Mobile asset data acquisition and decision making over the internet
Bibliographic record
Abstract
Les systemes mobiles de gestion des biens (MAMS) sont devenus importants pour les operations industrielles en ameliorant l'efficience operationnelle et en reduisant les couts de fonctionnement. Un flux de donnees continu entre le terrain, l'utilisateur et le bureau est vital pour qu'un MAMS soit fonctionnel. Les MAMS existants comptent sur des reseaux radio couteux, exclusifs et lents pour relier les biens et necessitent que les utilisateurs soient physiquement au bureau, interrompant ainsi ce flux de donnees. Cet article decrit comment Internet peut etre integre au MAMS pour eliminer ces interruptions et offrir de nouvelles capacites au systeme. En creant un MAMS sur Internet (IMAMS), les technologies Internet sans fil repandues et peu couteuses sont utilisees pour remplacer la radio comme principal moyen de transmission au terrain. L'acces aux donnees et aux outils du systeme s'etend aux utilisateurs a distance par le Web. En utilisant un nouveau cadre de communication sans fil sur Java dans le IMAMS, les transmissions des biens peuvent se faire par plusieurs methodes Internet sans fil. Avec les technologies de creation de contenu Internet standards, une composante accessible sur le Web a ete developpee qui permet aux utilisateurs d'entrer en communication avec le systeme en utilisant seulement une connexion et un fureteur Internet pour voir les donnees sur les biens et utiliser les outils d'analyse d'une maniere presque identique a celle des utilisateurs physiquement au bureau.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".