XiaoMi-AI文件搜索系统
World File Search System黑箱
决策中的人工智能和大数据分析......
I. 新兴技术 34 i. 通过大数据提高效率、效力和透明度 35 ii. 从大数据到人工智能：一个循环过程 40 iii. 决策支持系统：平衡泛化和黑箱与公平和透明 42 iv. 司法系统中的决策支持工具 46 算法驱动的决策 46 预测：风险评估工具 48 预测技术：诉讼软件和法律分析 51 II. 决策过程自动化 53 i. 基于规则与基于标准的流程 53 ii. 移民和庇护制度 55
人工智能的透明度：法律视角
摘要：自主人工智能（以下简称 AI）应用具有非凡的能力，可以彻底改变我们的日常生活。尽管如此，在它们的运行过程中，已经观察到许多侵犯人权的事件，从而危及公众的接受度和进一步发展。造成这种情况的主要原因在于自主 AI 系统固有的不透明性，这构成了所谓的黑箱问题或黑箱效应。为了消除这种影响，科学界经常建议“透明度”应该是实现这一目标的适当工具。事实上，在 21 世纪，关于 AI 透明度主题的学术研究数量迅速增加，甚至敦促欧洲立法者采用有关高风险 AI 系统透明度的协调法律规则等。尽管如此，透明度的语义背景尚未得到充分定义，其可能产生的负面影响也未得到深入探究。因此，人们对人工智能透明度的有效性表示担忧。然而，这些担忧并没有降低透明度对人工智能未来的重要性；它们实际上提出了一种让科学界看待人工智能的不同方式。也就是说，考虑到人工智能从定义上来说是一个多学科领域，由计算科学和认知科学组成，其透明度应该具有双重含义：首先是字面含义，与自主人工智能系统中决策程序的技术性相对应；其次是比喻含义，指充分理解这一程序结果的必要性，更重要的是，指人类有权事前或事后反对自主人工智能系统做出的决定。因此，在人工智能中嵌入透明度应该考虑促进人机交互和人机指挥的方法，而不是仅仅关注人机交互的方法。
XAI-PT：可解释人工智能从实践到理论简评
摘要。在本文中，我们报告了一些基础文献中确定的可解释人工智能 (XAI) 的实践和理论方面。尽管有大量关于表示 XAI 背景的工作，但大多数语料库都指向一个离散的思想方向。同时提供对实践和理论文献的见解仍然是该领域的一个空白。这很重要，因为这种联系有助于早期 XAI 研究人员的学习过程，并为经验丰富的 XAI 学者提供光明的立场。我们首先分别关注黑箱解释的类别并给出一个实际的例子。然后，我们讨论了理论解释如何在多学科领域中扎根。最后，提出了未来工作的一些方向。
研究简报 - 可解释的人工智能和房地产 v2
鉴于 ML 的巨大潜力，令人惊讶的是，它们在许多领域的应用速度比纯技术角度预期的要慢得多。在经济数据分析中，ML 作为计量经济学回归分析和基于聚类的分类任务的扩展而表现出色。然而，由于这些方法通常被认为是不透明的，它们所谓的黑箱特性一再受到批评。某些用例（例如基于 AI 的信贷申请决策支持）可能会改善和加速银行的业务运营，但是否批准或拒绝抵押贷款的唯一决定缺乏责任感，并且不能代表任何相关方的满意结果。因此，解释 ML 模型的内部工作原理对于证明和验证如何做出某个决定以及产生新的见解至关重要（Adadi & Berrada，2018）。
人工智能和透明度如何影响公众对司法的信任
*1 ྠᚿ♫ᏛၟᏛ㒊ၟᏛ⛉ 同志社大学商学院 本研究的目的是调查导致人们对基于 AI 的审判信任度降低的因素。近年来，法官和预算短缺，而这又以牺牲用户的信心为代价。为了解决这些问题，人们期待在法庭上使用 AI。然而，AI 存在黑箱问题。部分原因是算法不可靠，这引发了人们对在法庭上使用 AI 的质疑。在本研究中，我们进行了一项调查实验，以调查透明度的存在是否会影响法官的可信度。我们还调查了判断错误对可信度的影响。从实验结果中，我们研究了人们更信任 AI 还是透明度。本研究为在法庭上使用 AI 的研究和努力提供了启示。
一组群论问题的量子算法*
摘要：本工作引入了两个决策问题，稳定器 D 和轨道陪集 D ，并给出了从它们到问题轨道叠加 (Friedl 等人，2003) 的量子简化，以及从两个群论问题群交和双陪集成员到它们的量子简化。基于这些简化，在黑箱群设置中获得针对群交和双陪集成员的有效量子算法。具体而言，对于可解群，如果其中一个底层可解群具有平滑可解的交换子群，则这为群交提供了有效的量子算法，如果其中一个底层可解群是平滑可解的，则这为双陪集成员提供了有效的量子算法。最后，证明了群交和双陪集成员属于复杂度类 SZK 。
人工智能在金融市场问责的未来
消费者与金融市场的互动范围广泛，从申请信用卡、融资购房到买卖证券。在每笔交易中，贷方、银行和经纪公司都可能在幕后利用人工智能 (AI) 来增强其运营。尽管人工智能能够高速、大量地处理数据，使其成为金融机构的重要工具，但必须注意其使用过程中的风险和局限性。在金融市场中，人工智能缺乏决策透明度（通常称为“黑箱问题”）以及人工智能对高质量数据的依赖，在考虑市场部署算法的总体影响时带来了额外的复杂性。由于这些问题，必须权衡人工智能的好处与该技术在整个市场中传播所带来的特定风险。