XiaoMi-AI文件搜索系统
World File Search System策略决策
行人交叉决策可以通过嘈杂的视觉感知下的最佳最佳决策来解释
本文根据构成理性理论提出了行人交叉决策的模型。假定交叉决策是最佳的，其最佳性是由人类认知限制引起的。虽然先前的行人行为模型是“黑盒”机器学习模型，也可以是具有对认知因素的明确假设的机械模型，但我们结合了这两种方法。具体来说，我们在机械上对人类的视觉感知和模型奖励进行了机械模型，考虑到人类的限制，但是我们使用强化学习来学习有限的最佳行为政策。该模型比以前的模型重现了更多的已知经验现象，特别是：（1）接近车辆到达时间对行人是否接受差距，车辆速度对（2）间隙接受的影响（2）（2）（3）交叉车辆前（4）交叉效果的行人的行人时机的影响。值得注意的是，我们的发现表明，以前在决策中以“偏见”（例如依赖速度依赖性差距接受）的行为可能是理性适应视觉感知约束的产物。我们的方法还允许拟合认知约束的参数和每个人的奖励，以更好地说明个体差异，从而与实验数据实现良好的定量对齐。得出结论，通过利用RL和机械建模，我们的模型为行人行为提供了新的见解，并可以为更准确，更可扩展的行人模型提供有用的基础。
基于深度强化学习顺序决策优化的城市铁路赫斯的权力分配策略
在线存放在白玫瑰研究中的重用项目受版权保护，除非另有说明，否则保留所有权利。可以下载和/或印刷供私人学习，或者按照国家版权法所允许的其他行为。发布者或其他权利持有人可以允许进一步复制和重新使用全文版本。这是通过该项目的白玫瑰研究在线记录的许可信息来指示的。
中厚宽钢带(进口再加工)行业AI应用 ...
第七章 中厚宽钢带 ( 进口再加工 ) 行业 AI 应用布局策略 第一节 制定科学的 AI 应用规划和战略 一、根据企业实际情况制定可行的规划 二、确定 AI 技术的长期发展目标 三、结合其他企业经验，引进适合自己的策略 第二节 中厚宽钢带 ( 进口再加工 ) 行业 AI 应用切入模式及发展路径分析 一、中厚宽钢带 ( 进口再加工 ) 行业 AI 应用切入模式分析 二、中厚宽钢带 ( 进口再加工 ) 行业 AI 应用发展路径分析 第三节 中厚宽钢带 ( 进口再加工 ) 企业 AI 应用的技术架构和实施方案 一、中厚宽钢带 ( 进口再加工 ) 企业 AI 应用的技术架构和数据流程 二、中厚宽钢带 ( 进口再加工 ) 企业 AI 应用的实施方案和流程优化 三、中厚宽钢带 ( 进口再加工 ) 企业 AI 应用的系统集成和数据共享 第四节 中国中厚宽钢带 ( 进口再加工 ) 行业 AI 应用商业模式创新策略 一、中厚宽钢带 ( 进口再加工 ) 企业如何利用 AI 升级产品使用体验 二、中厚宽钢带 ( 进口再加工 ) 企业如何利用 AI 改善个性化服务体验 三、中厚宽钢带 ( 进口再加工 ) 企业如何利用 AI 节约客户成本
人工智能、透明度和公共决策
摘要 人工智能（AI）在公共事务决策中的应用日益广泛，这引发了关于自学技术的好处和潜在危害的激烈辩论，从希望做出充分知情和客观的决策到担心人类的毁灭。为了防止负面结果并实现负责任的制度，许多人认为我们需要打开人工智能决策的“黑匣子”，使其更加透明。虽然这场辩论主要集中在透明度如何确保高质量、公平和可靠的决策，但在公众如何将人工智能决策视为合法和值得接受的问题上，透明度的作用却很少受到关注。由于依赖强制不仅在规范上存在问题，而且成本高昂且效率低下，因此感知合法性是民主制度的基础。本文讨论了人工智能决策的透明度如何影响公众对决策和决策者合法性的看法，并提出了一个分析这些问题的框架。我们认为，有限形式的透明度，侧重于为决策提供依据，有可能为感知的合法性提供足够的依据，而不会产生完全透明带来的危害。
未来银行的人工智能决策
新客户的旅程，他们可能会通过各种途径开设新卡账户、申请抵押贷款或研究新的投资机会。有些人可能会直接前往银行的网站、移动应用程序、分行亭或 ATM。其他人可能会通过合作伙伴的网站或点击广告间接到达。许多银行已经使用分析工具来了解每个新客户到银行的路径，因此他们可以准确了解客户的背景和移动方向，从而使他们能够直接在着陆页上提供高度个性化的服务。遵循管理客户数据使用和保护的当地法规，银行可以通过分析客户如何进入网站（搜索、关键字、广告）、他们的浏览历史记录（cookie、网站历史记录）和社交媒体数据来更准确地了解个人需求，以形成初步的
人工智能决策委托的决定因素
人工智能决策委托的决定因素：目标设定理论 Hyunmin Jeon iamhyunmin@g.hongik.ac.kr；Hyewon Lee，dws9318@gmail.com；Jonghwa Park jonghwapark@knu.ac.kr；Martin Kang；martin.kang@lmu.edu；Dong-Heon Kwak dkwak@kent.edu 人工智能 (AI) 工具的日益融合，引起了人们对了解影响用户将任务委托给 AI 系统的决策因素的兴趣 (Candrian & Scherer, 2022; Turel & Kalhan, 2023)。AI 委托涉及将任务、决策或解决问题的责任分配给 AI 系统，使它们能够在指定参数内自主或半自主运行 (Baird & Maruping, 2021)。这种授权使组织能够简化运营、提高效率并将人力资源分配给更具战略性的活动（Candrian & Scherer，2022 年）。目标设定理论（Locke & Latham，2002 年）可以应用于 AI 授权的研究，提供理论视角来探索清晰、具有挑战性和定义明确的目标如何影响将任务委派给 AI 的有效性和可能性。然而，目标设定相关因素如何影响用户将任务委派给 AI 的决定仍不清楚，特别是当通过信息系统领域内既定的框架考虑时（例如，Loock 等人，2013 年；Pan 等人，2024 年）。本研究调查了目标清晰度、难度和承诺如何影响这些委派决定。我们对不同的 AI 用户（例如 ChatGPT 和 Grammarly）进行了多项研究调查，以研究这些与目标相关的因素如何影响将任务委派给 AI 的可能性。这些发现为设计符合用户目标和期望的 AI 系统提供了宝贵的见解。参考文献 Baird, A., & Maruping, LM (2021)。下一代 IS 使用研究：委托给代理 IS 工件和从代理 IS 工件委托的理论框架。MIS Quarterly，45 (1), 315-341。
人工智能如何改善人类决策？
企业越来越多地利用人工智能来协助或取代人类任务。然而，人工智能也可以训练人类，使他们变得更好。我们研究人工智能的指导作用如何改善人类在专业围棋比赛中的决策能力，其中人工智能围棋程序 (APG) 出人意料地超越了最优秀的人类选手，超越了人类数千年来积累的最佳知识和技能。为了分离从人工智能学习的效果，我们在 APG 首次公开发布之前和之后比较了人类动作的质量与人工智能的卓越解决方案。我们对 25,033 场比赛中的 750,990 步动作的分析表明，APG 的训练显着提高了玩家的动作质量 - 减少了错误数量和最关键错误的严重程度。这种改进在游戏的早期阶段最为明显，因为此时不确定性较高。此外，年轻玩家比年长玩家受益更多，这表明在从人工智能中学习方面存在代际不平等。