XiaoMi-AI文件搜索系统
World File Search System试验调整
导航心肌炎挑战
在一项对接受免疫检查点抑制剂（ICIS）治疗的患者（包括PD-1抑制剂）的患者的多中心研究中，与免疫相关的心肌炎（IRM）的患病率为1.14％[1]，但此速率可能会根据患者人群，治疗类型和特定试验设置而变化。尽管有这种差异，IRM仍可以迅速发展为致命的结果，死亡率为25-50％[2]，使得早期检测至关重要。非特异性症状，例如疲劳，胸部不适和呼吸症，以及诸如肌钙蛋白等生物标志物，可能会导致不必要的试验调整，例如由于患者的安全问题而过早地扣留PD-1抑制剂。另外，诊断的延迟会导致威胁生命的不良事件，例如心律不齐和心力衰竭，损害患者的安全。这为主要研究人员造成了困境，他们必须平衡严重并发症的风险与过早阻止PD-1抑制剂的潜在危害，这一决定取决于临床判断。
使用实验数据分析和机械建模缓解增材制造中的气孔问题
摘要：雾化过程中保护气、金属蒸汽和粉末内部滞留的气体会导致气孔，而气孔会降低激光粉末床熔合增材制造部件的疲劳强度和拉伸性能。通过后处理和反复试验调整加工条件来降低气孔率既费时又费钱。在这里，我们结合机械建模和实验数据分析，提出了一种易于使用、可验证的无量纲气孔率指数来减轻气孔的形成。机械模型的结果经过了独立的实验数据严格测试。结果发现，该指数可以准确预测常用合金（包括不锈钢 316、Ti-6Al-4V、Inconel 718 和 AlSi10Mg）的气孔发生率，准确率为 92%。此外，实验数据表明，指数值越高，气孔数量越多。在四种合金中，AlSi10Mg 最容易产生气孔，其气孔指数值可能比其他合金高 5 至 10 倍。根据结果，我们绘制了气孔图，可在实践中用于选择适当的工艺变量组来减轻气孔，而无需进行实证测试。
人工智能时代的社会分类危机
本文探讨了我们计算社会的方式的最新转变（Cardon 等人，2018 年）。使用计算技术来辅助决策并不是什么新鲜事。长期以来，计算方法一直被用于对个人进行排名和选择，例如，借助计算机脚本来验证表单是否符合确定性决策规则。随着机器学习 (ML) 工具的出现，这些方法为决策者在处理结合了越来越多的实体和事件列表的文件时的不确定性时产生的困惑提供了技术解决方案。面对文件提供的用于围绕不同原则进行定位的多种参考点，决策者可能会感到无助。他们的决策质量更容易受到批评（Hahn & Tetlock，2005），理由多种多样：他们优先考虑某些标准；他们的社会同质性掩盖了结构性偏见；他们没有注意到可能导致其他结果的变量的多样性；等等。面对分散而庞大的文件，引入基于机器学习模型的自动化工具来辅助决策，建议用统计概率取代不稳定的决策依据。当候选比较空间变得难以理解时，这些工具会对变量进行排序。如今，统计分数的引入方式截然不同，具体取决于领域。它有时采用的只是文件中的一条附加信息，例如在美国法官批准保释的决定中预测重复犯罪的可能性；或者它可以具有更大的自动化程度，例如将警察引导到犯罪更频繁的地方（Brayne & Christin，2020 年）。正如关于人工智能使用的立法草案所表明的那样，结果的自动化问题是监管机构寻求“让人类参与其中”的主要干预点之一（Jobin 等人，2019 年）。本文建议将计算方法的这种转变与社会对统计类别日益增长的批评联系起来，我们称之为社会类别危机。我们认为，决策向机器学习的转变得益于基于类别的方法（使用标准的规则等）无法涵盖世界事件的多样性和多样性1。最后，我们认为这种转变延续了数据空间更普遍的时空扩展。机器学习技术的出现带来了统计文化的变化，值得关注（Breiman，2001）。这些方法的特殊性之一是它们事先并不知道决策规则；它们从数据中学习。要建立这种类型的模型，必须使用由输入数据（文件）和先前决策的输出结果组成的数据集（训练数据库）来训练算法。然后通过反复试验调整模型，使基于训练的预测误差尽可能小（Goodfellow 等，2016）。如果模型是基于输入和输出数据之间的对应关系来学习的，那么决策规则就不能再以先验稳定和自动的基于标准的依据为基础。控制选择的模型是对与给定目标相关的文件变量的最佳比较方法的统计近似。传统的呈现此类模型设计的操作的方式是定义三个独立的空间（Cornuéjols 等，2018；Mitchell，1997）。输入数据构成观察空间，计算结果构成决策空间。在这两者之间，计算的设计者必须想象一个假设空间（有时也称为