亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

學習如何顛覆性的AI聊天機器人將改變學校、工作和更多領域。 《ChatGPT入門》為你解密這個能回答問題、寫作文、生成幾乎任何被問到的文本的人工智能工具。這個強大的生成型AI被廣泛預測將顛覆教育和商業。在這本書中，你將學習ChatGPT是如何工作的，以及如何操作它以得到滿意的結果。你還將探討使用AI生成內容的各種目的的倫理問題。由一位在人工智能前線工作了十多年的記者撰寫，這本書深入探討了ChatGPT的潛力，讓你能做出明智的決定——而無需向ChatGPT尋求幫助。 了解ChatGPT的工作方式以及它如何適應生成型AI的世界 利用ChatGPT的力量來幫助你，并避免讓它阻礙你 編寫能得到你想要的回應類型的查詢 看看ChatGPT API如何與其他工具和平臺交互 這本及時的《入門》書籍非常適合任何生活或職業可能受到ChatGPT和其他AI影響的人。ChatGPT只是冰山一角，這本書可以幫助你為未來做好準備。

盡管你可以在YouTube、博客、文章、社交媒體和其他地方找到大量關于ChatGPT的內容，但這本書是首批，如果不是第一本，關于這個主題的全面性文本，特別是針對初學者或介紹級別。并且請不要誤解。在少數AI科學家之外，每個人在接觸ChatGPT時都是初學者。請安心，知道你正在和全球數百萬其他人一起學習。 如果你已經在嘗試或使用ChatGPT，你將在這本書中找到多種方法，利用你已經知道的內容，并將新事物融入到你的努力中，以便從ChatGPT中獲得更多。請注意，對ChatGPT的討論包括解釋和提及支持ChatGPT的GPT模型，但這些模型也被用作除此聊天機器人之外的其他應用的AI模型。對類似ChatGPT的模型的引用可能意味著它們在技術上與ChatGPT相似，也可能不相似。例如，競爭模型可能有也可能沒有大型語言模型（LLMs）作為其基礎，正如ChatGPT一樣，但它們仍然被稱為“類似”，因為它們的用戶界面和功能與ChatGPT的非常相似。這樣，你可以更容易地比較和理解市場上的各種生成型AI聊天機器人，而不需要深陷技術細節。一些網址可能會跨越兩行文本。如果你正在閱讀紙質版的這本書，并想訪問其中一個網頁，只需按照文本中記錄的方式準確輸入地址，忽略行間斷開的部分。如果你正在閱讀電子書，那就簡單了；只需點擊網址即可直接進入網頁。

ChatGPT是OpenAI基于GPT-4架構創建的大型語言模型。它旨在理解和響應自然語言文本輸入，允許與機器進行對話。ChatGPT已經在大量數據上進行了訓練，使它能夠對廣泛的提示生成連貫和上下文適當的響應。憑借先進的自然語言處理能力，ChatGPT具有執行語言翻譯、文本摘要和問答等任務的能力。 ChatGPT作為一個大型語言模型，在教育、醫療、客服、娛樂等領域有著廣泛的應用。在這一部分中，我們將討論ChatGPT的一些最值得注意的應用，以及如何使用它們來增強各種行業。

1. 聊天機器人和虛擬助手——ChatGPT最常見的應用之一是開發聊天機器人和虛擬助手。憑借其先進的自然語言處理能力，ChatGPT可以用來創建能夠理解并響應人類輸入的聊天機器人。這些聊天機器人可以用于各種行業，從客戶服務到醫療保健，幫助用戶查找信息、回答問題和解決問題。

2. 語言翻譯- ChatGPT也可以用來開發語言翻譯工具。ChatGPT具有理解和生成多種語言文本的能力，可以用來創建翻譯工具，將文本從一種語言翻譯成另一種語言。這個應用程序在國際商務和外交行業中特別有用。 3.文本摘要——它也可以用于開發文本摘要工具，以幫助用戶快速而無困難地理解一篇長文本的要點。這個應用程序在新聞業中很有用，因為記者需要快速地為觀眾總結新聞故事。

3. 問答——ChatGPT可以用來創建問答工具，幫助用戶快速輕松地查找信息。這些工具可以用于各種行業，從教育到客戶服務，幫助用戶找到問題的答案，而不必在長文檔或網站中搜索。

4. 個性化內容生成——ChatGPT還可以根據用戶的興趣和偏好為用戶生成個性化內容。該應用程序可用于營銷和娛樂等行業，以創建更有可能吸引和留住用戶的定向廣告和內容。

5. 教育——ChatGPT可以用于教育，為學生創造個性化的學習體驗。通過分析學生數據并生成個性化內容，ChatGPT可以幫助學生按照自己的節奏并以最適合他們學習風格的方式學習。

6. 醫療保健——同樣，在醫療保健領域，ChatGPT可以幫助醫生和護士快速準確地診斷患者。ChatGPT可以通過分析患者數據和生成可能的診斷結果，幫助醫療保健專業人員做出更明智的決定，并提供更好的患者護理。

7. 娛樂——ChatGPT還可以創建交互式娛樂體驗，例如聊天應用程序可以用于游戲和社交媒體行業，創建富有吸引力和沉浸感的用戶體驗。

8. 客戶支持——ChatGPT可以以多種方式用于客戶服務

這本書的目的是考慮到醫院在使用人工智能支持的檢測程序準確診斷各種疾病方面的最新進展。本文研究了最近在醫學成像處理領域工作的著名研究人員和臨床醫生支持的疾病檢測技術。在本書中，將介紹各種人工智能方法的集成，如軟計算、機器學習、深度學習和其他相關工作。結合利用AI的真實臨床圖像。本書還包括關于機器學習、卷積神經網絡、分割和深度學習輔助的二分類和多分類的幾章。 //iopscience.iop.org/book/edit/978-0-7503-4012-0

關鍵特性：

實現機器學習輔助的疾病檢測 * 實現基于CNN(卷積神經網絡)的醫學圖像分割和評估 * 實現基于深度學習的醫療數據評估 * 混合機器學習和深度學習特征，以提高檢測精度

本書揭示了人類決策的局限性，探討了如何使用人工智能(AI)來優化決策，以提高業務結果和效率，以及展望了決策智能(DI)可以對社會做出的重大貢獻和它可能提出的道德挑戰。 //www.routledge.com/Decision-Intelligence-Human-Machine-Integration-for-Decision-Making-Human-Machine/OCallaghan/p/book/9781032384108 從用于設計自主智能代理的理論和概念，到支持DI系統的技術，以及公司使用決策構建模塊構建DI解決方案的方式，使企業能夠使AI民主化，本書提出了一個令人印象深刻的框架，以整合人工智能和人類智能，以實現不同類型的商業決策的成功。 本書充滿了DI應用的案例研究，以及對該技術的社會影響的更廣泛的討論，《決策智能:用于決策的人機集成》吸引了人工智能和數據科學的學生以及考慮采用DI的企業。 想象一下，你正在做人生中最重要的決定之一，需要對信息進行徹底的分析。不幸的是，你沒有時間收集所有數據并進行深入研究。相反，你可以根據朋友的建議在手機上安裝一個價格合理的應用程序。該應用程序允許你用自然語言提出問題，并使用高度復雜的人工智能模型，根據對大量數據的分析提供快速答案。當你問一個問題時，該應用程序確定哪些數據最相關，收集數據，選擇合適的模型和分析類型，執行分析，做出預測，評估結果，最后以簡要報告、可操作的見解和建議的形式為你提供答案。你現在可以利用大數據和人工智能的力量，以最有效的方式做出最優的決策，而不是僅僅基于直覺做出重要的決策。這聽起來像是科幻小說的情節，但事實并非如此。幫助我們更好更快地做出決定的前沿技術系統今天正在成為現實——這一新興學科被稱為決策智能(DI)。在很大程度上，DI是人工智能的應用，以提高決策的質量和準確性，同時使決策過程更有效。本書的目的是幫助讀者了解DI這一新興學科。他們將探討與個人和組織決策有關的各種概念，包括人類和機器智能體如何做決策，在構建依賴注入系統時使用了什么技術、工具和技術，如何為采用依賴注入做好組織準備，以及如何利用依賴注入做出道德上最優的決策。本書基于對多個領域的數百份研究和文獻的分析，其中包括決策科學、行為科學、管理決策、博弈論、系統思維、決策支持系統、決策建模、商業智能、行為經濟學、人工智能和機器學習等。

近年來，機器學習(ML)、人工智能(AI)和其他數據驅動技術取得了重大進展，在生物醫學信息學、健康信息學、醫學AI、醫療物品AI (AIoMT)、醫療AI和智能家庭護理等許多領域都取得了令人振奮的進展，將醫療和健康數據分析帶入了一個新時代。這是一個神奇的時代，所有這些現代機器學習和數據分析技術的幾乎所有應用領域都平等地存在著機遇和挑戰。我們很幸運，因為我們現在已經使用不同的先進機器學習技術在醫療診斷和醫療健康服務方面取得了許多最先進的成果。例如，目前許多淺層和深度學習框架和AI技術已經成功地應用于醫療診斷和醫療健康服務。然而，在試圖解決復雜問題時，仍有許多挑戰需要克服，以獲得令人滿意的解決方案。例如，從可靠性、倫理、可解釋性等角度來看，數據驅動AI和黑盒深度神經網絡越來越受到關注。

我們已經看到機器學習、人工智能和其他數據分析(如數據建模、數據挖掘)技術在醫療診斷和醫療保健服務領域的應用越來越多，例如神經生理信號和神經成像處理、癌癥和疾病診斷、醫療健康(如電子健康記錄)和福祉數據分析、流行病診斷和預測，這只是其中的一部分。許多新的方法和算法被開發出來，旨在解決與我們日常生活密切相關或重大影響的現有問題或新興問題。現在是時候推動傳播應用AI和ML技術解決醫療診斷和保健服務領域問題的最新結果和發現了。本書旨在展示數據驅動和基于數據的ML和AI技術的最新進展，重點介紹了方法和算法的實現，包括信號處理和系統識別，數據挖掘，圖像處理和模式識別，以及深度神經網絡及其應用。

摘要

醫學圖像的計算機分析研究為改善病人的健康帶來了許多希望。然而，一些系統性的挑戰正在減緩該領域的進展，從數據的局限性(如偏差)到研究激勵(如優化出版)。在這篇文章中，我們回顧了開發和評估方法的障礙。根據來自文獻和數據挑戰的證據，我們的分析表明，在每一步中，潛在的偏見都可能滲入。我們還積極地討論了目前為解決這些問題所作的努力。最后，對今后如何進一步解決這些問題提出了建議。

引言

作為當今人工智能(AI)革命的基石，機器學習通過醫學圖像為臨床實踐帶來了新的承諾。例如，在根據醫學圖像診斷各種疾病時，機器學習的表現與醫學專家不相上下。軟件應用程序開始被認證用于臨床。機器學習可能是實現幾十年前在醫學領域勾勒出的人工智能愿景的關鍵。風險很高，關于醫學圖像的機器學習的研究數量驚人。但這種增長并不必然導致臨床進展。更高的研究量可以與學術動機相結合，而不是臨床醫生和患者的需要。例如，可能有大量的論文顯示了基準數據的最先進性能，但對臨床問題沒有實際的改善。關于機器學習治療COVID的話題，Robert等人回顧了62項已發表的研究，但沒有發現有臨床應用潛力。

在這篇論文中，我們探索了提高機器學習在醫學成像中的臨床影響的途徑。在概述了情況后，在章節中記錄了不平衡的進展，這并不全是關于更大的數據集，我們研究了醫學影像論文中經常出現的一些失敗，在“出版生命周期”的不同步驟: 使用什么數據，使用什么方法和如何評估它們，以及如何發布結果。在每個部分，我們首先討論問題，支持從以前的研究證據以及我們自己的分析最近的論文。然后，我們討論了一些改善這種狀況的步驟，有時借鑒了相關社區的做法。我們希望這些想法將有助于塑造研究實踐，從而更有效地解決現實世界的醫學挑戰。

大型標記數據集的可用性使得解決困難的機器學習問題成為可能，例如計算機視覺中的自然圖像識別，其中數據集可以包含數百萬張圖像。因此，人們普遍希望在醫療應用領域也能取得類似的進展，算法研究最終應該能夠解決一個臨床問題，即判別任務。然而，醫療數據集通常較小，在數百或數千個量級: 共享一個由16個“大型開源醫療成像數據集”組成的列表，規模從267到65,000個受試者不等。請注意，在醫學成像中，我們指的是受試者的數量，但一個受試者可能有多個圖像，例如，在不同的時間點拍攝的圖像。為了簡單起見，我們假設診斷任務為每個受試者提供一張圖像/掃描。很少有臨床問題會像能夠被自然地框定為機器學習任務的恰當的判別任務那樣。但是，即使是這些，更大的數據集也不能帶來希望的進展。一個例子是阿爾茨海默病(AD)的早期診斷，由于人口老齡化，這是一個日益增長的健康負擔。早期診斷將打開早期干預的大門，這最有可能是有效的。大量的研究工作已經獲得了有患AD風險的老年人的大量腦成像群組，利用機器學習可以開發早期的生物標志物。因此，應用機器學習開發計算機輔助診斷AD或其前身輕度認知障礙的典型樣本量穩步增加。這種增長在出版物中清晰可見，如圖1a，一項薈萃分析匯編了來自6篇系統綜述的478篇研究。

對6篇綜述論文進行元分析，涵蓋500多篇獨立論文。機器學習問題通常被描述為區分各種相關的臨床狀況，阿爾茨海默病(AD)、健康控制(HC)和輕度認知障礙，這可能是阿爾茨海默病的前驅癥狀。從臨床角度來看，區分進行性輕度認知障礙(pMCI)和穩定性輕度認知障礙(sMCI)是最相關的機器學習任務。

然而，數據量的增加(最大的數據集包含超過1000名受試者)并沒有帶來更好的診斷準確性，特別是在最相關的臨床問題上，區分具有阿爾茨海默病前驅癥狀的患者的病理與穩定進化(圖1b)。相反，樣本量較大的研究往往報告較差的預測精度。這令人擔憂，因為這些更大的研究更接近現實生活。另一方面，跨時間的研究工作甚至在大型異質性隊列中也確實帶來了改善(圖1c)，因為后來發表的研究顯示了大樣本量的改善(補充信息中的統計分析)。目前的醫學成像數據集比那些為計算機視覺帶來突破的數據集要小得多。雖然無法對大小進行一對一的比較，因為計算機視覺數據集有許多變化較大的類(與醫學成像中變化較小的少數類相比)，但要在醫學成像中實現更好的泛化，可能需要組裝大得多的數據集，同時避免由機會主義數據收集造成的偏見，如下所述。

數據集可能是有偏見的

現有的數據集只能部分反映特定醫療條件的臨床情況，導致數據集存在偏差。例如，作為人口研究的一部分收集的數據集可能與轉診到醫院治療的人具有不同的特征(疾病發病率較高)。由于研究者可能不知道相應的數據集偏差是可能導致重要的研究缺點。當用于構建決策模型的數據(訓練數據)與應用它的數據(測試數據)的分布不同時，數據集就會出現偏差。為了評估與臨床相關的預測，測試數據必須與實際目標人群匹配，而不是與訓練數據一樣是同一個數據池的隨機子集，這是機器學習研究中的常見做法。由于這種不匹配，在基準測試中得分高的算法在現實場景中的表現可能很差。在醫學成像中，數據集偏差已在胸部x光片、視網膜成像、大腦成像、組織病理學或皮膚病學中得到證實。通過跨不同來源的數據集訓練和測試模型，并觀察不同來源的性能下降，可以揭示這些偏差。

數據集的可用性扭曲了研究

我們展示了肺癌(藍色)和乳腺癌(紅色)的論文占兩個領域所有論文的百分比:醫學腫瘤學(實線)和人工智能(虛線)。關于論文如何選擇的細節在補充信息中給出)。這一比例相對穩定，但人工智能的肺癌患病率在2016年之后有所上升。

數據集的可用性會影響對哪些應用進行更廣泛的研究。一個顯著的例子可以在腫瘤學的兩個應用中看到: 檢測肺結節和在放射學圖像中檢測乳腺腫瘤。

讓我們建立對數據局限性的認識

解決這些由數據引起的問題需要對數據集的選擇進行判別性思考，在項目級別，即選擇哪些數據集進行研究或挑戰，在更廣泛的級別，即我們作為一個社區使用哪些數據集。

人工智能在提高醫療保健質量、實現疾病早期診斷和降低成本方面具有巨大潛力。但如果實施不慎，人工智能會加劇健康差距，危及患者隱私，并使偏見長期存在。 STAT 在英聯邦基金的支持下，在過去一年半的時間里探索了這些可能性和陷阱，闡明了最佳實踐，同時發現了關注點和監管差距。本報告包括我們發表的許多文章并總結了我們的發現，以及我們從護理人員、醫療保健管理人員、學術專家、患者倡導者和其他人那里聽到的建議。它由 STAT 的 Erin Brodwin 和加州衛生技術通訊員 Casey Ross 共同撰寫。

【導讀】紐約大學AI Now研究所發布了第四份關于人工智能現狀的年度報告。2019年AI Now報告重點關注行業AI不平等加劇等主題，政府決策者在人工智能中的作用與責任，還評估了人工智能道德與有意義的問責制之間的差距，并研究了組織和監管在人工智能中的作用。

1. 決策者應禁止在影響人們生活和獲得機會的重要決策中使用情感識別。在那之前，人工智能公司應該停止部署它。情感識別技術是面部識別技術的一個子類，聲稱可以探測諸如性格、情緒、心理健康和其他內心狀態等方面的信息。鑒于情感識別技術存在爭議的科學基礎，它不應該被允許在人類生活的重要決策中發揮作用，比如面試或聘用誰、保險的價格、病人的疼痛評估或學生在學校的表現。在去年建議實施嚴格監管的基礎上，各國政府應明確禁止在高風險決策過程中使用情感識別。

2. 政府和企業應該停止在敏感的社會和政治環境下使用面部識別，直到風險被充分研究和適當的監管到位。2019年，面部識別在許多領域迅速擴展。然而，越來越多的證據表明，這種技術會造成嚴重的傷害，尤其是對有色人種和窮人。在敏感的社會和政治領域——包括監視、警務、教育和就業——應暫停使用面部識別，因為在這些領域，面部識別會帶來無法追溯的風險和后果。立法者必須補充(1)透明度要求，讓研究人員，政策制定者和社區評估和理解限制和調節面部識別的最佳方法;(2)為使用這些技術的社區提供保護，使其有權自行評估和拒絕使用這些技術。

3. 人工智能行業需要進行重大的結構性改革，以解決系統性的種族主義、厭女癥和缺乏多樣性的問題。人工智能行業驚人地同質化，這在很大程度上是因為它對待女性、有色人種、性別少數群體和其他未被充分代表的群體的方式。為了開始解決這個問題，應該公開更多關于薪酬水平、對騷擾和歧視的回應率以及招聘做法的信息。它還需要終結薪酬和機會不平等，并為高管們提供真正的激勵，以創造、促進和保護包容性的工作場所。最后，采取的任何措施都應該解決兩級勞動力的問題。在這兩級勞動力中，許多科技公司的有色人種都是薪酬過低、弱勢的臨時工、供應商或承包商。

4. 人工智能偏見研究應該超越技術層面的修正，關注更廣泛的政治和人工智能使用的后果。對人工智能偏見和公平性的研究已開始超越以統計平等性為目標的技術解決方案，但需要對人工智能的政治和后果進行更嚴格的審查，包括密切關注人工智能的分類實踐和危害。這就要求外勤中心的“非技術”學科，其工作傳統上審查這些問題，包括科學和技術研究、關鍵的種族研究、殘疾研究，以及其他與社會背景密切相關的學科，包括如何構建差異、分類工作及其后果。

5. 政府應要求公開披露人工智能行業對氣候的影響。考慮到人工智能發展對環境的重大影響，以及人工智能行業的權力集中，政府有必要確保大型人工智能供應商向公眾披露人工智能發展的氣候成本。與汽車和航空行業的類似要求一樣，這種披露有助于為更明智的氣候和技術集體選擇奠定基礎。信息披露應包括通知，允許開發人員和研究人員了解他們使用人工智能基礎設施的具體氣候成本。氣候影響報告應與任何抵消或其他緩解戰略的核算分開。此外，各國政府應利用這些數據，確保人工智能政策考慮到任何擬議的人工智能部署的氣候影響。

6. 工人應該有權對剝削性和侵入性的人工智能提出異議——工會可以提供幫助。啟用人工智能的勞動管理系統的引入引發了有關工人權利和安全的重大問題。這些體制的使用亞馬遜倉庫超級InstaCart-pools權力和控制手中的雇主和危害主要是低薪工人(顏色的不成比例的人是誰)通過設置生產力目標與慢性損傷、死亡和施加心理壓力,甚至是不可預測的算法減薪,破壞經濟穩定。員工有權對這些決定提出質疑，并就安全、公平和可預見的工作場所標準達成一致。傳統上，工會一直是這一過程的重要組成部分，它強調了企業有必要讓員工組織起來，而不必擔心遭到報復。