XiaoMi-AI文件搜索系统
World File Search System多义性
杰基尔博士还是海德先生？ - 人工智能和……
人工智能已成为社会运作的中心话题，因此也是管理的中心话题。它正在迅速渗透到组织管理的各个方面。本文首先研究了智能的本质，对比了自然智能和人工智能。然后，研究了人工智能在管理的几个领域中能给管理带来的好处，即所谓的人工智能的杰基尔博士面孔，以及人工智能的危险，即所谓的人工智能的海德先生面孔。这项研究首先表明，人工智能仍然是多义性的，因此不容易掌握；其次，虽然它无疑可以帮助管理，特别是在数据挖掘、处理和速度方面，但它充满了风险和危险，如果不加以控制，可能会剥夺人类对管理的控制权，导致社会结构的恶化。论文类型：概念
自动同义词库发现探索 - 它有效！
当然，并非所有处理自然语言的系统都渴望实现自然语言理解。例如，从历史上看，信息检索系统在分析（索引）自由文本时从未尝试使用任何类型的自然语言处理 (NLP)，更不用说需要语义关系的处理了。然而，面对大规模应用中性能下降的问题，此类系统的设计人员越来越多地尝试通过使用语言和语义资源来克服语言变化的问题（例如，表达“相同”想法的多种方式）和“单词”的多义性。不幸的是，计算语言学家使用知识库和词汇语义关系的声明性表示来支持相对受限领域的 NLP 系统所取得的适度成功，并没有在大规模信息检索系统的背景下重复。原因并不神秘：不存在一般、全面的语言知识库；没有人知道如何建立它们；即使有足够的理解，也没有人负担得起建立它们的费用；单词的“意义”数量和
自然语言和人工智能
矛盾的是，自然语言只有对其母语人士来说才是自然的。因此，不同国家的母语人士，甚至是专家，最初（60 年前及以后）都相信任何自然语言处理 - 自然语言处理（NLP） - 都是相当简单和可行的事情。实践表明，大量的语言属性几乎不可能形式化。当我们强调研究语言使用中所体现的认知过程的重要性时，所指的正是这些属性。对此，Kibrik 2020:59文章指出：“语言和言语活动代表着无形的认知系统的主要表现之一。每一个智人代表都会不断大量地产生可以作为研究一般认知过程的数据的材料。”从 NLP 角度来看，最重要的认知现象包括语言的一些关键特性，例如多义性、同音异义性、语义的非离散性、类比（Kazakovskaya、Onipenko 2020）、隐含性、推理性、内涵性、模糊性、融合性、内容表达的“非线性”等。因此，在鲍里索夫 2020:47 的文章中对此指出：“意义的阴影”是“两种意义之间的中间”。因此，正如亚历山德罗夫 2020:37 的文章所指出的那样：“人工智能在许多领域无法与人类竞争”，更不用说（机器）翻译了，尽管它已经朝着积极的方向发展，但还远远没有达到无处不在的程度；查看更多详细信息在 Ryabtsev 的文章 2023 中。因此，现代语言学在这方面的研究与识别潜在的认知结构和过程有关
逻辑与人工智能特刊
高度发展。然而，众所周知，经典布尔逻辑在处理不确定性、等级真值或相似性等问题时是不够的，因此出现了其他更具表现力的逻辑，这些逻辑与人工智能更加相关。非经典逻辑作为解决许多人工智能挑战的方法而出现。事实上，正是在 20 世纪，逻辑中解决了模糊性、多义性和不确定性的形式化问题。这样，改变或删除经典逻辑的七个传统标准属性中的一些属性的想法导致了非经典逻辑的诞生。这些逻辑包括一大类不同的逻辑系统，例如模态逻辑、模糊逻辑、直觉逻辑或多值逻辑 [7、8、10 – 13、20、24、25、27、31]。在人工智能领域，我们通常区分出四种一般方法 [33]：基于逻辑的人工智能、非逻辑主义人工智能、智能代理连续体方法和异构人工智能方法。基于逻辑的人工智能是一种符号方法，由麦卡锡 [28] 于 1959 年具体发起，它基于使用逻辑将知识形式化并通过逻辑推理解决问题的一般思想。该方法涵盖的一些主要领域包括知识表示、信念理论、系统实现、非单调推理、溯因和归纳推理、常识推理和规划以及问题解决（有关基于逻辑的人工智能的一般讨论，请参阅 [29]）。请注意，基于逻辑的人工智能是本特刊中处理的方法。多值逻辑应用的最突出领域是基于逻辑的人工智能。一些重要的应用领域包括数据和知识挖掘的自动化、模糊概念的形式化和常识推理。在文献中，在人工智能中使用多值逻辑的研究工作包括：Aksoy 和 Ercanoglu [ 1 ] 在滑坡识别和分类中使用多值逻辑；Moraga 等人[30] 回顾并讨论了用于模糊控制的多值逻辑；Falomir 等人[22] 使用描述逻辑来解释数字图像，通过每个对象的颜色和定性形状以及其主要空间特征（位置、相对方向和拓扑）来描述每个对象，这允许通过推理推断出新的对象类别（例如门）；Corsi 和 Fermüller[14] 探讨了加权论证框架与基于 t 范数的逻辑之间的联系； Almubarak 等人 [ 2 ] 提出了一种基于模糊逻辑的颜色直方图分析方法，用于在皮肤镜图像中区分良性皮肤病变和恶性黑色素瘤；Badia 等人 [ 4 ] 和 Costa 和 Dellunde [ 15 ] 研究了模糊逻辑编程和计算机科学中相关概念的逻辑属性，16]；Eklund 和Löfstrand[19]应用多值逻辑，旨在丰富制造业中关于产品和生产过程的信息结构及其表示的语言；Falomir 和Pich[32]提出了一种组成定性形状的逻辑方法，并将其应用于解决空间推理测试；Flaminio等人[23]分析了多值逻辑与不确定性决策理论之间的关系；Falomir等人[21]定义了将模糊颜色模型与概率参考和接地机制（PRAGR）相结合的逻辑，以便根据上下文获得对象最具辨别力的颜色描述符。最近，Dubois等人[18]发表了关于用于推理的多值逻辑的专刊。