Spring如何解决循环依赖？

当IT专业人员查看IoT的发展时，他们可能会认为IoT的创建是为了帮助解决人类挑战、简化工作并从忙碌的工作中腾出时间，以便他们将精力集中在真正重要的地方。但是，IT专业人员经常看到实施是由技术本身而非用户的需求驱动的。这通常会导致数字的随机行为，并卡在探索的困境中。

但是，不必一定是这种方式。对于物联网的未来，以用户为中心的设计可能是数字的随机行为与真正转型所需的系统性转变之间的区别。

通过以用户为中心的物联网设计，为工厂工人创造理想的用户体验

借助物联网和智能工厂技术，IT专业人员可以为工厂工人和运营员工提供与机械交互的全新方式。他们中的大多数人可能都熟悉简单的界面和手动数据跟踪，而前后线却没有连接。


 

但是，如何消除AI的黑盒子?答案是“通过使用可解释的AI”。可解释的AI通过使这些系统具有透明度来帮助研究人员了解AI系统的输出。它通过事后方法的帮助带来了透明度，该方法围绕四个关键要素而开发，即目标、驱动因素、可解释的族和估计量。

用来解释AI输出的最常见方法之一是反向传播方法。反向传播是用于前馈神经网络的监督训练的一种广泛使用的AI算法。这种可解释的AI方法的实施将确保患者和医生对AI结论的信任。

教育员工和患者

利用AI解决方案可以带来很多好处，但是使用它们很复杂。对AI的潜力以及如何利用AI的意识不足会导致组织中的技能缺口。医疗保健组织需要通过对员工进行有关AI系统及其功能的教育来弥合技能差距。医院和个人专家可以组织不同部门的培训课程，以培训员工如何使用AI系统。

在要治疗的患者准备好接受基于AI的治疗之前，医疗保健中的AI实施很难成功。因此，患者还必须意识到AI的潜力，以便他们可以信任基于AI的治疗。例如，机器人手术可带来许多好处，例如住院时间更短、疼痛减轻、疤痕最少以及失血量降低。

但是，由于缺乏意识和信任，患者可能会担心被AI机器人对其进行操作。医疗机构应提高人们对机器人手术的益处的认识。他们还可以对患者进行AI机器人手术程序教育，然后再对其进行操作。对患者和员工进行有关AI解决方案的教育将确保增加他们对AI系统的信任。

每个卫生组织都希望部署AI系统。成功实施AI解决方案始于制定正确的战略。但是如何创建呢?这需要要解决上述医疗保健中的AI挑战。

对这些挑战和解决方案的了解将帮助医疗保健组织针对其特定应用制定适当的策略。当成功实施AI的实例成为人们关注的焦点时，医院将更有动力部署和扩展其AI解决方案。


 

所有这些的关键是消除在不同数据段之间自然形成的孤岛。在公用事业检查空间、资产管理和植被管理中，不同的传感器等都产生各自不同的、相互隔离的数据集。

当数据保持这种孤立状态时，团队从收集的信息中得出公司范围内的见解或结论将造成不必要地困难。如果不能将其用于检查自己和补充其他数据集，那么所有这些数据有什么好处?

好的数据管理不可能零星地存在。它需要是整体的，而AI为实现这一目标提供了动力。人工智能为将所有这些数据源汇集在一起，提供了一个中央资源，从而使对潜在问题(例如易生火的植被或损坏的组件)的数据分析更加容易。将这些问题收集到一个系统中后，识别故障并加以解决变得容易得多，而且比手动筛选无数的杆或植被图图像要快得多。

尽管人们普遍担心AI会消除人类的工作，但在公用事业公司，AI确实增强了人们在网络和电力线检查过程中必须扮演的角色。因为AI是执行数据分析的工具，所以它既不是依赖于专业检查员可能偏颇的专业知识，也不是容易疲劳和由此产生的异常结果，而是无人机检查软件。

但与此同时，人工智能本身无法做任何事情。它是一种提供更清晰/更准确和更具操作性的信息的方法，人们可以根据自己的判断采取行动。

关于AI有很多容易做出的好坏假设。随着社区开始从封锁中逐步开放，社交距离预示着日常生活的显着变化，人工智能对公用事业行业的真正意义在于减少了对人工检查的依赖，并且提供了有关电力公司的正确信息的更有效的工具基础设施-它的输配电线路，电线杆和附近的植被-掌握在关键决策者的手中。

（编辑：阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!