XiaoMi-AI文件搜索系统
World File Search Systemtps
建议引用：Dornemann, Jorin；Rückert, Nicolas；Fischer, Kathrin；Taraz, Anusch (2020)：海运物流中的人工智能和运筹学，在：Jahn, Carlos Kersten、Wolfgang Ringle、Christian M. (Ed.)：海运和城市物流中的数据科学：数据驱动的物流和可持续性解决方案。汉堡国际物流会议 (HICL) 论文集，第 14 卷。 30，ISBN 978-3-7531-2347-9，epubli GmbH，柏林，第 337-381 页，https://doi.org/10.15480/882.3140
目的：人工智能 (AI) 的应用有可能与运筹学方法相结合带来巨大进步。在我们的研究中，我们探索了当前使用 AI 方法解决优化问题的方法。目的是概述最新进展并研究它们如何适应海运物流。方法：进行并呈现结构化的文献综述。对已确定的论文和贡献进行分类和归类，并总结一些特别相关的贡献的内容和结果。此外，还进行了评估，确定了现有的研究差距并展望了未来的研究方向。发现：除了在优化领域大量使用 AI 关键词外，人们对使用机器学习自动学习优化问题的启发式方法的兴趣也日益浓厚。我们的研究表明，这些方法大多尚未适应海运物流问题。所发现的差距为未来研究中开发海运物流学习模型奠定了基础。原创性：在运筹学领域使用机器学习方法是一个有前途且活跃的研究领域，具有广泛的应用范围。从海运物流的角度回顾这些最新进展是一种新颖的方法，可以为未来研究和实践中开发海运物流大规模优化问题的解决方案带来优势。
出版物详情：Yang, Y., Siau, K., Xie, W., & Sun, Y. (2022)。智能健康：元宇宙、人工智能和数据科学时代的智能医疗系统。《组织与最终用户计算杂志》，34(1)，第 14 篇文章。https://doi.org/10.4018/joeuc.308814
近几十年来，世界各地的医疗保健组织越来越认识到信息技术在各种应用中的价值。影响智能健康的三大新技术进步是元宇宙、人工智能 (AI) 和数据科学。元宇宙是三大技术——人工智能、增强现实 (AR) 和虚拟现实 (VR) 的交汇点。元宇宙提供了仍在不断涌现的新可能性和潜力。人工智能和数据科学提高了医院的工作效率，不仅改善了患者护理，还降低了医疗保健提供者的成本和工作量。人工智能与机器学习相结合，正在改变医疗保健行业。大数据的可用性使数据科学家能够使用数据进行描述性、预测性和规范性分析。本文回顾了多个案例研究以及有关医院管理中人工智能和数据科学应用的文献。本文还提出了元宇宙、人工智能和数据科学在智慧健康领域应用中尚未解决的研究问题和挑战。对于研究人员来说，除了提供元宇宙、人工智能和数据科学在医疗领域的发展和应用的良好概述外，本文还确定了未来可能的研究方向，并讨论了元宇宙、人工智能和数据科学在智慧健康领域的可能性。对于从业者来说，本文为医院决策者和医护人员提供了实用指南和智慧健康管理模型。
出版详情：Hsu, P.-N.、Shie, K.-C.、Chen, K.-P.、Tu, J.-C.、Wu, C.-C.、Tsou, N.-T.、Lo, Y.-C.、Chen, N.-Y.、Hsieh, Y.-F.、Wu, M.、Chen, C. 和 Tu, K.-N. (2022)。人工智能深度学习用于 3D IC 可靠性预测。科学报告，12，第 6711 篇文章。https://doi.org/10.1038/s41598-022-08179-z
由于 2D IC 的摩尔定律即将终结，三维集成电路 (3D IC) 技术最近备受关注。然而，3D IC 的可靠性受制造过程中互连中的空洞和故障的影响很大，通常需要缓慢测试并依赖于人的判断。因此，对 3D IC 的不断增长的需求引起了人们对可靠性分析和故障预测重要性的极大关注。本研究结合基于卷积神经网络 (CNN) 的 AI 深度学习，对 3D X 射线断层扫描图像进行无损分析。通过使用可靠的收集图像数据库训练 AI 机器，AI 可以根据无损 3D X 射线断层扫描图像快速检测和预测焊点的互连操作故障，准确率高达 89.9%。还揭示了决定回流微凸块“良好”或“故障”条件的重要特征，例如中间横截面的面积损失百分比。
建议引用：Meske, Christian；Bunde, Enrico (2022)：基于人工智能的决策支持系统中用户界面的设计原则：可解释的仇恨言论检测案例，信息系统前沿，ISSN 1572-9419，Springer US，第 25 卷，Iss。2，第 743-773 页，https://doi.org/10.1007/s10796-021-10234-5
摘要 社交媒体中的仇恨言论是一个日益严重的问题，会对个人和整个社会产生负面影响。社交媒体平台上的版主需要技术支持来检测有问题的内容并做出相应的反应。在本文中，我们开发并讨论了最适合为使用人工智能 (AI) 协助人类版主的决策支持系统创建高效用户界面的设计原则。我们对三个设计周期内的各种设计方案进行了定性和定量评估，共有 641 名参与者。除了测量感知易用性、感知有用性和使用意图外，我们还进行了一项实验，以证明 AI 可解释性对最终用户感知的认知努力、感知的信息量、心理模型和 AI 可信度的重大影响。最后，我们与软件开发人员一起测试了获得的设计知识，他们对所提出的设计原则的可重用性评价为高。
Hunt, X.、Tomlinson, M.、Sikander, S.、Skeen, S.、Marlow, M.、du Toit, S. 和 Eisner, M. (2020)。人工智能、大数据和移动医疗：预防儿童暴力的前沿。人工智能前沿，3，543305。提前在线出版。https://doi.org/10.3389/frai.2020.543305
针对儿童的暴力是全球公共卫生威胁，令人十分担忧。全世界至少有一半的儿童每年都会遭受暴力；全球每年遭受暴力的 2 至 17 岁儿童总数达 10 亿。根据文献综述，我们认为人工智能（以及相关的机器学习和大数据）和移动医疗方法具有巨大的潜力，可用于大规模预防和解决暴力问题。这种潜力在中低收入国家 (LMIC) 尤为明显，尽管它能否转化为大规模的有效解决方案仍不清楚。我们讨论了人工智能 (AI)、大数据和移动医疗方法预防暴力的可能切入点，并将它们与世界卫生组织的七项 INSPIRE 战略联系起来。然而，应谨慎对待此类工作。我们强调了未来基于技术和技术支持的暴力预防工作的明确方向。我们认为，需要在整个城市层面建立良好的基于代理的模型，以了解可能发生暴力的地方和时间，以及当地的响应系统。然而，有必要开发关于暴力预测因素的通用、可靠和有效的人口和个人/家庭层面数据。这些指标可以整合到常规健康或其他信息系统中，并成为暴力预防和应对系统的人工智能算法的基础。此外，还需要有关个人求助行为、虐待儿童的风险因素和其他信息的数据，这些信息可以帮助我们确定了解暴力成因和应对暴力所需的参数。为了应对此类干预措施引起的道德问题，必须做出协调一致的、有意义的努力，在人工智能领域开展参与性和用户主导的工作，以确保上述隐私和分析问题在未来得到明确解决。最后，我们认为，开发人工智能和其他技术基础设施将需要大量投资，特别是在中低收入国家。
出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997
1 暨南大学医学院公共卫生与预防医学系，广州，中国 2 暨南大学国际学院，广州，中国 3 南安普顿大学社会科学学院，南安普顿，英国 4 香港理工大学应用数学系，香港，香港 5 河南理工大学计算机科学与技术学院，河南，中国 6 北京师范大学（珠海）应用数学学院，珠海，中国 7 布莱根妇女医院妇产科，马萨诸塞州波士顿，美国 8 哈佛大学医学院麻省总医院基因组医学中心，马萨诸塞州波士顿，美国 9 伦敦帝国理工学院公共卫生学院流行病学与生物统计学系，伦敦，英国 10 香港大学公共卫生学院，香港，香港 * 这些作者的贡献相同
出版详情：Gao, Z., & Lin, L. (2021). 基于人工智能与无线网络通信的交互式装置艺术的智能集成。无线通信和移动计算，2021 年，文章 3123317。https://doi.org/10.1155/2021/3123317
随着科技与时代的发展，新媒体技术与互动装置艺术的发展也慢慢走入了我们观众的视野。它简直就是“无声的艺术”。公众不再像传统那样“隐退”，而是参与其中，与艺术家一起畅游在艺术的世界里。本文旨在研究人工智能与无线网络通讯在互动装置艺术中的应用。通过各种通讯设备的优化，各种算法的不断进步，加强我们互动装置艺术之间的沟通与联系。本文提出，随着人工智能与无线网络通讯的加入，艺术家与观众之间的互动可能会更加有趣，让我们的生活更加丰富多彩。本文的实验结果表明，在进行无线网络通信时，加入人工智能的智能算法的通信延迟率比不加入人工智能的智能算法低很多，说明它们能够更好的将信息传递到控制端。当受到外界影响时，无线网络通信的误码率会上升，但是加入人工智能算法在他的影响范围内，他的误码率上升明显没有那么高。在无线网络通信过程中，改进后的算法在能耗、通信延迟、误码率等方面肯定要优于未改进的算法。通过信号的增强、通信设备材料的选择，这些都是在不断进步，在这方面也在不断探索。与其他算法相比，ML算法的定位精度提升了70%、65%、30%左右。增加传输信号的节点数量，可以大大减少节点间的跳数，相应减少跳距误差，相应减少距离估算误差，提高定位精度。可以更快解决互动装置艺术的技术壁垒。
Wadden, J. J. (2021)。我们应该希望在医疗保健决策应用中使用哪种人工智能？加拿大生物伦理学杂志/加拿大生物伦理学杂志，4 (1)，94–100。https://doi.org/10.7202/1077636ar
在医疗保健领域实施人工智能 (AI) 的想法越来越受欢迎，尤其是在决策和诊断领域。这是因为 AI 在速度和准确性方面都胜过人类。例如，Scott Mayer McKinney 及其同事展示了一个 AI 系统，它在预测乳腺癌方面的表现优于六名医生，并且该系统可以将第二位读者的工作量减少 88% (1)。如果这种表现表明 AI 在医疗保健领域的潜力，那么广泛的应用可能会彻底改变诊断和决策。对于 AI，没有统一的定义，每个人都可以可靠地同意，但通常有两三个高级区别来理解这些类型的技术。第一种是专为特定目的而构建的反应系统，有时称为“狭义”或“弱”AI。第二种是“通用”系统，它们能够在数据集上进行训练并自行学习（有时这些系统被归入“狭义”类别）。最后一种系统称为通用人工智能或“强”AI，目前完全是理论上的。这些系统可以复制自主的人类智能（2）。以下是公众可能熟悉的这些不同类型系统的一些示例：Stockfish（国际象棋游戏系统）、IBM 的 Watson（为 Jeopardy 构建，但现已应用于医学）和 HAL（2001：太空漫游中的流氓计算机助手）。在本文中，我重点介绍“通用”AI。然而，尽管“通用”AI 具有潜力，但它尚未广泛应用于医疗决策，至少在实验环境或创新医院环境之外。相反，该领域的大多数人工智能或多或少都属于“狭义”类别，因为它们被用作诊断工具，而不是决策者。我打算研究三种可用于医疗保健的高级“通用”人工智能类别：不透明系统（有时通俗地称为“黑匣子”），可解释的人工智能（有时通俗地称为“白匣子”）和半透明系统（“灰匣子”）。不透明系统是用户无法访问系统用于实现输出的底层过程的系统。这些通常被认为是高度准确的，但以牺牲问责制为代价（3）。可解释的人工智能是分配给那些允许用户清楚地解释行为、预测和影响变量的系统的一个类别。这些都是透明且可信赖的，但通常功能不足以做预测或模式匹配以外的更多事情。最后，半透明的“灰盒”是一个较少讨论的类别，它捕获了介于不透明和完全透明之间的系统。尽管存在这种中间类别，但辩论往往将半透明系统排除在讨论之外，而是在透明或不透明系统之间提出二分法选择。灰色系统的引入将讨论从二分法转变为一系列潜在工具。
出版详情：Liu, T., Tsang, W., Huang, F., Lau, OY, Chen, Y., Sheng, J., Guo, Y., Akinwunmi, B., Zhang, C. JP., & Ming, W.-K. (2021). 中国 SARS-CoV-2 大流行期间患者对人工智能应用与临床医生在疾病诊断中的偏好：离散选择实验。《医学互联网研究杂志》，23(2)，文章 e22841。https://doi.org/10.2196/22841
背景：误诊、乱收费、排队、诊所等待时间长等是全球医疗行业长期存在的现象。这些因素可能导致患者对临床医生误诊的焦虑。然而，随着大数据在生物医学和医疗保健界的使用日益增长，人工智能 (Al) 诊断技术的性能正在提高，可以帮助避免医疗实践错误，包括在当前 COVID-19 的情况下。目的：本研究旨在在中国 COVID-19 疫情的背景下，从人工智能诊断与临床医生的不同角度可视化和衡量患者的异质偏好。我们还旨在说明离散选择实验 (DCE) 潜在类别的不同决策因素，以及人工智能技术在 SARS-CoV-2 大流行期间及未来判断和管理中的应用前景。方法：DCE 方法是本文应用的主要分析方法。我们假设了诊断方法、门诊等候时间、诊断时间、准确率、诊断后随访、诊断费用等不同维度的属性，并形成问卷。利用 DCE 问卷收集的数据，应用 Sawtooth 软件对数据集构建了广义多项逻辑 (GMNL) 模型、混合逻辑模型和潜在类别模型。此外，我们计算了变量的系数、标准误差、P 值和优势比 (OR)，并形成效用报告以呈现属性的重要性和加权百分比。结果：无论临床医生的描述如何，共有 55.8% 的受访者 (767 人中的 428 人) 选择了 AI 诊断。在 GMNL 模型中，我们发现人们最喜欢 100% 的准确率 (OR 4.548, 95% CI 4.048-5.110, P <.001)。对于潜在类别模型，最容易接受的模型由 3 个潜在类别的受访者组成。影响最大、百分比权重最高的属性是诊断的准确性（总体为 39.29%）和费用（总体为 21.69%），尤其是对诊断“准确性”属性的偏好，该属性在各个类别中保持不变。对于第 1 类和第 3 类，人们更喜欢 AI + 临床医生的方法（第 1 类：OR 1.247，95% CI 1.036-1.463，P <.001；第 3 类：OR 1.958，95% CI
出版详情：Shen, J., Chen, J., Zheng, Z., Zheng, J., Liu, Z., Song, J., Wong, SY, Wang, X., Huang, M., Fang, P.-H., Jiang, B., Tsang, W., He, Z., Liu, T., Akinwunmi, B., Wang, CC, Zhang, CJP, Huang, J., & Ming, W.-K. (2020)。一种用于诊断妊娠期糖尿病的创新型人工智能应用程序 (GDM-AI)：开发研究。医学互联网研究杂志，22(9)，文章 e21573。https://doi.org/10.2196/21573
1 暨南大学医学院公共卫生与预防医学系，广州，中国 2 中山大学肿瘤防治中心，广州，中国 3 暨南大学信息科学与技术学院，广州，中国 4 暨南大学国际学院，广州，中国 5 中山大学国际关系学院，广州，中国 6 暨南大学新闻与传播学院，广州，中国 7 格罗宁根大学经济与商学院，格罗宁根，荷兰 8 布莱根妇女医院妇产科，波士顿，美国 9 哈佛大学医学院麻省总医院基因组医学中心，波士顿，美国 10 香港中文大学妇产科，香港，香港 11 香港大学公共卫生学院，香港，香港 12 香港中文大学流行病学与公共卫生系环境与健康多学科合作研究中心英国伦敦帝国理工学院圣玛丽校区公共卫生学院生物统计学专业 * 这些作者的贡献相同