XiaoMi-AI文件搜索系统
World File Search System工作中
欺诈检测与预防——技术在灭火工作中的作用
© 2024 Infosys Limited，印度班加罗尔。保留所有权利。Infosys 认为本文件中的信息在发布之日是准确的；此类信息如有更改，恕不另行通知。Infosys 承认其他公司对本文件中提及的商标、产品名称和其他知识产权的所有权。除非明确允许，否则未经 Infosys Limited 和/或本文件项下任何指定知识产权持有人的事先许可，不得复制、存储在检索系统中或以任何形式或任何方式（电子、机械、印刷、影印、录制或其他方式）传输本文件或其任何部分。
2019 年警务工作中的多样性、平等和包容性
我们要感谢那些牺牲宝贵时间为本研究提供数据的警官和警务人员。我们向警务人员代表机构对本项目的支持以及国家警察局长委员会表示感谢。如果没有我们合作过的每个警队中个人的辛勤工作和奉献精神，2019 年全国多样性、平等和包容性调查就不可能实现。我们特别感谢 Ian Hesketh、Jenna Flanagan 和 Jude Hever。我们还要感谢 Yuyan Zheng、Olga Epitropaki 和 Fiona Gullon-Scott。
迈向研究工作中能量转移的中间实践
可持续人机交互 (SHCI) 领域将环境问题添加到交互系统的设计中，无论是在制造还是使用过程中 [11]。为了让用户意识到他们的行为对环境的影响，生态反馈界面会感知并提供关于这些行为的相关信息 [6]，例如：消耗的资源、产生的废物或资源状态。然而，Bremer 等人 [2] 指出，SHCI 参与者面临着以个人为中心的方法的局限性和批评，现在正转向影响团体或社区的方法。这样，以实践为导向的方法通过嵌入交互以及专业知识、规范和期望为团体和社区提供了设计框架 [1]。这种方法可以应用于能源使用问题 [1]。由于可再生能源的可用性是可变的并且没有有效的存储能力，转移能源需求是一种最大限度地利用可再生能源而不是不可再生能源的方法。为了支持住宅用户转移能源使用，Brewer 等人[3] 确定了三个挑战，这些挑战与用户对转变的理解、转变必须发生的时刻的定义以及可再生能源可用性的不可预测性有关。因此，设计转变实践具有挑战性，缺乏方法和流程。尽管无法解决所有实践方面（例如文化或政治），但我们表明，通过任务模型进行建模和分析任务可以通过识别潜在的苛刻任务并跟踪从当前实践任务到未来实践任务的实践转变来改进实践设计过程。
从多个湖泊模型的大规模校准工作中学习
1 Tu Dresden，德累斯顿，德国2 Uppsala University，Uppsala，瑞典3国立水上资源研究所（DTU Aqua），丹麦技术大学，公共。 Lyngby，丹麦4 Ecoscience系，Aarhus University，Aarhus，丹麦，这些作者为这项工作做出了同样的贡献。1 Tu Dresden，德累斯顿，德国2 Uppsala University，Uppsala，瑞典3国立水上资源研究所（DTU Aqua），丹麦技术大学，公共。Lyngby，丹麦4 Ecoscience系，Aarhus University，Aarhus，丹麦，这些作者为这项工作做出了同样的贡献。
人工智能的发展：人类活动和工作中的人机关系面临哪些挑战？
1 多年来，人工智能 (AI) 一直是前所未有的媒体报道和关注的主题 1，并引起了许多承诺，但也引起了担忧，其中一些是基于非常投机或与能力相去甚远的的机器。人们对人工智能的强烈兴趣与重大技术进步密切相关，这些技术进步使得计算机在自动语音识别或视觉计算机等许多领域的性能得以显着提高。这些进步为以不同形式（应用程序、机器人、聊天机器人等）引入人工智能开辟了广阔的前景在工作场合。特别值得注意的一点是，越来越多的行业受到关注（工业、卫生、农业、金融、银行、保险、交通等）。AI 已到位
工作中的水意识 1.5 节：水与能源的关系
发电过程中使用的水量很大。2018 年美国地质调查局的一份报告估计，2015 年美国总取水量的 41% 用于热电发电。2 热电厂从河流或湖泊等水源取水，以冷却和冷凝用于驱动涡轮机的蒸汽。取水后，水要么因蒸发而流失，要么被转移或排回水体，水质和温度通常会发生变化。美国能源信息署的数据显示，自 2014 年以来，热电厂的取水量一直在下降，这主要是由于发电结构的变化（例如可再生能源增加）。 3 同样，美国发电总耗水强度（即每单位净发电量平均取水量）已从 2014 年的每千瓦时 15.1 加仑（57.2 升）下降到 2017 年的每千瓦时 13.0 加仑（49.2 升），但仍需耗用 52.8 万亿加仑（2000 亿千升）。
在手动和机器人辅助工作中为操作员建模疲劳5.0
职业应用疲劳以及许多其他人类绩效因素，影响工人的健康状况，从而产生了生产质量和效率。采用行业5.0观点，我们建议将人类绩效模型整合到更广泛的工业系统模型中可以提高建模准确性并带来卓越的成果。将我们的工人疲劳模型整合为其工业系统建筑师模型的一部分，使领先的飞机制造商Airbus可以更准确地预测系统的性能，这是劳动力妆容的函数，这可能是人类工人和机器人的组合，或者是经验丰富且经验丰富且经验丰富且经验丰富的工人的组合。我们的方法证明了将人类绩效模型包括在商店地板上引入机器人的重要性和价值，可用于在工业系统模型中包括人类绩效的各个方面，以满足特定的任务要求或不同级别的自动化。
在手动和机器人辅助工作中为操作员建模疲劳5.0
职业应用疲劳以及许多其他人类绩效因素，影响工人的健康状况，从而产生了生产质量和效率。采用行业5.0观点，我们建议将人类绩效模型整合到更广泛的工业系统模型中可以提高建模准确性并带来卓越的成果。将我们的工人疲劳模型整合为其工业系统建筑师模型的一部分，使领先的飞机制造商Airbus可以更准确地预测系统的性能，这是劳动力妆容的函数，这可能是人类工人和机器人的组合，或者是经验丰富且经验丰富且经验丰富且经验丰富的工人的组合。我们的方法证明了将人类绩效模型包括在商店地板上引入机器人的重要性和价值，可用于在工业系统模型中包括人类绩效的各个方面，以满足特定的任务要求或不同级别的自动化。
生成的人工智能和劳动：工作中的权力，炒作和价值
与其他自动化浪潮一样，生成的AI所谓的潜力转变我们的工作方式。生成的AI是AI的子集，它使用特定类型的机器学习来生成文本或图像之类的内容，而没有预设说明。媒体的推测集中在AI是否可以“增强”起作用或推动大量失业率上。但是，研究生物AI对不同行业的影响揭示了一个更复杂的故事。了解AI将如何影响工作需要查看工作的组织方式，行业的结构以及工作和工作的价值。生成的人工智能和劳动力：工作中的权力，炒作和价值将工人的当前和物质经验纳入公众话语，并质疑有关人工智能的能力和看似无法判断性的促销语言。重要的是，AI公司的狭窄且相互构成的演员正在塑造生成AI的未来，其预期用途和长期影响。同时，工人代理通常被构成，因为它只是一种利用其权力或“落伍”的选择。
高风险软件工程工作中对协作自动化的信任：NASA 案例研究
随着开发人员构建的系统越来越复杂，软件工程工具的自主性也在不断提高。我们研究影响软件工程师对高风险工作场所中的自主工具的信任的因素，因为其他情况下的研究表明，对自主工具的信任过多或过少都会产生负面影响。我们介绍了一项为期十周的民族志案例研究的结果，该研究的工程师与自主工具合作编写控制软件，在美国国家航空航天局支持高风险任务。我们发现，在这种环境下对自主软件工程工具的信任受到四个主要因素的影响：工具的透明度、可用性、其社会背景以及组织的相关流程。我们的观察使我们将信任定义为操作员在与自动化系统合作时所重视的品质，并概述了这种框架和其他结果对研究自主系统信任的研究人员、软件工程工具的设计者以及使用这些工具进行高风险工作的组织的影响。