MODERN STAGE OF ARTIFICIAL INTELLIGENCE (AI) DEVELOPMENT AND APPLICATION OF AI METHODS AND SYSTEMS IN POWER ENGINEERING
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
В статье анализируется ряд публикаций на эту тему, а также обобщаются результаты дискуссий на конференции «Знания, онтологии, теории» (Новосибирск, 8-12 ноября 2021 г.) и Круглом столе в ИСЭМ СО РАН «Искусственный интеллект в энергетике» (22 декабря 2021 г.). Рассматриваются понятия: сильный и слабый ИИ, объяснимый ИИ, доверенный ИИ. Анализируются причины «бума» вокруг машинного обучения и его недостатки. Сравниваются облачные технологии и технологии граничных вычислений. Определяется понятие «умный» цифровой двойник, интегрирующий математические, информационные, онтологические модели и технологии ИИ. Рассматриваются этические риски ИИ и перспективы применения методов и технологий ИИ в энергетике. The article analyzes a number of publications on this topic, and also summarizes the results of discussions at the conference "Knowledge, Ontology, Theory" (Novosibirsk, November 8-12, 2021) and the Round Table at the ISEM SB RAS "Artificial Intelligence in Energy" (December 22 2021). The concepts are considered: artificial general intelligence (AGI), strong and narrow AI (NAI), explainable AI, trustworthy AI. The reasons for the "hype" around machine learning and its disadvantages are analyzed. Compares cloud and edge computing technologies. The concept of "smart" digital twin, which integrates mathematical, informational, ontological models and AI technologies, is defined. The ethical risks of AI and the prospects for the application of AI methods and technologies in the energy sector are considered.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle