ENHANCING E-SHOPPING: UNVEILING THE IMPACT OF ARTIFICIAL INTELLIGENCE IN INDIA
Notice bibliographique
Résumé
Artificial Intelligence (AI), characterized as machines replicating "cognitive" functions akin to human thought processes, has witnessed a surge in prominence, notably outlined in the book "Artificial Intelligence: A Modern Approach (AIMA)" by Russell and Norvig (2020). The application of AI in India has witnessed a substantial rise, prompting increased investment in AI research and development across various industries. PwC India's study (PriceWaterhouseCoopers Private Limited India, 2020) reveals that, amidst the global pandemic, India has experienced the highest surge in AI usage, with a remarkable 45% increase compared to developed nations like the US, UK, and Japan. This research delves into the confluence of AI adoption and electronic retail channels in India, a burgeoning economy offering significant opportunities for e-retailers. The technological advancements and the widespread reach of the internet have paved the way for the expansion of electronic retail channels. The study recognizes the unique circumstances during the pandemic, where Internet shopping has become a vital avenue for consumers, providing enhanced flexibility, interactivity, customization, and low-risk options. The research aims to elucidate the symbiotic relationship between AI penetration and the evolution of electronic retail channels in the Indian context. By exploring the factors influencing this dynamic interaction, the study seeks to provide insights into the strategic considerations for businesses navigating the landscape of AI-driven e-retail in India.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».