简介 人工智能领域的最新进展由 ChatGPT [ 18 ] 和 SORA [ 19 ] 等大型模型推动，带来了巨大的计算挑战。扩展这些模型通常需要多 GPU 或多节点系统 [ 2 , 14 ]，利用张量并行等并行策略 [ 25 ] 来处理计算负载。例如，Llama 3.1-405B 模型训练使用了 16,000 个 H100 GPU [ 16 ]。然而，分布式计算引入了通信作为主要瓶颈，占执行时间的 80%，如 Llama 2-7B 模型所示 [ 1 ]。如 [ 3 ] 所示，将 Llama 2-13B [ 27 ] 训练从 8 个 GPU 扩展到 1,024 个 GPU 会因通信开销而将模型 FLOP 利用率 (MFU) 从 47% 大幅降低至 4%。这凸显了一个关键问题：尽管硬件功能有所进步，但由于引入了通信开销，硬件（尤其是 GPU）往往未得到充分利用。为了提高 MFU，先前的研究探索了通过通信 [ 20 、 22 、 28 、 30 ] 或数据加载 [ 9 ] 来提高硬件利用率的潜力。然而，这些策略主要侧重于重叠计算运算符和独立通信运算符。如果存在依赖关系（例如在推理阶段），则计算和通信都位于关键路径上，运算符间重叠是不可行的。认识到这一机会，我们引入了 DistFuse，这是一个即使在存在依赖关系的情况下也能促进细粒度重叠的系统。DistFuse 的核心旨在协调计算和通信，这样 GPU 就可以在部分数据准备就绪时立即启动通信，而不是等待整个数据。我们进行了一项概念验证实验，通过在单个节点上将 DistFuse 与 Llama 3-70B 的推理相结合来展示性能提升，该节点可以隐藏高达 44.3% 的通信延迟。我们目前的原型专注于 LLM 任务，但即时通信的核心概念是多功能的，可以应用于其他场景，例如卷积模型。鉴于数据中心中大型模型工作负载的日益普及以及对高效通信的需求不断增长，我们预计通过我们的技术将显着提高性能。此外，我们
用于监督任务的一致视听警报
海上或航空监视系统允许从船舶和飞机恢复和融合信息（类型、位置、速度等）通过显示设备进行交通监控。在这两个领域，运营商的首要任务是通过预防和解决潜在冲突（碰撞风险、故障等）来保证安全。此外，检测异常行为并尽早识别相关威胁（灾难、非法或犯罪活动、污染、恐怖行为等）是所有监视运营商面临的主要挑战。为了执行监控任务，运营商依靠复杂的系统（主要是图形系统）在地图上表示所有流量并执行诸如过滤某些信息或选择元素以获取详细信息等操作 [17]。当系统中集成的一个或多个算法触发事件时，系统还包括视觉或听觉通知和警报 [1,17,22]。与大多数监控活动一样，一个主要问题是操作员的认知超负荷和负荷不足 [15,26]。这种认知负荷问题主要是由于多个屏幕上的信息碎片化，但也是由于任务的动态性质、视觉和听觉干扰以及中断。这种超负荷可能会导致失明或无意失聪 [4]，[20]，当用户过度关注界面上的元素时，这会阻止对视觉通知或声音警报的感知。另一方面，当交通平静时，认知负荷不足的现象会导致警惕性和注意力维持问题，这也会对监控质量产生负面影响，因为操作员可能会错过警报。我们的目标是通过关注冗余模式来重新思考监控声音警报的设计：我们的方法不是将视觉信息和声音警报视为与监控系统分离的实体，而是
机器人操纵任务中的多模式VAE
摘要 - 在这项工作中，我们专注于机器人操纵领域中无监督的视力 - 语言映射。最近，已经为此任务提出了采用预训练的大语言和视觉模型的多种方法。但是，它们在计算上是要求的，需要仔细对产生的输出进行微调。更轻巧的替代方法是实现多模式变量自动编码器（VAE），可以提取数据的潜在特征并将其集成到联合代码中，这主要是在现有最终模型的图像图像或图像图纸上进行的。在这里，我们探讨了是否以及如何在模拟环境中使用多模式的VAE。基于获得的结果，我们提出了一种模型不变训练替代方案，该替代方法将模拟器中的模型性能提高了55％。此外，我们系统地评估了各个任务（例如对象或机器人位置可变性，干扰器数量或任务长度）所提出的挑战。因此，我们的工作也阐明了使用当前的多模式VAE的潜在益处和局限性，以根据视觉和语言对机器人运动轨迹进行无监督学习。索引术语 - 传感器融合，视觉学习，语义场景理解