Editorial: Special Section on Services Computing Management for Artificial Intelligence and Machine Learning
Notice bibliographique
Résumé
The seven papers in this special section focus on services computing management for artificial intelligence and machine learning. The goal of services computing is to enable IT services and computing technology to perform business services more efficiently and effectively. The pervasive nature of services computing management is exhibited in almost all industry settings. In everyday life, new business service innovations will give rise to an emergent data- and information-focused economy that will only pick up steam as both consumer and business utilization of Internet of Things are advanced. These AI services can be formed from high-level computational intelligence that leverages emerging analytical techniques associated with big data, web analytics, data and text mining, ontology engineering, semantic web, and many other advances. At the same time, it becomes increasingly important to anticipate technical and practical challenges and to identify best practices learned through experience.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,017 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,025 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».