HIGH TECHNOLOGIES AND ARTIFICIAL INTELLIGENCE IN THE MANUFACTURING SECTOR AND AGRICULTURE IN INDIA
Notice bibliographique
Résumé
The article argues that the process of digitalization is gaining unprecedented prominence, having an unprecedented range of impacts: from everyday life to scientific activities.The author emphasizes that India is representative in this regard, as it is characterized by intensive technological growth, which results in a significant potential for the actualization of new technologies (in particular, in manufacturing and agriculture).It is noted that the integration of the latest technologies and artificial intelligence into the work of the latter is promising.The researcher emphasizes that today India is actively introducing the identified technologies (artificial intelligence, machine learning, Internet of Things, etc.) to perform certain functions to increase production (in particular, dairy).It is emphasized that this produces an exponential increase in the efficiency of conventional production processes, combined with the formation of new effective ways to improve product quality and avoid economic losses.The author argues that the introduction of high technologies and AI produces several parameterization features of its functioning and is a prospect for further research of the analyzed issues, in particular: a) personnel problems, which consist of proper training, continuous professional development, retraining, etc. of the workforce, and so on; b) equality of access to technology for all regions and sectors of the country's economy, without which India's sustainable development and reduction of the existing gap in the genesis of its enterprises (primarily small and medium-sized enterprises) are impossible; c) state support for the introduction of technologies, which is represented by the development of several programs to stimulate their actualization, innovative development, etc.; d) the production of social protection, Věda a perspektivy № 5( 36) 2024
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».