XiaoMi-AI文件搜索系统
World File Search System视角
可解释人工智能的历史视角
然而，为智能系统配备解释能力的原因不仅限于用户权利和技术接受度问题。设计人员和开发人员还需要可解释性来增强系统稳健性并进行诊断以防止偏见、不公平和歧视，以及增加所有用户对决策原因和方式的信任。因此，能够解释为什么做出某个决定已成为智能系统的理想属性（Doran、Schulz 和 Besold，2017 年）。解释应帮助用户理解系统模型，以便维护和有效使用它；它们还应协助用户调试模型以防止和纠正错误的结论。此外，解释可以起到教育作用，并有助于人们发现和理解应用领域的新概念。最后，解释与用户的信任和说服有关，它们应该传达一种可操作性，并让用户相信系统的决策对他们来说是最方便的。尽管如此，对于什么是解释，以及一个好的解释包含什么，并没有明确的共识。它的表现形式已在不同的人工智能系统和学科中得到研究。在本文中，我们从传统方法以及目前正在开发的方法的历史角度来研究可解释人工智能 (XAI) 的文献。相关文献非常庞大，本文并非旨在对 XAI 文献进行完整概述。20 世纪 80 年代中期以后，人工智能中可解释性的概念与专家系统中的概念一起逐渐消退（Buchanan & Shortliffe，1984；Wick & Thompson，1992），而机器学习技术的最新成功（Guidotti et al.，2018）又将可解释性概念带回人们的视野，既适用于自主系统（Nunes & Jannach，2017），也适用于人机交互系统（Holzinger，2016；Holzinger，Plass，et al.，2019），还应用于推荐系统（Tintarev & Masthof，2015）以及神经符号学习和推理方法（Garcez et al.，2015）。对于每个观点，读者都可以找到机器学习和深度学习（Arrieta 等人，2020 年；Fernandez、Herrera、Cordon、Jose del Jesus 和 Marcelloni，2019 年；Guidotti 等人，2018 年；Mueller、Hoffman、Clancey、Emrey 和 Klein，2019 年）、推荐系统（Nunes 和 Jannach，2017 年；Tintarev 和 Masthof，2015 年）和神经符号方法（Garcez 等人，2015 年）方面更全面的文献综述。本文的目的是提供概述并讨论如何构想不同的可解释性概念（分别是解释格式），并提供几个示例。本文的主要贡献是：
SMA的GFM功能视角...
重要的法律通知本介绍不构成或不构成，也不应解释为订阅或邀请的要约或邀请，以承销或以其他方式获得SMA Solar Technology AG（“公司”）的任何证券（“公司”）（“公司”）或公司的任何当前或未来的子公司（与公司的任何一部分或任何一部分），或与任何一部分相关的任何一部分，或与任何一部分相关，或与任何一部分相关，或与任何一部分相关，以与任何一部分相关，以订立或与任何一部分相关，以与其订立的任何一部分，或者与任何一部分相关，以与其订立的任何一部分，或者与任何一部分相关，以订立或与该公司的任何一部分相关联。公司或SMA集团的任何成员或承诺。本文包含的所有信息均已仔细准备。尽管如此，我们不保证其准确性或完整性，本文中没有任何内容被解释为代表这种保证。除非有意或通过公司的严重疏忽造成损害，否则公司对本文档中包含的错误不承担任何责任。此外，公司应对从本演示文稿提供的数据和信息的基础上演变的活动的影响承担任何责任。本演示文稿中包含的信息符合修订，修订和更新，这并不是公司事先公告的基础。本演讲中包含的某些陈述可能是基于管理层当前的观点和假设的未来期望和其他前瞻性陈述的陈述，并涉及已知和未知的风险和不确定性。这些因素和其他因素可能会对本文所述的计划和事件的结果和财务影响产生不利影响。演示文稿的包含信息是公司的财产。实际结果，绩效或事件可能与此类陈述中的实际结果有所不同，因为因素，不断变化的业务或其他市场状况以及公司管理层预期的增长前景。公司不承担更新或修改任何前瞻性陈述的任何义务，无论是由于新信息，未来事件还是其他方式。您不应过分依赖前瞻性陈述，这些陈述仅在本演讲之日起说明。本演示文稿仅用于信息目的，并且不得仅在公司事先同意后才进一步分发或传递给本介绍的任何一方。除了为其提供给收件人的目的外，本节目的任何部分都必须由此处的收件人复制，复制或引用。本演示文稿的内容，意味着所有文本，图片和声音都受版权保护。本文件不是美国出售的证券提供。证券不得在美国没有注册或根据1933年《美国证券法》修订的注册提供或出售证券。
可解释人工智能的神经符号视角
摘要。我们讨论了在可解释人工智能 (XAI) 研究领域中使黑盒模型更易于解释的观点。我们认为，用于训练深度学习 (DL) 模型的传统端到端学习方法不符合 XAI 的宗旨和目标。回到手工特征工程的想法，我们建议对 XAI 采用混合 DL 方法：我们建议使用 DL 自动检测有意义的、手工高级符号特征，而不是采用端到端学习，然后将其用于标准且更易于解释的学习模型。我们基于最近提出的 Kandinsky 模式基准，在概念验证中举例说明了这种混合学习模型，该模型通过使用逻辑张量网络和可解释规则集合，专注于管道的符号学习部分。在证明所提出的方法能够提供高度准确且可解释的模型之后，我们将讨论潜在的实施问题和可以探索的未来方向。
能量感知分布式推理的视角
摘要 — 对快速响应的高质量人工智能生成内容 (AIGC) 的追求推动了自然语言处理 (NLP) 服务的发展，尤其是在边缘启用的服务 (即边缘 NLP)。具体来说，我们研究了下一个单词预测的分布式推理，这是用户设备上移动键盘的流行边缘 NLP 服务。因此，我们优化了耦合指标，即最大化预测点击率 (CTR) 以提高服务质量 (QoS)，最小化用户不耐烦以增强体验质量 (QoE)，并将能耗控制在可持续发展的预算范围内。此外，我们考虑了现实世界的环境，其中没有关于异构 NLP 模型预测准确性的先验知识。通过集成在线学习和在线控制，我们提出了一种新颖的分布式推理算法，用于考虑用户不耐烦的在线下一个单词预测 (DONUT)，以估计模型的预测准确性并平衡耦合指标之间的权衡。我们的理论分析表明，DONUT 实现了亚线性遗憾（CTR 损失），确保了有限的用户不耐烦，并保持了预算内的能耗。通过数值模拟，我们不仅证明了 DONUT 优于其他基线方法的性能，还证明了其对各种设置的适应性。
边缘 AI 路线图：Dagstuhl 视角
随着近期研究和开发的进行，“边缘”本身仍然是一个模糊的术语。不同的社区和研究人员 2 缺乏关于边缘是什么、它位于何处以及谁提供它的普遍接受的定义。人们对其属性有共同的理解：与云相比，其特征是接近性（延迟和拓扑）、网络容量增加（有效实现的数据传输速率）、计算能力较低、规模较小、设备异构性较高。与终端设备（最后一跳）相比，它具有增加的计算和存储资源。它是一个抽象实体，可以卸载计算和存储，而无需绕道到云端。当前的 AI 和 ML 方法需要强大的计算基础设施 [5]，而数据中心拥有充足的可用计算和数据存储资源，可以更好地满足这一需求。但是，将必要的原始数据发送到云端会给网络带宽和吞吐量带来压力。同时，组织通常不太愿意与商业云提供商共享（可能受到限制的）数据。快速发展的边缘 AI 领域解决了这一紧张局势。如图 1 所示，边缘 AI 已逐渐进入主流服务领域，例如联网汽车、实时游戏、智能工厂和医疗保健。从基础设施的角度来看，边缘环境为 AI 提供了一个独特的层，
政治经济学视角 - AIS 电子图书馆
2.人工智能治理的经济可能会导致监控国家。确保透明度和问责制对于避免这种结果至关重要。解决这一问题的潜在措施包括：a) 开源：将人工智能算法开源可以接受公众监督，并防止人工智能本身不受制约。但是，我们如何平衡开放代码访问的需求与人类渗透或入侵旨在免受不当影响的系统的威胁？b) 公众意见：允许公民参与有关数据隐私和监控政策的决策可以帮助确保人工智能的数据收集保持透明和可问责。c) 监督委员会：创建由专家、公民和行业代表等不同利益相关者组成的委员会，可以帮助监督人工智能的决策并保持权力平衡。
监管视角下的全球人工智能治理
执行摘要 - 为响应联合国秘书长人工智能咨询机构的中期报告，本简短的讨论文件概述了国家和地区人工智能监督者应如何参与全球人工智能治理框架。 - 本文的贡献基于荷兰的国家经验，自 2023 年以来，Autoriteit Persoonsgegevens 一直担任国家协调人工智能监督者 (NCAIS)。在荷兰，NCAIS 通过每两年一次的风险报告、监管合作以及指导和监管政策观点的制定，关注人工智能对基本权利和公共价值观的风险。 - 根据作为 NCAIS 的经验，我们主张建立一个全球人工智能机构，以促进国际层面的风险监测、标准制定、知识交流和同行评审。 - 国家和地区人工智能监管机构应在这种全球人工智能治理结构中发挥核心作用，因为它们直接参与人工智能风险识别和缓解。在可行的情况下，他们应该在系统人工智能模型和系统的监管学院中进行合作。此外，人工智能监管者还应为全球人工智能事件登记做出贡献，以促进知识交流和对当前和即将出现的人工智能风险的共同理解。
米歇尔·福柯视角下的人工智能法
本文从米歇尔·福柯的理论视角考察人工智能 (AI) 对法律体系的影响。它探讨了人工智能作为一种当代技术设备如何加强监视和控制结构，这与福柯的生命权力和自我技术概念相一致。该研究认为，人工智能对传统的责任和道德法律类别构成了重大挑战，需要重新评估法律框架。通过分析美国的预测性警务和中国的社会信用体系等案例研究，本文展示了人工智能如何作为一种生命权力发挥作用，扩大国家和企业对个人的影响。核心假设是人工智能有可能解构传统的法律问责制和道德责任观念，敦促重新评估现有法律的价值论方面。本文最后提出了法律调整，例如算法影响评估和增强透明度措施，以减轻人工智能驱动的控制风险并保障个人自主权。关键词
建筑中的人工智能：教育视角
摘要：人工智能是一种影响当今生活方方面面的现象。人工智能应用已经开始改变不同学科的业务方法。建筑是受人工智能技术发展影响最大的学科之一。实践的复杂性使建筑成为人工智能应用的重要实验领域。从建筑信息建模到高级可视化技术，人工智能与建筑的合作具有重要的成果，影响着实践的现在和未来。然而，建筑教育课程必须遵循人工智能对建筑的永久和更根本的影响，这为该职业的未来奠定了基础。本文介绍了一项从教育角度回顾人工智能在建筑中的方法的研究。它包括来自不同领域和理论和实践领域的现有实施和潜在的未来战略，这些战略可能对建筑教育的发展有用。