XiaoMi-AI文件搜索系统
World File Search System由众
社交物联网系统的自动服务发现
摘要 — 在本文中，我们建议设计一个自动化的服务发现流程，以允许移动众包任务请求者从大规模物联网 (IoT) 网络中选择一小组设备来执行他们的任务。为此，我们将大规模物联网网络划分为几个虚拟社区，这些社区的成员之间有着强大的社会物联网关系。研究了两种社区检测算法，即 Louvain 和顺序统计局部方法 (OSLOM) 算法，并将其应用于现实世界的物联网数据集，以形成不重叠和重叠的物联网设备组。之后，执行基于自然语言处理 (NLP) 的方法来处理众包文本请求，并相应地找到能够有效完成任务的物联网设备列表。这是通过将 NLP 输出（例如应用程序类型、位置、所需的可信度级别）与不同的检测到的社区进行匹配来执行的。所提出的方法有效地帮助自动化和减少移动众包应用程序的服务发现程序和招聘流程。
最新技术、CHATGPT 功能
将技术融入管理会计的过程是渐进式的，其中的关键里程碑改变了这个行业。最初，重点主要放在成本会计和财务报告上，正如约翰逊和卡普兰（1987）在其里程碑式著作《相关性丧失：管理会计的兴衰》中所述。然而，随着信息技术（IT）的引入，范式发生了变化。正如达文波特（1998）在《将企业纳入企业系统》中所讨论的那样，企业资源规划（ERP）系统等技术开始自动化和简化会计操作，从而提高准确性和效率。Tkachuk 等人（2022）和 Khomutenko 等人（2023）研究了信息技术对投资的巨大影响，特别是众筹的快速扩张。该研究考察了众筹的发展及其在全球变化中为初创企业、小型企业和社会项目提供资金的作用。它强调了互联网在引导投资向新技术和基于在线的社交公司方面的重要性，并采用比较和演绎方法得出结论：尽管经济不稳定，但众筹仍然是一个重要的投资来源。
迈克尔·休斯顿合作伙伴
ROB与客户合作，从单个发明家和初创公司到大学以及各种技术领域的大型跨国公司，包括电气，机械，化学，计算机软件和硬件系统，医疗设备，石油和消费产品，以确保其知识产权得到适当保护。Rob代表创业公司获得了包括众筹（包括众筹）的Angel和风险投资资金，并开发了战略性和有意义的专利和商标投资组合来保护此类公司并提供产品线的排他性。他已就非竞争协议，开发和实施公司范围的商业秘密保护计划以及知识产权政策和程序提供了建议。
朝着以人为本的AI管理
作为由人工智能提供支持的算法（AI）越来越多地参与了组织的管理，当机器能够对人类获得权力时，必须进行以人为本的AI管理研究并了解人们的感受和行为。两种主流方法 - 小插图研究和案例研究 - 揭示了重要但不一致的见解。在这里，我们讨论了小插图研究的局限性（情感预测错误，有偏见的媒体覆盖范围和问题替代）和案例研究（社会可取性偏见以及缺乏随机分配和控制条件），这可能会导致他们分别对AI管理的负面和积极的反应过高。我们进一步讨论了减轻这些局限性的第三种方法的优势：众包市场上的现场实验。一项关于亚马逊机械土耳其人（MTURK；作为世界领先的众包平台）的概念证明研究表明，人类对AI管理的反应独特，与Vignette或案例研究中的AI管理不完全一致。参与者（n = 504）在AI与人类管理方面没有显着差异，在绩效，内在动机，公平感知和承诺方面。我们建议，众包的Mar Ketplaces可以超越人类的研究主题库，并成为AI管理的工作场所的模型，促进及时的行为研究以及对以人为中心的工作设计和组织的强大预测。
NREL 的概述演示
GitHub：• 自述文件：详细模型设置 • Wiki：数据和方法 • 问题：问题记录及其解决方法 • 讨论：问答、常见问题解答和众包解决方案论坛 • https://github.com/NREL/dgen
OpenCrowd：一种通过开放式答案聚合寻找社交影响者的人机协作方法
寻找社交影响者是许多在线应用（从品牌营销到意见挖掘）的一项基本任务。现有方法严重依赖专家标签的可用性，而专家标签的收集通常是一个费力的过程，即使对于领域专家也是如此。使用开放式问题，众包提供了一种经济有效的方式，可以在短时间内找到大量社交影响者。然而，个体众包工作者只拥有碎片化的知识，而且这些知识通常质量较低。为了解决这些问题，我们提出了 OpenCrowd，这是一个统一的贝叶斯框架，它无缝地结合了机器学习和众包，可以有效地找到社交影响者。为了推断一组影响者，OpenCrowd 使用少量专家标签引导学习过程，然后联合学习基于特征的答案质量模型和工作者的可靠性。模型参数和工作者可靠性会迭代更新，从而使他们的学习过程相互受益，直到就答案的质量达成一致。我们基于变分推理推导出一种原则性优化算法，该算法具有用于学习 OpenCrowd 参数的有效更新规则。在不同领域寻找社交影响者的实验结果表明，我们的方法将 AUC 提高了 11.5%，比现有技术水平有了显著提高。此外，我们通过经验表明，我们的方法在寻找与较小受众直接互动的微影响者方面特别有用。
朝着以人为本的AI管理
作为由人工智能提供支持的算法（AI）越来越多地参与了组织的管理，当机器能够对人类获得权力时，必须进行以人为本的AI管理研究并了解人们的感受和行为。两种主流方法 - 小插图研究和案例研究 - 揭示了重要但不一致的见解。在这里，我们讨论了小插图研究的局限性（情感预测错误，有偏见的媒体覆盖范围和问题替代）和案例研究（社会可取性偏见以及缺乏随机分配和控制条件），这可能会导致他们分别对AI管理的负面和积极的反应过高。我们进一步讨论了减轻这些局限性的第三种方法的优势：众包市场上的现场实验。一项关于亚马逊机械土耳其人（MTURK；作为世界领先的众包平台）的概念证明研究表明，人类对AI管理的反应独特，与Vignette或案例研究中的AI管理不完全一致。参与者（n = 504）在AI与人类管理方面没有显着差异，在绩效，内在动机，公平感知和承诺方面。我们建议，众包的Mar Ketplaces可以超越人类的研究主题库，并成为AI管理的工作场所的模型，促进及时的行为研究以及对以人为中心的工作设计和组织的强大预测。
马克·贾斯特
2015 年，马克创立了 418 Intelligence，这是美国情报界首创技术的衍生产品，旨在实现社区防御在网络安全威胁管理方面的未开发潜力，并通过技能加速和众包解决网络人才危机。通过这项工作，他开发了一个平台，可以实现实时威胁信息共享和集体防御，并首次使网络威胁搜寻和分析具有协作性、众包性和激励驱动性。马克认为，这种方法可以改变全国网络人才和经济机会的分布。2021 年，这些努力成功地将来自肯塔基州东部农村前煤炭产区的首批实习生中的 80% 以上安排到全职工作岗位，担任远程 IT/网络安全分析师。2022 年，这种方法将通过华盛顿州和路易斯安那州的劳动力计划进行扩展。
宪法人工智能：人工智能反馈带来的无害性
此图显示了根据众包工作者的模型比较计算出的无害性与有用性 Elo 分数（分数越高越好）。它显示了帕累托改进（即双赢局面），其中宪法 RL 比标准 RLHF 更有帮助，也更无害。