XiaoMi-AI文件搜索系统
World File Search System情境
聊天机器人和人工智能代理
• Transformer 架构 • 预训练（数据收集和学习目标） • 微调技术和数据（对齐、RLHF、PETM） • 评估（人工和自动） • 情境学习 • 可解释性 • 应用（搜索、对话代理）
伊利诺伊州紧急操作计划 - 基本计划附录1
4。SEOC可以通过努力（Loes）来增加。是负责分析情境信息和智能的功能特定的特定战略规划要素；制定战略行动计划；以及实施批准措施的资源要求的协调。
人工智能增强学生参与度和成功率
“在特定情境下读取、写入和传达数据的能力，包括对数据源和构造的理解、所应用的分析方法和技术，以及描述用例、应用程序和由此产生的价值的能力。” Gartner，2021 年
扩展负责任的人工智能解决方案
重要的是，符合负责任的人工智能 (RAI) 最佳实践并具有积极社会环境影响的人工智能系统应得到支持，以发展并惠及可能从中受益的潜在用户和社区。然而，新兴的人工智能项目在实际实施 RAI 原则以及扩展方面遇到了挑战。RAI 的主要挑战包括减轻偏见和歧视、确保代表性和情境适当性、流程和结果的透明度和可解释性、维护人权以及确保人工智能不会重现或加剧不平等。RAI 的框架已经激增，但往往停留在高水平，没有在各种用途和情境中实施的技术指南。同时，扩展过程本身可能会给实现或保持 RAI 遵守带来障碍和复杂性。
EToS-1：车间眼动追踪，实现用户与自动化互动
摘要 混合现实 (MR) 正在成为许多情境感知工业应用不可或缺的一部分。在维护和远程支持操作中，可以通过 MR 耳机定义并向人类操作员呈现计算机支持（合作）工作的各个步骤。眼球运动跟踪可以为用户的决策和交互过程提供有价值的见解。因此，我们的首要目标是更好地了解车间机器操作员的视觉检查行为，并找到通过越来越多地将眼球追踪 (ET) 作为默认功能的 MR 耳机为他们提供注意力感知和情境感知帮助的方法。为了实现这一目标，在两个工业场景中，我们使用了两台移动眼球追踪设备，并系统地比较了新手和专家操作员的视觉检查行为。在本文中，我们介绍了我们的初步发现和经验教训。
EToS-1：车间眼动追踪，实现用户与自动化互动
摘要 混合现实 (MR) 正在成为许多情境感知工业应用不可或缺的一部分。在维护和远程支持操作中，可以通过 MR 耳机定义并向人类操作员呈现计算机支持（合作）工作的各个步骤。眼球运动跟踪可以为用户的决策和交互过程提供有价值的见解。因此，我们的首要目标是更好地了解车间机器操作员的视觉检查行为，并找到通过越来越多地将眼球追踪 (ET) 作为默认功能的 MR 耳机为他们提供注意力感知和情境感知帮助的方法。为了实现这一目标，在两个工业场景中，我们使用了两台移动眼球追踪设备，并系统地比较了新手和专家操作员的视觉检查行为。在本文中，我们介绍了我们的初步发现和经验教训。
让教育工作者做好迎接 AI 的准备 - UCL Discovery
在本文中，我们提出了人工智能准备的概念，以及开发人工智能准备培训的框架。‘人工智能准备’可以被构建为一种帮助人们理解人工智能（尤其是数据驱动的人工智能）的情境化方式。人工智能准备培训的性质不同于仅仅学习人工智能。相反，人工智能准备认识到人工智能可能对其产生影响的职业、工作场所和行业的多样性。例如，律师的人工智能准备可能基于与教育工作者的人工智能准备相同的原则。然而，细节将以不同的方式具体化。人工智能准备认识到这种情境化不是一种选择：它是必不可少的，因为不同行业及其环境之间存在多种复杂性、敏感性和差异，这些都会影响人工智能的应用。为了接受这种情境化，人工智能准备需要是一个积极的、参与性的培训过程，旨在使人们能够更好地利用人工智能来满足他们的需求。下文重点介绍教育和培训领域的人工智能准备情况，首先讨论教育和培训领域人工智能的现状以及人工智能准备的必要性。然后，我们将人工智能准备的概念问题化，为什么需要人工智能准备，以及它的含义。我们通过讨论人类和人工智能之间的差异来扩展人工智能准备的性质，然后提出一个帮助人们做好人工智能准备的 7 步框架。最后，我们使用高等教育领域人工智能准备的一个例子来举例说明人工智能准备情况。
多种可再生能源之间的众多参与者
尽管通过结合多种可再生能源 (RES) 实现互补是增加 RES 份额的重要方法，但在支持能源转型的政策处方中，它往往被忽视。互补可以由多个参与者实施，但很少有人关注哪些参与者参与以及他们的角色。进行了系统回顾，概述了关于多种 RES 组合和多个相关参与者参与这一主题的学术文献现状。样本包括 78 篇文章，使用一系列方法来分析风能、太阳能、生物能源、水力、地热能和海洋能的不同组合，以及传统、新能源和支持能源参与者的组合。研究包括情境化（特定位置）基于代理的分析、技术经济、经济、商业模式和定性分析，以及非情境化评论、基于代理的分析和优化模型。全球范围内，不同学科在不同背景下、在各种地理范围内研究多参与者互补性。大多数研究都集中在太阳风能上，尽管在情境化研究中发现了更多样化的 RES 组合。新参与者通常与传统系统参与者一起参与。需要更多地关注支持参与者。研究结果强调，除了结合多种 RES 的技术优势之外，还需要进一步研究，以探索各种参与者的作用。这可以通过在研究中纳入更多背景来实现，例如，使用大量现有的数据和研究，并纳入更大范围的 RES 组合，并纳入更多相关参与者的观点。
