MétaCan
Menu
Retour à la cohorte
Enregistrement W1971588358 · doi:10.1109/icadlt.2014.6864109

Improving in-transit and in-theatre asset visibility of the Canadian Armed Forces supply chain network

2014· article· en· W1971588358 sur OpenAlexaffabout
Abdeslem Boukhtouta, Jean Berger

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueRFID technology advancements
Établissements canadiensDepartment of National Defence
Organismes subventionnairesnon disponible
Mots-clésVisibilityAsset (computer security)Computer scienceKey (lock)Supply chainTrack (disk drive)TelecommunicationsComputer securityBusinessMarketing

Résumé

récupéré en direct d'OpenAlex

A key functionality in military logistics is the concept of sense and respond logistics to provide asset visibility, rapid response, and advanced agility tailored to all military decision levels: strategic, operational, and tactical. Future military forces do require a near-real-time in-transit and total visibility of assets, personnel, and vital supplies. The implementation of an end-to-end asset visibility (AV) model enabled by novel tracking and monitoring technologies, is essential toward reaching the desired goal. This paper proposes an integrated model for the Canadian Armed Forces (CAF) supply network suitable for asset visibility tracking and monitoring. It presents a high level design framework for end-to-end visibility and up to date asset information. It also discusses novel emergent technology, such as Next-Generation Wireless Communication (NGWC) mesh networking protocol (combined to active RFID) and RuBee, and its emerging challenges to successfully track CAF assets and provide in-theatre and in-transit visibility. NGWC technology provides an ultra-low power wireless protocol to collect and route logistics data to information systems which could be very effective in closing in-theatre and in-transit asset visibility gaps.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,335
Score d'incertitude au seuil0,673

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,003
Tête enseignante GPT0,179
Écart entre enseignants0,176 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetRFID technology advancementsTravaux en français237 207