XiaoMi-AI文件搜索系统
World File Search System人力成本
“迷彩经济” 的增长和 9/11 后战争的商业化
近二十年来，政府官员、私营公司和保守派智库一直宣扬军事承包商可以降低成本，但实际上，军事承包的增长——我称之为“迷彩经济”——实际上增加了这个国家军事行动的总体成本。之所以称之为迷彩经济，是因为美国政府利用军事商业化（通常被错误地称为“私有化”）作为伪装，掩盖了美国 9/11 后战争的真实财务和人力成本。至于人力成本，2019 年，美国承包商有 53,000 名，而美国在中东的军队有 35,000 名。自 2001 年美国入侵阿富汗以来，估计已有 8,000 名美国承包商死亡，此外还有约 7,000 名美国士兵死亡。2
操作，安全和许可指南
以及汽车提供的所有好处，还具有成本。超过建筑和维护我们的道路的直接成本，还有环境和人力成本。艾伯塔省道路安全的最新统计数据显示，2016年有133,124次碰撞。今年，这些碰撞中有273人被杀，12,465人受伤。大多数碰撞可以预防。
平易近人、真诚可信、易于理解
在我的整个职业生涯中，我形成了一种领导哲学，我称之为三个 P：激情、个性和人。如果你是一个充满激情的领导者，试图为你的士兵树立最好的榜样，他们会从中受益，因为他们会看到你对服务感到兴奋和热情。你还必须有个性，也就是说要和蔼可亲、谦逊。这为士兵和其他领导者每天对你的期望定下了基调。最后一个 P 是人。一个充满激情的仆人式领导者应该始终考虑每件事的人力成本。有时，领导者可能会专注于任务完成，而忽视其对组织、人员及其家人的影响。
基于人工智能的金融风险评估研究
摘要。人工智能（AI）模型在金融风险领域的有效应用，可以提高数据处理速度、深化数据分析程度、降低人力成本，从而有效提高金融风险管控效率。人工智能在金融风险管理领域的应用，对金融监管的制度设置和运行模式提出了新的要求。随着计算机和网络技术的快速增长、市场交易频率的提高、数据来源的多样化以及大数据的发展应用，给基于海量数据的金融风险管理带来了新的挑战。基于此，本文分析了人工智能在促进金融业改革与成长中的作用，并提出了在金融风险管理领域合理运用人工智能的对策。
使用视觉语言模型端到端自主驾驶
自主驾驶技术一直在迅速发展。主流体系结构涉及将整个管道分为几种不同的功能，例如感知，本地化和映射，预测，计划和控制。这个过程被认为是绩效，安全性和解释性之间的不错的权衡。但是，尽管驾驶员辅助系统（L2至L3）开始占据很大的市场份额，但高级（L4+）自主驾驶仍然落后于大规模生产。背后有几个原因：复杂的体系结构：当前的主流溶液具有二十次甚至更多模块。由于计算功率限制，单个模块的性能上限不高；系统中的内部接口太多，很难传输和优化。本地和整体优化目标有时需要冲突，因此很难观察到绩效的改进。高成本：随着模块数量的增加，研发/维护/人力成本飙升。重复发明，
揭秘数据准备的人工智能
数据准备——发现、集成、转换、清理和注释数据的过程——是最古老、最难但又不可避免的数据管理问题之一。不幸的是，众所周知，数据准备是迭代的，需要高昂的人力成本，而且容易出错。人工智能 (AI) 的最新进展在许多数据准备任务上显示出非常有希望的结果。从高层次上讲，数据准备人工智能 (AI4DP) 应该具备以下能力。首先，人工智能模型应该捕捉现实世界的知识，以解决各种任务。其次，轻松适应新的数据集/任务非常重要。第三，数据准备是一个复杂的流程，有许多操作，这会导致有大量的候选者需要选择最优的，因此有效和高效地探索大量可能的流程空间至关重要。在本教程中，我们将介绍三个重要主题来解决上述问题：揭开基础模型的神秘面纱以注入数据准备知识、调整和调整预训练语言模型以进行数据准备，以及为不同的下游应用程序编排数据准备管道。
疫苗和行为对美国新冠肺炎累计死亡人数的影响
摘要 我们估计，与没有开发疫苗的情况相比，通过改变行为来减缓 COVID-19 的传播，以及在 2021 年中期向绝大多数美国人口提供疫苗，这些举措挽救了近 80 万美国人的生命。我们认为，这种行为反应的持续时间和幅度——以及它在延缓感染方面取得的总体成功——令人意外，无论是相对于我们对大流行性流感的历史经验，还是基于该经验的模型预测而言。因此，我们从过去四年应对 COVID-19 的经验中得出了一个重要的公共卫生教训，即行为改变可以成为长期减缓危险传染性呼吸道疾病传播的强大力量。同时，这些旨在减缓 COVID-19 传播的行为改变也付出了巨大的经济、社会和人力成本。为了避免在下一次大流行中出现类似的缓解痛苦，我们认为，我们现在不仅需要对疫苗开发进行投资，还需要对数据基础设施进行投资，以便我们能够精准地针对行为导向的缓解措施，以尽量减少下一次大流行中的经济和社会影响。
疫苗和行为对美国新冠肺炎累计死亡人数的影响
我们估计，与没有开发疫苗相比，行为改变减缓了 COVID-19 的传播，并在 2021 年年中之前向绝大多数美国人口提供疫苗，这两项举措共同挽救了近 80 万美国人的生命。我们认为，这种行为反应的持续时间和强度——以及它在延缓感染方面取得的总体成功——令人惊讶，无论是相对于我们对大流行性流感的历史经验，还是基于该经验的模型预测。因此，我们从过去四年应对 COVID-19 的经验中得出了重要的公共卫生教训，即行为改变可以成为长期减缓危险传染性呼吸道疾病传播的强大力量。与此同时，这些减缓 COVID-19 传播的行为改变付出了巨大的经济、社会和人力成本。为了避免在下一次大流行中出现类似的缓解痛苦，我们认为，我们现在不仅需要对疫苗开发进行投资，还需要对数据基础设施进行投资，以便我们能够精准地针对行为导向的缓解措施，以最大限度地减少下一次大流行对经济和社会的影响。
过量预防措施 - trategy.pdf- aspe
•过量危机主要由合成阿片类药物（主要是非法生产的芬太尼）驱动。涉及甲基苯丙胺等精神刺激剂的药物过量也正在增加，无论是随着和没有合成阿片类药物的参与而增加的。•药物过量的公共卫生负担远远超出了过量死亡对药物使用障碍（SUD）（包括非致命过量过量）的其他后果的破坏性影响。这场危机的人力成本也对家庭，照顾者和社区产生了辐射影响。•鉴于危机的面貌不断变化，包括在19日大流行期间，美国卫生与公共服务部（HHS）正在释放一种新的，全面的，资源丰富的预防策略，以加强我们的主要预防工作，并增加对SUD及其家人的全面护理和服务的访问权限。•HHS的专家聚集在一起，利用最佳证据来确定该战略的四个关键目标领域：主要预防，减少伤害，基于证据的治疗和恢复支持。•该战略体现了HHS为加强预防和治疗的重新启动努力，以及其最近对减少危害和恢复支持服务的最新承诺。该战略认识到解决过量危机需要采用多方面和综合的方法，涵盖公共卫生，医疗保健，人类服务和许多其他部门。它还优先考虑将研究转化为公平实践，并确定了我们对如何减轻过量危害的理解的方法。•HHS过量预防策略反映了服务不足的人口和基于证据的政策的拜登 - 哈里斯行政原则，并且更加包含所有受影响的人群。
人工智能自主武器可能引发地缘政治不稳定并威胁人工智能研究
最近，机器学习 (ML) 在自主武器系统 (AWS) 开发中的应用给地缘政治稳定和人工智能研究领域的思想自由交流带来了严重风险。与超级人工智能 (AGI) 带来的风险相比，这一主题最近受到的关注较少，但对技术发展进程的假设较少，因此是一个近期问题。机器学习已经使 AWS 能够在许多战场角色中取代人类士兵，从而降低发动进攻性战争的前期人力成本，从而降低政治成本。在同等对手的情况下，这增加了“低强度”冲突的可能性，而这种冲突有升级为更大范围战争的风险。在非同等对手的情况下，它减少了侵略战争对国内的反击。无论使用军事人工智能的其他道德问题（例如平民伤亡风险）如何，这种影响都可以发生，并且不需要任何超人的人工智能能力。此外，AWS 的军事价值引发了人们对人工智能军备竞赛的担忧，以及对人工智能研究实施国家安全限制的错误做法。我们在本文中的目标是提高公众和机器学习研究人员对军事技术完全或接近完全自主所带来的近期风险的认识，并提供监管建议以减轻这些风险。我们呼吁人工智能政策专家，尤其是国防人工智能社区在开发和部署 AWS 时保持透明度和谨慎，以避免我们在此强调的对全球稳定和人工智能研究的负面影响。