XiaoMi-AI文件搜索系统
World File Search System从人
推荐引用 推荐引用 Monshizada, Sahber；Sarbazhosseini, Hamed；Mohammadian, Masoud，“从人员、流程、数据和技术的角度概念化人工智能管理”（2021 年）。ACIS 2021 会议论文集。64。https://aisel.aisnet.org/acis2021/64
研究指出，实施人工智能 (AI) 的组织面临着诸多挑战。这些挑战的例子包括缺乏利用人工智能的经验和技能 (Desouza 2018；Ichishi 和 Elliot 2019)、有效管理信息安全 (Choudhary 等人2020；Wirtz 等人2019) 和数据可用性 (Desouza 等人2020；Sun 和 Medaglia 2019)。研究人员提出的挑战会影响组织内人工智能的最终结果和成功实施。最近的研究主要集中在识别人工智能挑战上，很少有研究探索组织如何通过克服这些挑战来成功利用人工智能。本研究旨在探讨以下问题——组织如何从非技术角度管理人工智能，以提高人工智能项目的成功交付率？
方案隔离和鉴定不良的腋窝气味，从人腋区域产生微生物
该方案基于产生微生物隔离和鉴定的不良腋窝气味（Corynebacterium spp。，葡萄球菌hominis，葡萄球菌属。和Micrococcus luteus）。该过程是为了获得模型的微生物培养，用于除臭产物的体外抗菌活性测试。这项研究是通过从人腋区域获取微生物样品，选择性培养基制备，通过条纹镀层的分离，微生物特征的鉴定（形态学，生化和分子鉴定）进行的。该方案可以用作进行类似研究的那些尝试进行微生物分离和鉴定Corynebacterium spp的示例。，葡萄球菌属。或微球属。或其他根据进行的研究进行调整的其他微生物。
定向域间运动使 IsdH 金黄色葡萄球菌受体能够从人体血红蛋白中快速提取血红素
致病性金黄色葡萄球菌利用 IsdH 表面受体主动从人类血红蛋白 (Hb) 中获取铁。血红素提取由受体内的三域单元介导，该单元包含其第二 (N2) 和第三 (N3) NEAT 域，由螺旋连接域连接。提取发生在动态复合体中，其中受体与每个珠蛋白链结合；N2 域与 Hb 紧密结合，而受体内大量的域间运动使其 N3 域能够暂时扭曲珠蛋白的血红素口袋。使用分子模拟结合马尔可夫模型，以及停流实验定量测量血红素转移动力学，我们表明受体内的定向域间运动在提取过程中起着关键作用。N3 域运动的方向性和血红素提取的速率由连接 N2 和连接域的短而灵活的域间系绳内的氨基酸控制。在野生型受体中，源自系链的定向运动使 N3 域能够填充能够扭曲 Hb 口袋的配置，而含有改变的系链的突变受体不太能够采用这些构象异构体并通过间接过程缓慢捕获血红素，其中 Hb 首先将血红素释放到溶剂中。因此，我们的结果表明 IsdH 受体内的域间运动在其能力中起着关键作用
定向域间运动使 IsdH 金黄色葡萄球菌受体能够从人体血红蛋白中快速提取血红素
致病性金黄色葡萄球菌利用 IsdH 表面受体主动从人类血红蛋白 (Hb) 中获取铁。血红素提取由受体内的三域单元介导，该单元包含其第二 (N2) 和第三 (N3) NEAT 域，由螺旋连接域连接。提取发生在动态复合体中，其中受体与每个珠蛋白链结合；N2 域与 Hb 紧密结合，而受体内大量的域间运动使其 N3 域能够暂时扭曲珠蛋白的血红素口袋。使用分子模拟结合马尔可夫模型，以及停流实验来定量测量血红素转移动力学，我们表明受体内的定向域间运动在提取过程中起着关键作用。N3 域运动的方向性和血红素提取的速率由连接 N2 和连接域的短而灵活的域间系绳内的氨基酸控制。在野生型受体中，源自系链的定向运动使 N3 域能够填充能够扭曲 Hb 口袋的配置，而含有改变的系链的突变受体不太能够采用这些构象并通过间接过程缓慢捕获血红素，其中 Hb 首先将血红素释放到溶剂中。因此，我们的结果表明 IsdH 受体内的域间运动在其能力中起着关键作用
从人与机器到人与机器：股票分析的艺术与人工智能
机器学习模型在执行各种任务（尤其是在金融领域）中的开发和性能评估：Gu、Kelly 和 Xiu (2020)、Chen、Pelger 和 Zhu (2020)、Cong、Tang、Wang 和 Zhang (2020)、Aubry、Kraeussl、Manso 和 Spaenjers (2020)、van Binsbergen、Han 和 Lopez-Lira (2020)、Liu (2019)、Zheng (2021)、Hanley 和 Hoberg (2019)。
人们认为人工智能应该从人脸中推断出什么
人脸在人类社会生活中扮演着不可或缺的角色。目前，计算机视觉人工智能（AI）可以捕捉和解释人脸，用于各种数字应用和服务。面部信息的模糊性最近导致不同领域的学者就AI应该根据面部外观对人做出哪些类型的推断展开争论。人工智能研究通常通过参考人们在初次见面场景中如何形成印象来证明面部人工智能推理的合理性。批评者对偏见和歧视表示担忧，并警告说面部分析人工智能类似于面相学的自动化版本。然而，这场辩论缺少的是对人工智能“非专家”如何从道德上评估面部人工智能推理的理解。在一项包含 24 个治疗组的双场景小插图研究中，我们表明非专家 (N = 3745) 在低风险广告和高风险招聘环境中拒绝面部 AI 推断，例如肖像图像中的可信度和可爱度。相反，非专家同意广告中的面部 AI 推断，例如肤色或性别，但不同意招聘决策环境中的推断。对于每个 AI 推断，我们要求非专家以书面答复的形式证明他们的评估。通过分析 29,760 份书面辩解，我们发现非专家要么是“证据主义者”，要么是“实用主义者”：他们根据面部是否需要为推理提供充分或不充分的证据（证据主义辩解）或推理是否会导致有益或有害的结果（实用主义辩解）来评估面部 AI 推理的道德地位。非专家的辩解强调了面部 AI 推理背后的规范复杂性。证据不足的 AI 推理可以通过考虑相关性来合理化，而无关的推理可以通过参考充分证据来合理化。我们认为，参与式方法为日益可视化的数据文化中道德 AI 的发展提供了宝贵的见解。
如何在数据分析中从人工智能中获取真正的价值
随着越来越多的组织采用高级分析（包括高级聚类、预测和建模），将这种权力交到业务决策者手中往往是一项挑战。无论预测计算是由分析平台、使用自动机器学习还是第三方数据科学工具执行，用户都需要一种与高级分析交互的方式，以提出问题并将强大的见解纳入决策。
从人工智能到数字化转型：人工智能就绪框架
摘要 人们已经广泛研究了选择和实施数字技术以实现企业数字化转型目标的策略和方法。人工智能 (AI) 技术最近蓬勃发展，这加剧了对此类研究的需求，因为它们越来越多地应用于各种组织实践，不仅为数字化转型创造了新机遇，也为数字化转型流程管理者带来了新挑战。在本文中，我提出了一个框架，旨在帮助解决这些挑战中的第一个挑战：评估组织的 AI 准备情况，即组织部署 AI 技术实现数字化转型的能力，包括四个关键维度：技术、活动、边界和目标。我表明，该框架可以促进分析组织当前的社会技术 AI 状态以及该技术更充分的增值、社会技术部署的前景。AI 准备框架有助于更全面地理论化 AI 在数字化转型中可以发挥和将发挥的作用。 ª 2021 印第安纳大学凯利商学院。由 Elsevier Inc. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
我应该听从人工智能的建议吗？衡量人类与人工智能决策的适当依赖程度
[1] Gagan Bansal、Tongshuang Wu、Joyce Zhou、Raymond Fok、Besmira Nushi、Ece Kamar、Marco Tulio Ribeiro 和 Daniel Weld。2021 年。整体是否超过部分？人工智能解释对互补团队绩效的影响。在 2021 年 CHI 计算机系统人为因素会议论文集。1-16。[2] Zana Buçinca、Maja Barbara Malaya 和 Krzysztof Z Gajos。2021 年。信任还是思考：认知强制函数可以减少人工智能辅助决策对人工智能的过度依赖。ACM 人机交互论文集 5，CSCW1 (2021)，1-21。[3] Adrian Bussone、Simone Stumpf 和 Dympna O'Sullivan。 2015.对临床决策支持系统中信任和依赖的解释的作用。 2015年医疗信息学国际会议。 160–169。 [4] Arjun Chandrasekaran、Viraj Prabhu、Deshraj Yadav、Prithvijit Chattopadhyay 和 Devi Parikh。 2018.解释是否能让 VQA 模型对人类来说更具可预测性？在 EMNLP 中。 [5] Muhammad EH Chowdhury、Tawsifur Rahman、Amith Khandakar、Rashid Mazhar、Muhammad Abdul Kadir、Zaid Bin Mahbub、Khandakar Reajul Islam、Muhammad Salman Khan、Atif Iqbal、Nasser Al Emadi 等。 2020.人工智能可以帮助筛查病毒和COVID-19肺炎吗？ IEEE Access 8 (2020)，132665–132676。[6] Berkeley J Dietvorst、Joseph P Simmons 和 Cade Massey。2015 年。算法厌恶：人们在看到算法错误后会错误地避开它们。《实验心理学杂志：综合》144，1 (2015)，114。[7] Mary T Dzindolet、Scott A Peterson、Regina A Pomranky、Linda G Pierce 和 Hall P Beck。2003 年。信任在自动化依赖中的作用。《国际人机研究杂志》58，6 (2003)，697–718。[8] Ana Valeria Gonzalez、Gagan Bansal、Angela Fan、Robin Jia、Yashar Mehdad 和 Srinivasan Iyer。2020 年。人类对开放域问答的口头与视觉解释的评估。 arXiv preprint arXiv:2012.15075 (2020)。[9] Patrick Hemmer、Max Schemmer、Michael Vössing 和 Niklas Kühl。2021 年。混合智能系统中的人机互补性：结构化文献综述。PACIS 2021 论文集 (2021)。[10] Robert R Hoffman、Shane T Mueller、Gary Klein 和 Jordan Litman。2018 年。可解释人工智能的指标：挑战与前景。arXiv preprint arXiv:1812.04608 (2018)。
从人类脑电图解码个性化运动皮层兴奋状态
图 1. 用于优化每个参与者个性化分类器的分析程序。原始 EEG 数据经过频谱分析。计算 MEP 振幅并通过中值分割分为小 MEP 和大 MEP。之后，通过拟合 100 个不同的 lambda 值和 168 个不同的特征数的 LDA 分类器执行 5 倍交叉验证网格搜索，并按重要性顺序添加特征。然后，选择每个参与者表现最佳的交叉验证分类器，并使用交叉验证期间获得的每个预测类的真实 MEP 振幅计算预测的 MEP 振幅调制。对于每个参与者，在优化和分类循环中训练和测试 16,800 个分类器，这在标准笔记本电脑上需要约 4 分钟。