今天的战场环境是复杂的，动态的，不确定的，需要有效的支持，以确保任务成功。这依赖于一个适当的支持战略提供支持的设备能够不辱使命。在这两个系统和组织是复杂的，有一个全面的方法是通过自然防御挑战的背景下，部队和支持机构需要依靠高效的决策支持系统。物流，准备和可持续发展是用于资产管理的关键因素，这可以从AI受益到达“智能在职”电平依靠特别是在预测的和说明性的方法和关于业务重新源有效管理。聪明的支持能力，可以通过适当的指标进行监测，然后通过多标准决策支持和知识管理系统提高。根据在信息方面和目的，不同AI范例操作环境（数据驱动AI，基于知识的AI）是合适的，即使通过混合AI的组合。
translated by 谷歌翻译
As machine learning (ML) systems get adopted in more critical areas, it has become increasingly crucial to address the bias that could occur in these systems. Several fairness pre-processing algorithms are available to alleviate implicit biases during model training. These algorithms employ different concepts of fairness, often leading to conflicting strategies with consequential trade-offs between fairness and accuracy. In this work, we evaluate three popular fairness pre-processing algorithms and investigate the potential for combining all algorithms into a more robust pre-processing ensemble. We report on lessons learned that can help practitioners better select fairness algorithms for their models.
translated by 谷歌翻译
背景：在各个领域中观察到需求不断增加，以利用机器学习（ML）解决复杂问题。 ML模型作为软件组件实现，并部署在机器学习软件系统（MLSS）中。问题：非常需要确保MLSS的服务质量。这种系统的虚假决定或不良决定会导致其他系统的故障，重大财务损失甚至对人类生命的威胁。 MLSSS的质量保证被认为是一项具有挑战性的任务，目前是一个热门研究主题。此外，重要的是要涵盖MLSS中质量的所有各个方面。目的：本文旨在从从业者的角度研究MLSS中实际质量问题的特征。这项实证研究旨在确定与MLSS质量差有关的坏实践目录。方法：我们计划对从业人员/专家进行一系列访谈，认为访谈是在处理质量问题时检索其经验和实践的最佳方法。我们希望在此步骤中开发的问题目录还将帮助我们以后确定MLSS质量问题的严重性，根本原因以及可能的补救措施，从而使我们能够为ML模型和MLSS开发有效的质量保证工具。
translated by 谷歌翻译