XiaoMi-AI文件搜索系统
World File Search System整理
使用关联数组进行 AI 数据整理
摘要 — 人工智能革命是由数据驱动的。人工智能“数据整理”是将不可用的数据转换为支持人工智能算法开发（训练）和部署（推理）的过程。大量的时间被投入到转换各种数据表示以支持人工智能管道中的许多查询和分析步骤。这些数据的严格数学表示使得数据转换和分析优化能够在步骤内和跨步骤进行。关联数组代数提供了一个数学基础，可以自然地描述作为数据库基础的表格结构和集合数学。同样，神经网络使用的矩阵运算和相应的推理/训练计算也可以通过关联数组很好地描述。更令人惊讶的是，可以很容易地构建一般的非规范化形式的分层格式，例如 XML 和 JSON。最后，数据透视表是最广泛使用的数据分析工具之一，它自然而然地从关联数组构造函数中出现。关联数组中的通用基础提供了互操作性保证，证明它们的操作是具有严格数学性质的线性系统，例如，结合性、交换性和分配性，这些对于重新排序优化至关重要。
人工智能设计：提出基于数据整理的概念框架
工程设计、制造和人工智能之间的交集为我们开发新技术的方式带来无数的突破性改进。然而，要实现物理世界和计算世界之间的这种协同作用需要克服一个核心挑战：当今受过教育的专家中，很少有人同时接受过工程设计和人工智能方面的培训。这一事实，加上这两个领域的采用才刚刚开始，以及许多机构数据管理系统过时，导致工业领域相对缺乏高质量数据，也缺乏能够快速使用这些数据进行机器学习和人工智能开发的个人。为了将工程设计和制造领域推进到开发有效的人工智能、数据驱动的分析和生成工具的下一个准备水平，必须建立一个新的 X 设计原则：人工智能设计 (DfAI)。本文提出并讨论了 DfAI 的概念框架，背景是当代领域及其推动者。[DOI：10.1115/1.4055854]
碎片整理-欧洲：当代脆弱性/反脆弱性的作用...
该轨道旨在探索欧洲空间内新兴的边缘化和脆弱化地理和过程。该轨道欢迎致力于农村和内陆地区以及城市化地区之间、中型城市和去工业化地区的贡献，这些地区在经历了数十年的人口和经济增长或稳定后，面临着新的（和意想不到的）边缘化和脆弱化过程。特别关注人口减少、未充分利用和废弃建筑存量等主题，以及经济和文化贫困以及基本公共服务供应减少。经过数十年的增长或稳定，新的和意想不到的边缘化和脆弱化过程正在改变欧洲城市和地区，破坏领土凝聚力。该轨道中包含的贡献涉及导致边缘化和脆弱化过程的新旧因素，例如人口、经济、空间、环境、社会和政治条件。此外，一些贡献者提出了对整个欧洲正在发生的边缘化和脆弱化过程的最新描述，并反思了描述这些长期已知现象的新方法。在反思边缘化和脆弱地区在未来全球和欧洲情景中可能发挥的作用的同时，该轨道旨在促进对空间政策的（重新）设计的反思，以应对当今欧洲正在进行的边缘化/脆弱化进程。
JR 九州 x 日立联合利用 AI 实现运行重新调度操作的自动化...
目前，当列车运行因灾难或其他原因中断时，交通调度员必须手动重新组织列车运行*，并且可能需要很长时间才能恢复运行。本次验证试验中，日立开发的技术将与JR九州的现场数据相结合，同时验证利用JR九州丰富的知识和技术诀窍的AI学习模型。通过自动化交通重新调度，我们旨在提高运输调度人员的工作效率并缩短恢复运营所需的时间来改善服务。
纺织品加工指南
什么是抗菌整理剂和重金属？• 抗菌整理剂用于抑制织物上细菌、霉菌和真菌的生长。这可以使织物保持卫生并防止异味。抗菌整理剂是一种可以杀死或抑制大肠杆菌等细菌生长的抗菌整理剂。这些整理剂对病毒（例如冠状病毒）无效 6 。• 抗病毒整理剂声称除了抗菌之外，还可以杀死或抑制病毒 7 。• 许多抗菌和病毒整理剂已被证明含有银、铜和锌等重金属 8 。这些物质会渗入水中并影响水生生物。除此之外，研究表明，它们摄入或接触皮肤会对人体有害。事实上，重金属对人体的影响程度仍然未知 9 。• 生物基和/或不含重金属的抗菌整理剂正在开发中。 Fashion for Good 正在支持多家专注于此的创新者，例如 Nordshield 和 OSM V-Shield。
论文最终稿已接受在 IEEE 知识与数据工程学报上发表。©2022 IEEE。本文个人使用
摘要 — 数据整理任务（例如从各种来源获取和链接数据、转换数据格式和更正错误记录）可占典型数据工程工作的 80%。尽管机器学习和人工智能兴起，但数据整理仍然是一项繁琐且手动的任务。我们引入了 AI 助手，这是一类半自动交互式工具，用于简化数据整理。AI 助手通过推荐合适的数据转换来指导分析师完成特定的数据整理任务，该转换尊重通过与分析师交互获得的约束。我们正式定义了 AI 助手的结构，并描述了将数据清理视为优化问题的现有工具如何符合定义。我们为四种常见的数据整理任务实现了 AI 助手，并通过利用它们遵循的通用结构，使数据分析师可以在数据科学的开源笔记本环境中轻松访问 AI 助手。我们通过三个示例场景对我们的 AI 助手进行了定量和定性评估。我们表明，统一的交互式设计可以轻松执行手动或使用全自动工具难以完成的任务。
论文最终稿已接受在 IEEE 知识与数据工程学报上发表。©2022 IEEE。本文个人使用
摘要 — 数据整理任务（例如从各种来源获取和链接数据、转换数据格式以及更正错误记录）可占典型数据工程工作的 80%。尽管机器学习和人工智能兴起，但数据整理仍然是一项繁琐且手动的任务。我们引入了 AI 助手，这是一类半自动交互式工具，旨在简化数据整理。AI 助手通过推荐合适的数据转换来指导分析师完成特定的数据整理任务，该转换尊重通过与分析师交互获得的约束。我们正式定义了 AI 助手的结构，并描述了将数据清理视为优化问题的现有工具如何符合该定义。我们为四种常见的数据整理任务实现了 AI 助手，并利用它们遵循的通用结构，使数据分析师可以在数据科学的开源笔记本环境中轻松访问 AI 助手。我们通过三个示例场景对我们的 AI 助手进行了定量和定性评估。我们表明，统一和交互式的设计使得执行手动或全自动工具难以完成的任务变得容易。
