XiaoMi-AI文件搜索系统
World File Search System模型验证
使用大数据和机器学习的金融科技中的网络威胁智能的预测分析
要将预测分析整合到CTI框架中，组织必须首先评估其现有的网络安全基础架构并识别差距。强大的数据管道对于实时收集，处理和分析威胁智能至关重要。金融机构应投资可扩展的数据存储和处理系统，例如基于云的平台，以处理预测分析所需的大量数据[37]。选择正确的机器学习模型和算法是另一个关键步骤。组织必须确保对模型进行多样化和高质量数据集的培训，以避免偏见并提高其预测精度[39]。常规模型验证和更新对于跟上不断发展的威胁景观是必要的。
动物保健的预测分析-IJRPR
通过改进数据收集，统计建模和技术集成，动物卫生保健中预测分析的发展已提高。最初，以电子健康记录，诊断信息和环境数据进行预测疾病暴发并评估个人健康风险的努力。随着技术的发展，预测模型包含了来自可穿戴设备和传感器的实时数据，从而增强了监测动物行为和生理状态的能力。已采用统计方法（例如分类和回归）来识别大型数据集中的模式，帮助早期疾病检测，优化治疗策略并改善资源分配。尽管如此，诸如数据可靠性，模型验证和道德考虑之类的挑战继续限制其全部潜力。
AAE 说明：《人工智能法案》规定了欧盟使用人工智能的方式
尤其是在人寿和健康保险领域，新法规高度重视所用人工智能系统的治理、文档记录、透明度和输出解释。根据他们的执业标准，精算师必须谨慎对待他们的工作和他们使用的模型，在新人工智能法规出台之前也是如此。精算师可以凭借他们的经验在系统的可解释性方面发挥重要作用，并为人工智能系统的透明度和可理解性创造先决条件。精算行业具有独特的优势，完全习惯于在新法规的实施中发挥核心作用，这得益于其在实施 Solvency II 和 IFRS17/9 方面的专业知识，以及其在风险管理、合规性、模型验证、数据治理和质量方面的专业知识。
原始发表论文的引用（记录版本）：Narula, A., Bongiorno, M., Beza, M. et al (2022). 电网形成 c 的协调控制
本文旨在提出一种配备储能装置的电网形成转换器与水力发电机之间的协调控制策略，以促进未来电力系统中转换器的频率支持。这样，就可以利用转换器系统的快速动态特性，同时最大限度地减少与转换器系统相关的储能要求。电网形成转换器频率控制器的拟议调整标准有助于转换器系统与水力发电机之间的自然协调。将所提出的控制策略的有效性与文献中现有的传统下垂方法进行了比较。最后，使用 PSCAD 中的详细时域仿真模型验证了分析结果。
GE 能源咨询 2021 年 3 月电子简讯
员工的力量 近一个世纪以来，GE 能源咨询业务一直利用员工的力量为客户和合作伙伴提供创新的电力行业解决方案。欢迎来到我们的发电产品和服务团队的高级应用专家石宝壮博士。石博士于 2005 年加入 GE 能源咨询公司，担任首席工程师。石博士的重点包括提供可再生能源并网、模型验证和输配电相关领域的咨询服务。项目领域包括将高渗透率的风能和/或太阳能并入电网，以及应对将大规模风能/太阳能发电并入中国电网的挑战。
动态耗散参数的动态散热模型，用于油导向和空气牵引变压器及其实验验证
摘要：通常用狭窄油通道的牵引力变压器使用ODAF或“定向空气强制的油”方法冷却，在该方法中，其温度在很大程度上取决于绕组的焦油热量，变压器中的共轭热传递，以及通过油冷却器的二次热量释放，以及油泵产生的油液液泵。既不有资格预测这种类型的变压器中的时间和空间温度变化，均未获得热 - 电动类比和CFD模拟方法。 在当前工作中，分布式参数模型是为牵引力变压器和油冷却器而建立的，分别假定在油流方向上的一维温度线。 然后，这两个模型通过其界面的流量，温度和压力连续性与油泵和管道的集体参数结合，从而导致了油导向和空气牵引力变压器的动态热量耗散模型的推导。 另外，为其数值解提供了有效的算法，并进行了温度上升实验以进行模型验证。 最后，研究了牵引力变压器中动态热量耗散的基本性，并研究了环境温度的影响。均未获得热 - 电动类比和CFD模拟方法。在当前工作中，分布式参数模型是为牵引力变压器和油冷却器而建立的，分别假定在油流方向上的一维温度线。然后，这两个模型通过其界面的流量，温度和压力连续性与油泵和管道的集体参数结合，从而导致了油导向和空气牵引力变压器的动态热量耗散模型的推导。另外，为其数值解提供了有效的算法，并进行了温度上升实验以进行模型验证。最后，研究了牵引力变压器中动态热量耗散的基本性，并研究了环境温度的影响。
基于 AI/ML 模型的有效模型风险管理框架——衡量偏见和嵌入公平的方法
基于人工智能 (AI)/机器学习 (ML) 的模型的模型风险管理 (MRM) 具有一系列独特的特性和挑战，这是因为这些模型本身就具有复杂性和动态性。用于传统模型的标准模型验证框架需要增强，以涵盖基于 AI/ML 的模型中存在的潜在问题，例如偏差、模型漂移、模型可解释性、道德考虑、公平性-准确性权衡以及不同的利益相关者参与。在本文中，我们将讨论金融机构应对其 MRM 框架进行的增强，以在整个模型生命周期内有效管理风险。我们还将讨论衡量偏差和嵌入公平性的各种技术，这些技术是实现高模型性能的关键。
推进 ArcGIS 中的可信 AI
Esri 的 AI 开发方法以旨在建立和维护信任的实践为基础。我们采用风险评估流程来评估新的 AI 产品和功能，确保它们符合相关的隐私和安全标准。秉承人机交互设计理念，我们开发的 AI 功能旨在支持包容性和用户控制。我们正在建立红队和毒害模型验证技术，通过模拟对抗性攻击和针对操纵数据进行验证来识别漏洞和潜在偏见。我们确保纳入道德护栏，以确保遵守道德原则。我们的生成式 AI 解决方案还在受控环境中经过整体实验室测试，并结合我们的人工监督框架，以保持人类参与 AI 支持的关键决策过程。