XiaoMi-AI文件搜索系统
World File Search System应用模式
经验学习 - 一个适合探索未知
1仪器科学和光学学院 - 北京信息科学技术大学，北京，中国摘要：一个新颖的机器学习框架 - 经验学习（EL），用于观察新对象和掌握新技能，通常可以应用于探索未知的人工智能机器人（空中）。与传统方法不同，不必在模型培训之前准备大型培训样本。取而代之的是，通过不断观察或刺激研究对象并记录这些经验来建立经验链，这是受早期人类学习行为启发的。通过连续观察和尝试，经验链被更新，并逐渐收敛于研究对象的实际输出概率。当前的经验单元是EL判断的基础，而过去的经验可以使用忘记系数丢弃。使用两个简单示例说明了此框架的应用模式。猫和狗的生成器实验代表了对新物体的自我探索。虚拟篮球机实验展示了这种方法学习新技能并有效减轻随机干扰的能力。比较，分析了所提出的方法与相关算法之间的相似性和差异。最终，这种方法证明在使人工智能系统能够研究和探索未知领土方面有价值。关键字：经验学习，自我 - 探索算法，否 - 先验 - 数据算法，人工智能框架
neuroimage
神经生理学和心理模型认为，情绪取决于广泛的colticolimbic电路的联系。虽然先前使用模式识别对神经成像数据的研究表明，大脑活动模式中各种离散情绪之间的差异，但对功能连通性的差异的了解较少。因此，我们对功能磁共振成像数据（i）采用了多元模式分析来开发用于在功能连接数据中应用模式识别的管道，以及（ii）测试连通性模式是否在情绪类别之间存在。六种情绪（愤怒，恐惧，厌恶，幸福，悲伤和惊喜）和16名参与者的中性状态使用一分钟的长时间情感叙事，具有自然韵律，而通过功能磁共振成像（fMRI）来衡量大脑活动。我们计算了全脑连接的情感连接性矩阵，以及10个先前定义的功能连接的大脑子网子网，并培训了跨参与者分类器，以根据全脑数据和每个子网络分别根据全脑数据进行分类。除了悲伤之外，所有情绪都以上所有情绪表现出的全脑分类器，这表明不同的情绪的特征是大规模连通性模式的差异。专注于10个子网络中的连接性时，分类在默认模式系统和所有情绪中都成功。因此，我们显示了针对情绪类别实例的持续不同持续功能连接模式的初步证据，尤其是在默认模式系统中。
人工智能法案：法理视角
本文从一般法律理论的角度对《欧洲议会和理事会制定人工智能协调规则条例》（《人工智能法案》）和修订某些联盟立法法案的提案》（以下简称《人工智能法案》）相关问题提供了初步见解。《人工智能法案》已经从欧盟法律和信息技术法律的角度引发了评论。然而，仍然缺乏对该法案引发的问题的一般法理视角。本文的目的是迈出填补这一空白的第一步。我们关注两个相互关联的观点：基本法律概念理论和法律规范理论。因此，我们首先参考基于韦斯利·霍菲尔德发起的范式的研究，重点关注法律规范所创造的规范立场。权利、义务和权力等规范立场是相互关联的，因此能够实现重要的法律推理模式。这种方法表明了应如何在抽象层面上确定源自《人工智能法案》的一组规范立场。然而，一些规范立场可能只能在特定情况下的规范应用层面上确定。在这里，第二种视角起着关键作用。我们关注罗纳德·德沃金 (Ronald Dworkin) 引入主流法学理论、随后由罗伯特·阿列克西 (Robert Alexy) 修改和扩展的规则与原则之间的区别。根据这种区别，两类规范的应用模式存在重要差异，解决它们之间不兼容性的程序也不同。这种视角至关重要，因为保护基本权利的欧盟规范既为 AIA 提供了基础，也为其解释提供了限制，而这些规范通常具有阿列克西意义上的原则结构，即优化命令。这些一般考虑使我们能够预测与 AIA 的解释和执行相关的问题类别。
人工智能与人才在企业营销领域中的决策
目的：对有关企业决策过程的出版物内容的分析表明，现代管理的任务之一是确定有效的解决方案，这些解决方案基于支持决策过程的人力和技术资源的协同作用。这也适用于营销，营销受制于与其概念和工具以及营销活动相关的虚拟化。本文的目的是展示人工智能和人才在企业营销领域决策中的作用。设计/方法/方法：批判性文献综述；基于文献综述的研究程序侧重于制定以下问题的答案：- 哪些因素决定了人工智能作为支持企业营销领域决策过程的技术的有效实施？- 在企业决策中，人工智能和人才的应用模式是什么？结果：利用人工智能提供的机会支持营销决策带来了许多好处，但也需要克服心理和文化障碍。需要强调的是，在决策过程中依赖人工智能并不意味着要淘汰人，尤其是人才，因为员工可以修改决策标准或指出公司决策所依据的算法已经过时。研究的局限性/含义：对所提出的模型进行实证验证将有助于确定在创新 IT 解决方案发展的时代，有才华的员工和算法在决策过程中所扮演的角色，并确定刺激这些过程的因素层次。原创性/价值：提出一个决定因素和解决方案类型的模型，允许有效地将人才和人工智能等人力资源结合起来，在企业营销领域做出决策，这是本文所考虑的结果。
人工智能和人才在企业营销领域中的决策，Sobocińska Magdalena
目的：对有关企业决策过程的出版物内容的分析表明，现代管理的任务之一是确定有效的解决方案，这些解决方案基于支持决策过程的人力和技术资源的协同作用。这也适用于营销，营销受制于与其概念和工具以及营销活动相关的虚拟化。本文的目的是展示人工智能和人才在企业营销领域决策中的作用。设计/方法/方法：批判性文献综述；基于文献综述的研究程序侧重于制定以下问题的答案：- 哪些因素决定了人工智能作为支持企业营销领域决策过程的技术的有效实施？- 在企业决策中，人工智能和人才的应用模式是什么？结果：利用人工智能提供的机会支持营销决策带来了许多好处，但也需要克服心理和文化障碍。需要强调的是，在决策过程中依赖人工智能并不意味着要淘汰人，尤其是人才，因为员工可以修改决策标准或指出公司决策所依据的算法已经过时。研究的局限性/含义：对所提出的模型进行实证验证将有助于确定在创新 IT 解决方案发展的时代，有才华的员工和算法在决策过程中所扮演的角色，并确定刺激这些过程的因素层次。原创性/价值：提出一个决定因素和解决方案类型的模型，允许有效地将人才和人工智能等人力资源结合起来，在企业营销领域做出决策，这是本文所考虑的结果。
识别和管理人工智能中的偏见
在本出版物中，人工智能 (AI) 一词是指一大类基于软件的系统，它们从环境中接收信号并采取行动，通过生成输出（例如内容、预测、建议、分类或影响其所交互环境的决策等）来影响该环境 [63]。机器学习 (ML) 更具体地指的是“使计算机能够在没有明确编程的情况下学习的研究领域” [64]，或利用数据来学习和应用模式或辨别统计关系的计算机程序。常见的 ML 方法包括但不限于回归、随机森林、支持向量机和人工神经网络。ML 程序可能用于或可能不用于预测未来事件。ML 程序还可用于为其他 ML 程序创建输入。AI 在其范围内包括 ML。虽然 AI 前景广阔，但通过放大现有偏见，自动分类和在大型数据集内发现的便利性可能会给个人和社会带来重大负面影响。偏见可能是有意或无意地引入人工智能系统的，也可能是在人工智能应用于某个应用程序时出现的。某些类型的人工智能偏见是有目的且有益的。例如，人工智能应用程序所依赖的机器学习系统通常会模拟我们的隐性偏见，以创造积极的在线购物体验或识别感兴趣的内容 [65, 66]。推荐系统以及其他建模和预测方法的激增也有助于揭露这些过程中存在的许多负面社会偏见，这些偏见可能会降低公众信任 [67–70]。人工智能并不是在真空中建立或部署的，它与社会现实中的歧视或不公平做法隔绝。将人工智能理解为社会技术系统，就是承认开发技术的过程不仅仅是数学和计算结构。人工智能的社会技术方法考虑了从数据集建模的价值观和行为、与之交互的人类以及涉及其委托、设计、开发和最终部署的复杂组织因素。