XiaoMi-AI文件搜索系统
World File Search System对决
人工智能（AI）对决策的影响......
摘要 自古以来，创新就是提高生活水平的主要力量。但是，由于创新使过时的技术过时，因此这是一个非常具有颠覆性的过程。在 20 世纪后期出现的所有新技术中，人工智能的发展可能对组织决策产生最大的影响。由于人工智能技术和模型的发展主要集中在人类认知的心理模型上，因此其在复杂社会环境中应用的后果尚未得到充分研究。本文旨在开展研究，以增进我们对人工智能在复杂组织中的影响和功能的理解。在一组已创建的 11 个假设中，已经研究了人工智能技术与组织决策组成部分之间的联系。这里指出，实施专家系统将导致政治决策过程不那么复杂，但实施自然语言系统将导致政治决策过程更复杂。关键词 - 人工智能、决策。
人工智能对决策的影响......
1,2 学生，计算机科学系，Anil Neerukonda 理工学院。摘要：人工智能 (AI) 在决策过程中的使用已成为现代动态商业环境中组织发展的关键驱动力。本案例研究探讨了智能在企业决策中的广泛影响、困难和变革可能性。我们发现，应用数据分析、模式识别和人工智能如何通过综合战略提高决策能力和准确性。来自各个行业的真实案例展示了人工智能驱动的决策如何提高生产力、降低风险和鼓励创新。然而，随着企业充分利用人工智能，道德问题变得更加重要。如今，必须仔细考虑包括算法偏见、数据隐私担忧和对人类注意力的需求在内的因素。本文讨论了这种复杂性，并强调了整合道德人工智能的重要性。得到了 250 名使用 Google Docs 研究论文的工人的认可。结果说明了直接参与人工智能驱动决策的专业人士所经历的优势和困难。最后，本研究展示了人工智能如何超越效率，开发商业决策模型。通过了解人工智能的功能和道德规范，组织可以克服障碍，最大限度地发挥其潜力，迈向人工智能和人类在决策中共享共同智慧的时代。关键词：人工智能、决策、组织发展 1. 简介： • 由于技术的快速进步，当今的企业格局正在发生变化。
海报：AUTOLYCUS：利用可解释人工智能 (XAI) 对决策树模型进行模型提取攻击
模型反转 [1] 和模型提取（窃取）攻击 [2] 是先进的对抗技术，可危及机器学习 (ML) 模型的安全和隐私。这些攻击从模型中提取敏感信息，例如训练数据和超参数。出于对日益增长的安全和隐私问题的担忧，文献中研究了越来越多的 ML-as-a-service 系统，这些系统提供使用机密数据训练的 ML 模型以及这些模型的可公开访问的查询界面。对黑盒 AI 模型可解释性的研究引发了一个新的研究课题可解释人工智能 (XAI) [3]。XAI 旨在描述难以被人类理解的 AI 模型的内部工作原理，以便可以描述模型的准确性、公平性、透明度和结果 [4]。其中一种方法是局部可解释模型不可知解释 (LIME) [5]，它通过围绕该样本生成局部替代数据集来识别给定样本的最重要特征（影响 AI 的决策）。通过结合 XAI 产生的额外漏洞，可以增强对抗性 ML 攻击的能力。因此，我们提出了一种名为 AUTOLYCUS 的新型模型提取攻击，它使用来自 LIME 的模型解释来生成比最先进的攻击更少的查询，以揭示决策树模型的决策边界，并将这些边界提取到本地训练的代理模型。AUTOLYCUS 还可以从其他资源获得的样本中获取信息。这些资源可能包括先前采样的查询和其他数据集。我们演示
海报：AUTOLYCUS：利用可解释人工智能 (XAI) 对决策树模型进行模型提取攻击
模型反转 [1] 和模型提取（窃取）攻击 [2] 是先进的对抗技术，可危及机器学习 (ML) 模型的安全和隐私。这些攻击从模型中提取敏感信息，例如训练数据和超参数。出于对日益增长的安全和隐私问题的担忧，文献中研究了越来越多的 ML-as-a-service 系统，这些系统提供使用机密数据训练的 ML 模型以及这些模型的可公开访问的查询界面。对黑盒 AI 模型可解释性的研究引发了一个新的研究课题可解释人工智能 (XAI) [3]。XAI 旨在描述难以被人类理解的 AI 模型的内部工作原理，以便可以描述模型的准确性、公平性、透明度和结果 [4]。其中一种方法是局部可解释模型不可知解释 (LIME) [5]，它通过围绕该样本生成局部替代数据集来识别给定样本的最重要特征（影响 AI 的决策）。通过结合 XAI 产生的额外漏洞，可以增强对抗性 ML 攻击的能力。因此，我们提出了一种名为 AUTOLYCUS 的新型模型提取攻击，它使用来自 LIME 的模型解释来生成比最先进的攻击更少的查询，以揭示决策树模型的决策边界，并将这些边界提取到本地训练的代理模型。AUTOLYCUS 还可以从其他资源获得的样本中获取信息。这些资源可能包括先前采样的查询和其他数据集。我们演示
综合环境应对决策记录...
田纳西州橡树岭环境管理处置设施的《综合环境反应、补偿和责任法案》橡树岭保护区废物处置决策记录是根据 1980 年《综合环境反应、补偿和责任法案》（经 1986 年《超级基金修正案和重新授权法案》修订）的要求制定的，旨在向公众介绍橡树岭保护区 (USDOE) 国家优先事项清单场地清理过程中预计产生的废物处置的选定补救措施。本决策记录记录了美国能源部 (DOE)、田纳西州环境保护部和美国环境保护署商定的选定补救措施。本文件总结并依赖了 D5 补救调查/可行性研究 (DOE 2017a)、拟议计划 (DOE 2018a) 以及田纳西州橡树岭橡树岭保护区 CERCLA 废物处置水管理重点可行性研究 (DOE 2022) 中的信息。
基于分支对决 Q 网络的分布式储能系统微电网在线调度
I. 引言 微电网是一种很有前途的概念，它可以解决将分布式可再生能源和储能系统整合到电网中的挑战。在线优化是根据系统的实时状态来调度微电网的运行，是确保微电网经济运行的关键技术。然而，可再生能源的不确定性给微电网的在线优化带来了巨大的挑战。为了解决这个问题，研究人员提出了几种在线优化方法，如模型预测控制 (MPC) [1] 和基于近似动态规划 (ADP) 的算法 [2]。然而，上述方法的在线优化性能依赖于预测信息。因此，性能受到可再生能源和负荷功率的预测精度的影响。为了减少对预测的依赖，已经提出了几种其他的微电网在线优化方法，包括 Lyapunov 优化 [3]、CHASE 算法 [4] 以及最近开发的基于深度强化学习 (DRL) 的优化方法（例如深度 Q 网络 (DQN) [5]、MuZero [6]）。
基于分支对决 Q 网络的分布式储能系统微电网在线调度
引言微电网是一个很有前途的概念，它可以解决分布式可再生能源和储能系统融入电网的挑战。在线优化是根据系统的实时状态对微电网的运行进行调度，是确保微电网经济运行的关键技术。然而，可再生能源的不确定性给微电网的在线优化带来了巨大的挑战。为了解决这个问题，研究人员提出了几种在线优化方法，如模型预测控制（MPC）[1]和基于近似动态规划（ADP）的算法[2]。然而，上述方法的在线优化性能依赖于预测信息。因此，性能受到可再生能源和负荷功率的预测精度的影响。为了减少对预测的依赖，已经提出了其他几种微电网在线优化方法，包括Lyapunov优化[3]、CHASE算法[4]以及最近开发的基于深度强化学习（DRL）的优化方法（例如深度Q网络（DQN）[5]、MuZero [6]）。与传统的微电网在线优化方法（例如MPC）相比，基于DRL的算法通过历史可再生能源发电和负载序列来学习操作系统，并且可以在不使用任何预测信息的情况下进行近似最优调度[6]。然而，上述工作主要关注具有单个电池储能系统（BESS）的微电网的在线优化，未能解决BESS的分布式位置特性。随着商业和家庭储能技术的快速发展，大量BESS将安装在微电网的分布式位置。
Larkden Pty Limited 与 Lloyd Energy Systems Pty Limited 的对决
引用的案例：Comandate Marine Corp 诉 Pan Australia Shipping Pty Ltd (2006) 157 FCR 45 Metrocall Inc (Pronet Inc 合并后的公司) 诉 Electronic Tracking Systems Pty Ltd (2000) 52 NSWLR 1 Siemens 诉 Origin Energy Uranquinty Power [2011] NSWSC 195 Gordian Runoff 诉 Westport Insurance (2010) 267 ALR 74 Desputeaux 诉 Editions Chouette (1987) inc [2003] SCC 17 Tjong Very Sumito 诉 Antig Investments [2009] 4 SLR(R) 732 Francis Travel Marketing Pty Ltd 诉 Virgin Airlines Ltd (1996) 39 NSWLR 160 IBM Australia Ltd 诉 National Distribution Systems Ltd (1991) 22 NSWLR 466 Bass 诉 Permanent Trustee Co Ltd (1999) 198 CLR 334 Rediffusion (Hong Kong) Ltd 诉香港律政司 [1970] AC 1136 1974 年贸易惯例法（第 163A 条）及 Tooth & Co Ltd 的申请案（1978 年）19 ALR 191 Rediffusion (Hong Kong) Ltd 诉香港律政司 [1970] AC 1136 联邦诉 Sterling Nicholas Duty Free（1972 年）126 CLR 297 Halki Shipping Corporation 诉 Sopex Oils Ltd [1998] 1 WLR 726
对决策的情感影响的见解
多年来，制造商一直致力于提高其生产率。生产计划操作对此目标至关重要。但是，在现代制造系统中，必须定期更新原始时间表，因为它发生在动态和不确定的环境中。因此，现代制造环境对负责生产过程的管理人员来说是非常压力的，因为他们必须应对许多干扰和不确定性。为了帮助他们在决策过程中，已经开发了一些决策支持系统（DSS）。最近且巨大的挑战是实施DSS，以有效地管理上述问题。如今，这些DSS被假定可以减少用户的压力和工作量，因为它们会自动（重新）通过应用算法安排生产。 据我们所知，用户精神状态（即认知和情感状态）的相互影响以及这些DSS的使用在文献中受到了有限的关注。 尤其是，用户无关情绪的影响降低了关注。 但是，这些影响特别令人感兴趣，因为它们可以解释DSS的效率，尤其是在调节DSS反馈处理时。 因此，我们假设调查DSS和用户精神状态的相互影响可以提供有用的调查途径。如今，这些DSS被假定可以减少用户的压力和工作量，因为它们会自动（重新）通过应用算法安排生产。据我们所知，用户精神状态（即认知和情感状态）的相互影响以及这些DSS的使用在文献中受到了有限的关注。尤其是，用户无关情绪的影响降低了关注。但是，这些影响特别令人感兴趣，因为它们可以解释DSS的效率，尤其是在调节DSS反馈处理时。因此，我们假设调查DSS和用户精神状态的相互影响可以提供有用的调查途径。然后，本文的目的是通过建议对用户的精神状态进行调查并鼓励在神经经济学方法中进行此类研究，以提供未来的调整和重新安排操作研究的建议。
睡眠不足对决策的影响：综述
很少有睡眠剥夺 (SD) 研究涉及现实主义或高层决策，这些因素与危机期间长时间工作的管理人员、军事指挥官等有关。相反，研究更青睐对 SD 敏感的简单任务，主要是因为它们单调乏味。相比之下，复杂的基于规则、收敛和逻辑的任务不受短期 SD 的影响，似乎是因为参与者的兴趣增强和补偿努力。然而，最近的研究结果表明，尽管付出了这种努力，但 SD 仍然会损害涉及意外、创新、修改计划、竞争干扰和有效沟通的决策。在 SD 之外开发的决策模型为这些后者的影响提供了有用的视角，神经心理学对睡眠功能的解释也是如此。SD 给睡眠不足的决策者带来了特别的困难，他们在紧急情况下需要这些后一种技能。