XiaoMi-AI文件搜索系统
World File Search System阿尔斯特
建议引用：Bauer，Kevin；辛兹，奥利弗；范德阿尔斯特，威尔； Weinhardt, Christof (2021)：Expl(AI)n It to Me – 可解释的人工智能和信息系统研究，商业与信息系统工程，ISSN 1867-0202，Springer Fachmedien Wiesbaden，威斯巴登，第 63 卷，Iss。 2，第 79-82 页，https://doi.org/10.1007/s12599-021-00683-2
使用历史数据训练数学结构，以对世界的不确定状态做出预测。例如，基于大量标记图像，深度卷积神经网络可以学习对疾病的存在做出高度准确的个体层面预测。这包括预测 COVID-19 阳性患者（Shi 等人，2020 年）。虽然高度准确的预测本身对于基于事实的决策至关重要（即使是从字面意义上讲也是关于疾病检测），但最先进的机器学习模型的高预测性能通常是以牺牲其输出的透明度和可解释性为代价的（Voosen，2017 年；Du 等人，2019 年）。换句话说：大多数高性能机器学习模型的特点是无法传达人类可解释的信息，说明它们如何以及为何产生特定预测。因此，此类机器学习应用对于人类用户甚至专业设计师来说通常都是完全的黑匣子，他们往往不了解决策关键输出背后的原因。从方法论的角度来看，无法提供与具体预测相符的解释会导致三类高级问题。首先，被忽视的不透明性会立即导致缺乏问责制，因为它妨碍了对此类系统预测的审计。这一缺陷引发了人们对黑箱社会兴起的担忧，组织和机构中不透明的算法决策过程会带来意想不到的和未预料到的下游后果，从而使情况变得更糟（Pasquale 2015；Angwin 等人 2016；Obermeyer 等人 2019）。其次，利用人工智能提高经济效率和人类福祉的潜力不仅限于通过预测为特定决策提供信息。揭示隐藏在复杂大数据结构中的新领域知识
阿尔斯特医学协会计划2023年 - 贝尔法斯特
Athinyaa thiraviaraj博士Athinyaa是在Derry工作的糖尿病医生。她在印度钦奈进行了毕业生，并在北爱尔兰接受了研究生培训，并于2012年完成了她的专业培训。Athinyaa现在在Derry/ Londonderry的Altnagelvin医院担任内分泌和糖尿病的顾问医师@WesternHSctrust。她是苏格兰质量和安全奖学金队列9 @SQSFellowship和合格的质量改进团队教练@FCACOACHING的同胞。她是西方信托医学教育主任。Athinyaa的兴趣是医学教育，质量改善，1型糖尿病，怀孕的糖尿病和年轻人的糖尿病护理。她的兴趣在于探索可以增强医疗保健和教育用户体验的新界面和技术。最能描述雅典雅人生活方式的座右铭：•festina lente（慢慢慢慢）； •成为您希望在世界上看到的改变。您可以找到她的@athinyaa（平台先前称为Twitter）
Kerdvibulvec, C. 和 Chen, L. (2020)。新冠疫情期间增强现实和人工智能的力量。在 C. Stephanidis、M. Kurosu、H. Degen 和 L. Reinerman-Jones (Eds.) 中，HCI International 2020 - 最新论文：多模态和智能：第 22 届 HCI 国际会议，HCII 2020，丹麦哥本哈根，2020 年 7 月 19-24 日，会议录 (第 12424 卷，第 467-476 页)。（计算机科学讲义（包括人工智能讲义和生物信息学讲义子系列）；第 12424 卷 LNCS）。施普林格国际出版公司。 https://doi.org/10.1007/978-3-030-60117-1_34 阿尔斯特大学研究门户中的出版记录链接
摘要。由严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2) 引起的 Covid-19 疫情给世界各地的科学界，包括计算机科学界带来了许多重大挑战。与此同时，随着社交媒体和智能手机在世界各地连通性的提高，计算机科学的兴起，增强现实 (AR) 和人工智能 (AI) 领域最近发展非常迅速。增强现实是一个新兴的物理场景领域，其中物理世界中的事物与虚拟世界混合在一起，而人工智能是一个流行的领域，用于机器模拟人类智能，即被编程为像人类一样观察、思考和理解。本文介绍了 Covid-19 疫情期间增强现实和人工智能的最新发展。首先，我们重点介绍一下最近使用增强现实应对 Covid-19 危机的工具。例如，我们回顾了基于增强现实的用于检测病毒症状的热成像眼镜，以及增强现实在教育任务中的方法，这些方法可以帮助人们有效地克服隔离，进行在线学习。其次，我们讨论了最近使用人工智能智能抗击 Covid-19 大流行的工具的概述。我们的讨论包括用于近似和让人们为预防病毒做好准备的人工智能方法，使用非线性回归网络 (NAR) 预测病毒的大小、长度和结束时间的 Covid-19 疫情预测方法，以及用于估计致命病毒爆发趋势的易感-暴露-感染-移除 (SEIR) 模型。最后，我们提出了增强现实和人工智能之间的优势和有希望的未来整合，以解决 Covid-19 危机后的研究问题。