XiaoMi-AI文件搜索系统
World File Search System系统的
SE4ML – 基于 AI-ML 系统的软件工程
从认知科学到生物学、金融学、物理学和社会科学等多个研究学科以及许多公司都认为，数据驱动和智能解决方案必不可少。不幸的是，当前的人工智能 (AI) 和机器学习 (ML) 技术尚未充分普及——构建复杂的 AI 和 ML 系统需要深厚的计算机科学专业知识和广泛的编程技能，才能在相当低的抽象水平上使用各种机器推理和学习技术。它还需要在模型选择、数据清理、特征选择和参数调整方面进行大量的反复试验。此外，缺乏可用于抽象这些细微差别的理论理解。传统的编程语言和软件工程范式也并非为解决 AI 和 ML 从业者面临的挑战而设计的。2016 年，各公司在 AI 方面投资了 260 至 390 亿美元，麦肯锡预测未来几年的投资将不断增长。任何基于 AI/ML 的系统都需要构建、测试和维护，但业界缺乏针对此类系统的成熟工程实践，因为它们与传统软件系统有着根本区别。本次 Dagstuhl 研讨会将两个相对分散的社区——软件工程和编程语言 (PL/SE) 以及人工智能和机器学习 (AI-ML) 聚集在一起，共同探讨如何提高数据科学家、软件工程师和行业 AI-ML 从业人员的生产力的未决问题。
电力电子元件和系统的可靠性
与丹麦公司维斯塔斯、丹佛斯、格兰富、KK Wind Solutions、丹瑟姆电力、LEANECO、Force Technology 以及国际公司中国国家电网公司（中国）、中车（中国）、NIO-XPT（中国）、伍德沃德（德国）、宝马（德国）、NCC（日本）、富士电机（日本）、欧姆龙（日本）、爱尔兰联合技术研究中心 (UTRC)、晓星（韩国）和顾问项目（公司名称未披露）等合作行业项目。
混合系统的抽水蓄能
9.1 简介 137 9.2 抽水蓄能的分类 139 9.3 抽水蓄能开发的场地考虑因素 140 9.4 气候变化对抽水蓄能的影响 141 9.5 抽水蓄能发展的驱动因素和障碍 141 9.5.1 抽水蓄能驱动因素的分类 141 9.5.2 抽水蓄能障碍的分类 144 9.6 抽水蓄能的市场概况和未来趋势 148 9.6.1 抽水蓄能项目的财务和经济评估指标 148 9.6.2 抽水蓄能融资模式 149 9.7 抽水蓄能应用的关键因素 149 9.7.1 投资于公私合作研究、开发和部署 149 9.7.2 建立监管框架以促进抽水蓄能的创新运营150 9.7.3 提高抽水蓄能系统的数字化运行 150 9.7.4 改造抽水蓄能设施 151 9.8 结论 151 参考文献 151
智能辅导系统的经验教训
自最早的专家系统以来，提供解释一直是人工智能 (AI) 的研究课题。1 本文重点关注那些运行源自机器学习方法（尤其是“深度神经网络”）的 AI 程序，该研究工作被称为可解释 AI (XAI)。具体来说，我们的分析基于 DARPA 2017-2021 XAI 计划中的研究项目，该计划追求这一假设：“通过创建新的机器学习方法来生成更多可解释的模型并将其与解释技术相结合，XAI 旨在帮助用户理解、适当信任和有效管理新一代 AI 系统”（参考文献 2；另见参考文献 3）。这些知识可能有助于适当使用 AI 工具，例如使用户能够交叉检查和补充自动化操作以完成更广泛的活动。提供解释是帮助人们获得这种能力的一种方法。解释计算机程序等复杂系统的最佳方法是什么？我们能否通过促进自我解释来促进人们的理解？基于计算机的辅导系统应该采用什么样的教学方法？这些方法应该从教师与学生互动的研究中得出吗？自 20 世纪 70 年代以来，这些问题一直是推动智能辅导系统 (ITS) 领域 AI 研究的动力。4,5 我们使用 Sharp-les 等人的 MR Tutor 系统来说明 ITS 方法，6 该系统使用统计分析来解释和关联医学图像的特征。在 MR Tutor 中，“解释”被定义为一种教学活动，用于学习如何使用 AI 执行诊断任务
发情人工智能系统的评估……
摘要：对人工智能系统用于母猪发情检测的评估 Steven Verhoeven 1,5、Ilias Chantziaras 2、Elise Bernaerdt 1、Michel Loicq 3、Ludo Verhoeven 4 和 Dominiek Maes 1 1 比利时根特大学兽医学院猪健康管理系；2 比利时根特大学兽医学院内科系；3 noHow，比利时；4 荷兰埃因霍温；5 现地址：荷兰 Lintjeshof 要点： 安装了人工智能 (AI) 系统的三个比利时母猪养殖场（A、B 和 C）被用于研究这种 AI 系统是否有助于优化授精时机。 在农场 A，实施人工授精系统后，所有评估参数都显著改善（分娩率 + 4.3%、重复配种率 - 3.75%、首次授精后分娩率 + 6.2%、每窝产仔数 + 1.06 头）。 在农场 B，实施人工授精系统前后唯一具有统计学意义的差异是每窝产仔数（-0.48 头），而在农场 C，这一参数显著增加了 0.45 头。 简介 母猪发情检测对于预测最佳授精时机至关重要。在商业养殖场，农民通常根据母猪的行为迹象通过视觉检测发情。然而，这些迹象在母猪之间差异很大，而且发情持续时间很难提前预测。因此，每次发情进行多次授精以优化生育结果是一种方法。这种策略既费时又会产生额外成本。如今，已经开发出使用连接传感器和摄像头来持续监测行为数据的技术创新来检测母猪的发情。随后，人工智能（AI）系统对收集到的行为数据进行分析。这项研究调查了这种人工智能系统是否可以帮助生产者优化授精时机和繁殖性能。材料和方法安装了人工智能系统（SmaRt Sow Breeding (SSB)）的三个比利时商业母猪农场（A、B 和 C）参与了这项研究。SSB 系统通过安装在母猪上方箱子上的摄像头持续收集繁殖单元中每头母猪的行为数据。该算法使用收集到的母猪活动模式来预测每头母猪的最佳授精时机，并在用户界面上显示授精请求。建议使用该系统的农民：1）每天用诱捕公猪进行一次发情检测，并指明进行发情检测的时间； 2）每天最多给母猪喂食两次，并在固定的时间喂食，使系统能够区分与进食相关的行为和与发情相关的行为；3）尽可能保持授精装置安静，以将母猪表现出与发情无关的任何异常行为的风险降到最低，并使系统更容易检测到发情信号。该系统设计用于断奶母猪，而不是母猪，因为它们的行为变化太大，难以可靠地评估。因此，本研究未包括母猪的表现。在参与研究的三个农场中，包括了实施该系统之前 1.5 年和之后 1.5 年的生殖周期（n = 6717）。参数包括：（1）分娩率（FR），（2）重复繁殖者百分比（RB），（3）第一次授精后的分娩率（FRFI）和（4）每窝总产仔数（NTBP）。此外，还分析了系统收集的数据以描述断奶至发情间隔 (WEI)、发情持续时间 (ED) 和每次发情的授精次数。该数据集包括在农场 B 和 C 收集的 2261 个周期。结果与讨论在农场 A，所有参数均显著改善，即 FR + 4.3%、RB - 3.75%、FRFI + 6.2% 和 NTBP + 1.06 头仔猪。在农场 B，NTBP 显著下降，为 0.48 头仔猪，但该农场的授精剂量较低（每剂 0.8 × 10 9 个精子）。在农场 C，实施该系统后，只有 NTBP 显著增加，为 0.45 头仔猪。系统确定的 WEI 在 78 到 90 小时（h）之间变化，比农民确定的 WEI 短 10-20 小时。系统确定的 ED 范围为 48 至 60 小时，与农民评估的 ED 相比变化较小。在农场 B，只有 NTBP 的差异具有统计学意义，即 - 0.48 头仔猪。FR 和 FRFI 有所改善，而 RB 有所增加（p > 0.05）。农场 B 每次发情的平均授精次数随时间保持相似，而农场 C 每次发情的平均授精次数随时间从大约 1.6-1.2 减少。这项研究表明，用于母猪发情检测的实时人工智能系统可以帮助农民确定最佳授精时机，如果使用得当，可以提高农场的繁殖性能。繁殖性能的总体结果是积极的，但由于农场管理的差异，每个农场的结果各不相同。除了正确的发情检测外，管理、遗传、饲料、健康状况和精子质量等其他因素对于增加成功受孕的机会也非常重要。这些因素可能在某种程度上影响了结果，例如，由于基因改良，产仔数增加。结论 AI 系统可以帮助农民提高繁殖性能、评估发情特征并减少每次发情的授精次数。由于农场管理、遗传学和授精剂量等许多其他变量也会影响繁殖性能，因此不同农场的结果可能有所不同。完整出版物可在 https://doi.org/10.1186/s40813‐023‐00303‐3 上找到。
能源过程和系统的人工智能
摘要：近年来，人工智能越来越受到人们的青睐，越来越多地被科学家和企业家使用。电子和计算机科学的快速发展有利于发展这一科学领域。人类需要智能机器来创造和发现世界上的新关系，因此人工智能开始进入各个科学领域，如医学、经济、管理、电力工业等。人工智能是计算机科学发展中最令人兴奋的方向之一，它吸收了人类相当多的热情和计算机技术的最新成果。本文致力于人工神经网络的实际应用。本文讨论了1940-2022年间神经网络的发展，介绍了这些年来最重要的出版物，并讨论了人工智能应用的最新成果。其中一章重点介绍了人工智能在能源过程和系统中的应用。本文还讨论了神经网络未来发展的可能方向。
人工智能和自主系统的前沿
人们认识到，人工智能 (AI) 的一般形式体现为自主人工智能 (AAI) [1–3]，其基础是当代智能科学 [4–12] 和智能数学 (IM) [13–22]。AAI 通过从在某些领域训练的低级数据驱动学习机器获取认知知识来产生集体智慧。AAI 探索了通用人工智能和自主系统如何根据大脑的分层智能模型 (HIM) [1,2] 从反射性、命令性、自适应性、自主性和认知智能模仿大脑，从而学习超越数据回归的思考和推理。它涉及并强调通过使用粒计算的基础、实践和算法来构建复杂系统的理论观点 [23–26]。未来一代先进的 AAI 系统将能够实现基于数据驱动的人工智能前端成果的脑启发式认知计算机，这些成果由认知知识学习和 IM 理论支持。 AAI 不仅将扩展人类的知识 [27–29]，而且还将以前所未有的速度和范围增强人类的智能 [4,5,22,30–33]。
系统之系统的国际联盟案例...
摘要— 系统之系统 (SoS) 概念化对于解决涉及异构独立操作系统以实现独特目的的问题至关重要。作为 SoS，成功运行需要通过有效的协议在企业中适当的个人和团体之间进行沟通。本文提出了创建一个由全球相关系统工程师和科学家组成的联盟的立场，以研究与 SoS 相关的问题和解决方案策略。该联盟可以带头澄清歧义并寻求解决有关 SoS 分析、SoS 工程 (SoSE) 以及系统工程 (SE) 和 SoSE 之间的差异的许多悬而未决的问题。该联盟的使命设想为：1) 充当中立方；2) 提供一个提出行动呼吁的论坛；3) 建立一个利益共同体来推荐一套解决方案。
战场管理系统的开发：如何使用...
摘要 荷兰皇家陆军 (RNLA) 目前正在开发一个演示战场管理系统 (BMS)，该系统将通过显示和分发可用的 C2 信息来为士兵提供支持。在整个 BMS 开发过程中，未来的军事用户扮演着非常重要的角色。用户和开发人员之间经常联系，每隔几个月就会向用户展示并评估 BMS 的新版本。开发包括几个周期，而用户几乎参与了每个周期的每个步骤。这会导致用户的承诺，因为他注意到他的评论得到了认真对待，并且通常会在 BMS 的下一个版本中实施。到目前为止，这种以用户为中心的方法对开发人员和军事用户都非常有效。在过去的两年半中，在不同的环境和环境下进行了几次评估。本文更详细地描述了其中的两个，并介绍了在开发 BMS 时采用的以用户为中心的方法。本文解释了 RNLA 选择的方法，并讨论了该方法相对于用户不参与 C2 系统开发的情况的优势。
自适应系统的认证注意事项
本研究由 NASA 资助，合同编号为 NNL13AC67T。本材料中表达的任何观点、发现、结论或建议均为作者的观点，并不一定反映 NASA 或美国政府的观点。一些个人为本报告中描述的研究做出了贡献。罗克韦尔柯林斯公司的 Siddhartha Bhattacharyya 提供了总体监督、章节概述和特性描述。罗克韦尔柯林斯公司的 Darren Cofer 开发了有关认证挑战和总体监督的章节。Dave Musliner、Joseph Mueller 和 Eric Engstrom 提供了对智能和自适应控制算法的见解。NASA 兰利研究中心的 Kelly J. Hayhurst 提供了有关自适应系统和认证的宝贵意见。来自学术界、工业界和政府机构的许多研究人员提供了对自适应系统的见解。