Nội dung cuốn sách tập trung vào mô hình hóa và phân tích khoa học mạng, bao gồm nhận dạng nút chính, phát hiện cộng đồng, hệ thống đề xuất được cá nhân hóa, xử lý hình ảnh, phát hiện đối tượng và phương pháp tối ưu hóa công nghệ trí tuệ nhân tạo.

Cuốn sách này được đồng sáng tác bởi các thành viên của liên đoàn STAR và cung cấp bản đánh giá về các công nghệ, kỹ thuật và hệ thống cho AI đáng tin cậy, có đạo đức và an toàn trong sản xuất. Các chương khác nhau của cuốn sách bao gồm các hệ thống và công nghệ cho độ tin cậy của dữ liệu công nghiệp, hệ thống trí tuệ nhân tạo có trách nhiệm và minh bạch, hệ thống sản xuất lấy con người làm trung tâm như bản sao kỹ thuật số lấy con người làm trung tâm, phòng thủ mạng trong các hệ thống AI, hệ thống thực tế mô phỏng, hệ thống cộng tác giữa người và rô-bốt, cũng như rô-bốt di động tự động cho môi trường sản xuất. Nhiều công nghệ AI tiên tiến được các hệ thống này sử dụng bao gồm mạng nơ-ron sâu, hệ thống học tăng cường và hệ thống trí tuệ nhân tạo có thể giải thích được. Cuốn sách được cung cấp dưới dạng ấn phẩm truy cập mở, có thể cung cấp rộng rãi và miễn phí cho cộng đồng AI và sản xuất thông minh.

Chuyển giao kiến ​​thức AI từ trường đại học sang xã hội: Ứng dụng trong các lĩnh vực có tác động cao tập hợp các ví dụ từ dự án Hệ sinh thái đổi mới với trí tuệ nhân tạo cho Andalusia 2025 tại Đại học Seville, một loạt các tiểu dự án bao gồm các nhóm nghiên cứu và các tổ chức khác nhau hoặc các công ty khám phá việc sử dụng Trí tuệ nhân tạo trong nhiều lĩnh vực có tác động cao để dẫn đầu sự đổi mới và hỗ trợ ra quyết định.

Cuốn sách này thảo luận và đề cập đến việc phát hiện sự bất thường trong bối cảnh tiến bộ của trí tuệ nhân tạo và học máy. Dựa trên các tài liệu hiện có, công trình kỹ lưỡng và kịp thời này là một nguồn tài nguyên vô giá. Nó nêu bật các vấn đề khác nhau, đưa ra các giải pháp khả thi cho những vấn đề đó và cho phép các nhà nghiên cứu và thực hành học thuật và chuyên nghiệp tham gia vào các công nghệ mới liên quan đến phát hiện bất thường. Cuốn sách này làm sáng tỏ những thách thức và trình bày các giải pháp để phát hiện và hiểu rõ các điểm bất thường của mạng.

Cuốn sách này đề cập đến nhiều lĩnh vực chủ đề, bao gồm hỗ trợ sinh hoạt, robot xã hội, giao tiếp tăng cường và thay thế, kết nối, trí tuệ nhân tạo và thiết kế robot. Mỗi chương được viết bởi các chuyên gia trong lĩnh vực tương ứng của họ và cung cấp cho độc giả các bài báo khoa học lý thuyết và ứng dụng có thể dùng làm tài liệu nghiên cứu hoặc đánh giá ban đầu. Cuốn sách quý giá này rất cần thiết cho các nhà nghiên cứu, người thực hành và bất kỳ ai quan tâm đến sự phát triển của công nghệ hỗ trợ. Nó khám phá các xu hướng và đổi mới trong lĩnh vực này, chứng minh công nghệ hỗ trợ đang nâng cao cuộc sống của người khuyết tật hoặc người bị suy giảm khả năng vận động và người già như thế nào.

Trước những ứng dụng đáng kể của kỹ thuật phân cụm dữ liệu trong các lĩnh vực khác nhau, như kỹ thuật, trí tuệ nhân tạo, học máy, y học lâm sàng, sinh học, sinh thái, chẩn đoán bệnh và tiếp thị kinh doanh, nhiều thuật toán và phương pháp phân cụm dữ liệu đã được phát triển để giải quyết vấn đề này. dữ liệu phức tạp. Các kỹ thuật này bao gồm các phương pháp học có giám sát và các phương pháp học không giám sát như phân cụm dựa trên mật độ, phân cụm K-means và phân cụm K-láng giềng gần nhất. Cuốn sách này đánh giá các kỹ thuật và thuật toán phân cụm dữ liệu được phát triển gần đây và thảo luận về sự phát triển của phân cụm dữ liệu, bao gồm các biện pháp tương tự hoặc khác biệt đối với phân cụm dữ liệu, thuật toán phân cụm dữ liệu, đánh giá các thuật toán phân cụm và phương pháp phân cụm dữ liệu được phát triển gần đây cho bảo hiểm, tâm lý học, nhận dạng mẫu. và dữ liệu khảo sát.

Một cuộc điều tra sâu sắc về các cơ chế làm nền tảng cho chức năng dự đoán của mạng lưới thần kinh và khả năng vạch ra con đường mới cho AI. Dự đoán là một lợi thế nhận thức giống như một số lợi thế khác, vốn có liên quan đến khả năng tồn tại và phát triển của chúng ta. Bộ não của chúng ta tràn ngập các tín hiệu thể hiện sự dự đoán. Chúng ta có thể mở rộng khả năng này một cách rõ ràng hơn vào các mạng thần kinh tổng hợp để cải thiện chức năng của AI và nâng cao vị trí của nó trong thế giới của chúng ta không? Kỳ vọng về độ dốc là một nỗ lực táo bạo của Keith L. Downing nhằm lập bản đồ nguồn gốc và giải phẫu của mạng lưới thần kinh tự nhiên và nhân tạo để khám phá cách thức, khi được thiết kế dưới dạng mô-đun dự đoán, các thành phần của chúng có thể làm cơ sở cho sự phát triển mô phỏng của các hệ thống mạng thần kinh tiên tiến.

Cách mọi người đánh giá con người và máy móc một cách khác nhau, trong các tình huống liên quan đến thiên tai, dịch chuyển lao động, chính sách, quyền riêng tư, sai lệch thuật toán, v.v. Bạn sẽ cảm thấy thế nào khi mất việc vào tay một cỗ máy? Thế còn hệ thống cảnh báo sóng thần bị hỏng thì sao? Bạn sẽ phản ứng khác nhau trước những hành động phân biệt đối xử tùy thuộc vào việc chúng được thực hiện bởi máy móc hay con người? Còn giám sát công cộng thì sao? Cách con người phán đoán máy móc so sánh phản ứng của con người với hành động do con người và máy móc thực hiện. Sử dụng dữ liệu được thu thập từ hàng chục thí nghiệm, cuốn sách này tiết lộ những thành kiến ​​tồn tại trong các tương tác giữa con người và máy móc.

Các bài tiểu luận khiêu khích, đầy hy vọng tưởng tượng một tương lai không được giảm xuống thành thuật toán. Điều gì là sự hưng thịnh của con người trong một thời đại của trí thông minh máy móc, khi nhiều người cho rằng các vấn đề phức tạp nhất thế giới có thể được giảm xuống thành các câu hỏi kỹ thuật thu hẹp? Có phải tính toán nhiều hơn làm cho chúng ta thông minh hơn, hoặc đơn giản là tính toán mạnh mẽ hơn? Chúng ta không cần phải luôn luôn chống lại việc giảm; Khả năng đơn giản hóa của chúng tôi giúp chúng tôi giải thích các tình huống phức tạp. Bí quyết là để biết khi nào và làm thế nào để làm như vậy. Chống lại cung cấp một tập hợp các bài tiểu luận khiêu khích và chiếu sáng xem xét các cách khác nhau để nhận ra và giải quyết việc giảm bớt cách tiếp cận trí tuệ nhân tạo của chúng tôi, và cuối cùng là cho chính chúng ta.

Các thuật toán Trí tuệ nhân tạo (AI) dựa trên Machine Learning (ML) có khả năng học hỏi từ các ví dụ đã biết, tạo ra nhiều mô hình và biểu diễn trừu tượng khác nhau. Khi áp dụng cho các ví dụ không quen thuộc, các thuật toán này có thể thực hiện một loạt nhiệm vụ, bao gồm phân loại, hồi quy và dự báo, cùng một số nhiệm vụ khác.