XiaoMi-AI文件搜索系统
World File Search System回报
利用可解释的人工智能优化贷款组合的回报目标函数
近年来，数据科学方法得到了长足发展，并已进入银行和金融业的许多业务流程。其中一个例子是信贷申请的审核和批准流程，使用数据科学的目的是减少贷款组合中罕见但代价高昂的信贷违约。但也存在挑战。由于违约是罕见事件，即使使用机器学习 (ML) 技术，也很难提高预测准确性，而且改进往往微不足道。此外，虽然从事件预测的角度来看，非违约与违约相同，但从经济角度来看，这对最终用户来说更为重要，因为成本不对称性很高。最后，在采用高级 ML 方面存在监管限制，因此 FINMA 和 BaFin 等监管机构呼吁可解释的人工智能 (XAI)。在我们的研究中，我们将应对这些挑战。具体来说，基于一个典型用例，我们展示了如何使 ML 方法适应信贷评估的特定需求，以及在错误预测的成本高度不对称的情况下，优化经济目标函数而不是准确性是有意义的。我们展示了两个简单且可临时解释的 ML 算法，发现在信贷审批的情况下，令人惊讶的高拒绝率有助于实现利润最大化。
生成式人工智能模型——商业中的风险和潜在回报
1 Gartner，《7 项将彻底改变销售的技术颠覆》，2022 年 10 月 10 日。https://www.gartner.com/en/articles/7-technology-disrup- tions-that-will-completely-change-sales。GARTNER 是 Gartner, Inc. 及其附属公司在美国和国际上的注册商标和服务标志，在此经许可使用。保留所有权利。 2 网站：//wwww.smithsonianmag.com/smart-news/artificial-intelligence-art-wins-colorado-state-fair-180980703/ 3 网站：//wwww.weforum.org/press/2023/01/satya-nadella-says-ai-golden-age-is-here-and-it-s-good-for-humanity 4 网站：//openai.com/blog/microsoft-invests-in-and-partners-with-openai 5 网站：//blogs.microsoft.com/blog/2023/01/23/microsoftandopenaiextendpartnership/ 6网址：//blog.google/technology/ai/bard-google-ai-search-updates/ 7 网址：//ai.facebook.com/
供应链中的生成式人工智能：获得更好回报的途径
为了证明拟议投资的合理性，需要量化拟议计划如何提高员工生产力，并明确说明对关键绩效指标 (KPI) 的影响，无论是服务水平、成本还是库存。例如，创建预测报告的生成式 AI 聊天机器人可能会提高需求规划人员的生产力。但它是否会提高规划人员能力范围之外的订单完成率？还是只会为规划人员提供更多时间专注于其他增值活动？在这种情况下，生产力价值存在明显差异。提前确定这一点并进行定期验证有助于尽早减少投资损失。
始终执行我们的战略，实现增长和有弹性的有吸引力的股东回报
2025年2月 - 结果和目标| 6（1），包括（0.7）b $ corporate（2）1.5 b $在2024年底（3）的特殊营运资金项目，包括雇员的覆盖范围
瑞典全球移民，回报和自愿遣返的新战略2024–2028
不规则的移民和强迫流离失所对社会产生了复杂的后果，并使个人处于危险之中。在过去的十年中，强迫流离失所的逐年增加，不规则的移民为人类走私的黑市饲养并增加了贩运风险。在原籍国，移民路线和接收国家中创造了犯罪，剥削和受害的繁殖场。当没有合法权利的个人留在一个国家（包括瑞典）时，请勿返回，对迁移和庇护系统的信心也受到破坏，并且“影子社会”的风险蔓延。在合作伙伴国家运作基础设施，以帮助返回者融入社会，经济可以增加自愿遣返的激励和可能性，并在发展中国家对当地的社会利益做出贡献。有序的迁移需要国际合作。
释放人工智能的潜力 衡量医药创新的回报 – 第 14 版
欢迎阅读《释放人工智能的潜力》，这是德勤衡量医药创新回报系列的第十四份年度报告。我们的报告探讨了生物制药行业的表现及其从对开发渠道中的创新产品的投资中获得回报的能力。当前的生物制药研发运营模式面临着若干严峻挑战，包括持续的监管变化、前所未有的大量高价值资产的独占权丧失以及科学技术进步的快速步伐。然而，数字化和人工智能 (AI) 的进步为提高研发生产力提供了新的机会，为新创新时代铺平了道路，并加速了患者获得新疗法的机会。与往常一样，我们的报告探讨了行业的表现、后期投资组合的变化特征以及生物制药公司提高资本回报的机会。
平均收益，总收益和点回报目标的策略复杂性
背景。马尔可夫决策过程（MDP）是表现出随机行为和受控行为的动态系统的标准模型[18]。应用包括控制理论[5，1]，运营研究和金融[2，6，20]，人工智能和机器学习[23，21]和正式验证[9，3]。MDP是一个有向图，其中状态是随机或控制的。在随机状态下，根据固定概率分布选择下一个状态。在受控状态下，控制器可以在所有可能的后继状态下选择分布。通过修复控制器（和初始状态）的策略，可以获得MDP运行的概率空间。控制器的目标是优化运行中某些目标函数的预期值。实现ε最佳的策略类型（分别最佳值称为其策略复杂性。过渡奖励和liminf目标。MDP通过分配实现的奖励结构（分别为整数或理性）对每个过渡的奖励。每次运行都会诱导看到过渡奖励r 0 r 1 r 2的无限序列。。。。我们考虑了该序列的LIM INF，以及其他两个重要的衍生序列。1。点回报考虑了序列r 0 r 1 r 2的lim inf。。。直接。
2024 年第一季度私人实际回报 (PRR) 业绩更新
• 玉米和小麦的结转库存较高，但产量担忧使价格相对坚挺。人们对印度尼西亚和越南的咖啡产量感到担忧。可可价格已脱离极高水平。 • 能源市场继续放缓，尽管 MLP 和管道表现越来越强劲。乌克兰袭击俄罗斯炼油厂和胡塞武装袭击船只都有可能影响价格。由于担心需求疲软和全球经济疲软，欧佩克继续减产。 • 在采矿业，公司资金受限，导致投资不足。铜和黄金的价格都保持在异常高位，而更多小众商品的价格波动很大。从长远来看，预计采矿大宗商品的需求仍将受到电气化和能源转型的推动。
自我监督的强化学习与双重回报有关知识感知建议
为了提高建议准确性并提供建议的解释，增强学习（RL）已应用于知识图的路径推理。但是，在建议任务中，大多数现有的RL方法仅使用短期或单一的奖励来学习路径调查策略，从而导致本地最佳选择并失去一些潜在的路径。为了解决这些问题，我们提出了一个自我监督的强化学习（SSRL）框架，并结合了双重回报，以实现知识图表的知识建议推理。然后，我们通过使用双回报驱动的策略来改善参与者 - 批评算法，该策略将短期奖励与长期增量评估相结合。改进的算法在整体情况下有助于政策指南路径推理。此外，要找到最潜在的路径，在改进的参与者 - 批评算法中，每个样品的损耗约束用作加强信号以更新梯度。有了针对基准的一些改进，实验结果证明了我们框架的有效性。©2022 Elsevier B.V.保留所有权利。
PETRONAS 节省了 1740 万美元，实现了 14 倍的投资回报
AVEVA Predictive Analytics 是一种资产绩效管理解决方案，可在设备故障发生前几天、几周甚至几个月提供预警通知和诊断。这有助于 PETRONAS 等资产密集型组织减少设备停机时间、提高可靠性、提高性能和安全性，并减少运营和维护支出。在 PETRONAS，该解决方案与 OSIsoft（现为 AVEVA 的一部分）的 PI System 配合使用，后者收集工厂中关键资产的数据。PI System 收集并构建这些数据以进行历史化和分析。基于 AI 的 AVEVA Predictive Analytics 模型使用这些数据来突出显示任何异常、趋势、潜在事件或故障，并使团队能够根据需要进行改进。