XiaoMi-AI文件搜索系统
World File Search System性需求
重新审视可解释人工智能（XAI）中的性能与可解释性权衡
摘要 — 在需求工程 (RE) 领域，可解释人工智能 (XAI) 在使 AI 支持的系统与用户需求、社会期望和监管标准保持一致方面的重要性日益得到认可。总体而言，可解释性已成为影响系统质量的重要非功能性需求。然而，可解释性和性能之间的权衡挑战了可解释性的假定积极影响。如果满足可解释性的要求会导致系统性能下降，那么必须仔细考虑哪些质量方面优先以及如何在它们之间妥协。在本文中，我们批判性地研究了所谓的权衡。我们认为，最好以一种细致入微的方式来解决这个问题，将资源可用性、领域特征和风险考虑结合起来。通过为未来的研究和最佳实践奠定基础，这项工作旨在推动 AI 的 RE 领域的发展。索引词 — 人工智能、AI、可解释性、可解释人工智能、性能、非功能性需求、NFR、XAI、权衡分析、准确性
引导能量过渡通过存储
然而，由于局部（网格）限制和间歇性的构成，太阳能产能的全球扩展受到限制。在过去的10到20年中，太阳能和风能发电能力的快速增长迫使这些部门想到了满足日益增长的灵活性需求的新方法。能量存储是发电和需求之间的关键缺失联系。
引导能量过渡通过存储-Trina Solar
然而，由于局部（网格）限制和间歇性的构成，太阳能产能的全球扩展受到限制。在过去的10到20年中，太阳能和风能发电能力的快速增长迫使这些部门想到了满足日益增长的灵活性需求的新方法。能量存储是发电和需求之间的关键缺失联系。
软件工程（CSE 和 IT 通用）课程大纲
第二单元需求工程：功能性和非功能性需求、软件需求文档、需求规范、需求工程、需求引出和分析、需求验证、需求管理、系统建模：上下文模型、交互模型、结构模型、行为模型、模型驱动工程。设计概念：设计过程、设计概念、设计模型和架构设计：软件架构、架构流派和架构风格。
2023 年活动报告
储能在整个能源系统中具有许多有价值的应用。储能设备可以提供的应用范围在不断发展，这既是因为新储能技术的不断发展，也是因为能源系统不断变化的灵活性需求。预计未来几年存储应用列表将继续增长。大多数存储设施需要提供多种服务才能拥有强大的商业案例。
引用本文：Thomas KF Chiu、Benjamin Luke Moorhouse、Ching Sing Chai 和 Murod Ismailov (2023)：教师支持和学生学习动机
摘要 随着人工智能 (AI) 技术的进步，它将不可避免地给课堂实践带来许多变化。然而，教育领域的人工智能研究与教学观点或教学方法的联系较弱，特别是在 K-12 教育领域。人工智能技术可能使有上进心和先进的学生受益。需要了解教师在课堂上使用人工智能技术调解和支持学生学习方面所起的作用。本研究使用自我决定理论作为支撑框架，调查教师支持如何调节学生专业知识对需求满足和使用人工智能技术学习的内在动机的影响。这项实验研究涉及 123 名 10 年级学生，并在实验中使用聊天机器人作为基于人工智能的技术。分析表明，使用聊天机器人学习的内在动机和能力取决于教师支持和学生专业知识（即自我调节学习和数字素养），教师支持更好地满足了关联性需求，而不太满足自主性需求。研究结果完善了我们对自我决定理论应用的理解，并扩展了人工智能应用和教学实践的教学和设计考虑。
MUI 2.0 用户界面参考指南
MISO 全新升级的市场用户界面 (MUI 2.0) 为日前和实时 (DART) 市场提供了新的界面和改进的功能。此 MUI 是大型市场系统增强计划的一部分，该计划将使 MISO 能源和辅助服务市场系统现代化。MUI 需要这些更新来满足未来的性能、可用性、可靠性和安全性需求。
