Artificial Intelligence in Manufacturing Industry Worker Safety: A New Paradigm for Hazard Prevention and Mitigation
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
The phenomenal rise of artificial intelligence (AI) in the last decade, and its evolution as a versatile addition to various fields, necessitates its usage for novel purposes in multidimensional fields like the manufacturing industry. Even though AI has been rigorously studied for process optimization, wastage reduction, and other quintessential aspects of the manufacturing industry, there has been limited focus on worker safety as a theme in the current literature. Safety standards contribute to worker safety, but there is no one-size-fits-all approach in these standards or policies, which warrants evaluation and integration of new ideas and technologies to reach the closest to ideal standards. This includes but is not limited to health, regulation of operations, predictive maintenance, and automation and control. The rise of Industry 4.0 and the migration towards Industry 5.0 facilitate easy integration of advanced technologies like AI into the manufacturing industry with real-time predictive capabilities, and this can help reduce human errors and mitigate hazards in processes where sensitivity is crucial or hazards are frequent. Keeping the future outlook in focus, AI can contribute to training workers in risk-free environments, promote engineering education for easy adaptation to new technology, and reduce resistance to changes in the industry. Furthermore, there is an urgent need for standards and regulations to govern and integrate AI technologies judiciously into the manufacturing industry, which holds AI models and their creators accountable for their decisions. This could further extend to preventing the adversarial use of new technology. This study exhaustively discusses the potential and ongoing contributions of this technology to the safety of workers in the manufacturing industry.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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