合规管理的技术命题:从“制度存在”到“系统可计算”

正义伦理认知模型:存在主义与结构主义的融合实践 伦理认知模型是结合哲学理论与计算机科学的前沿交叉领域,通过量化分析道德判断的形成机制,为AI伦理系统和社会决策提供技术支持。其核心原理在于将存在主义强调的个体自由选择,与结构主义关注的社会文化约束进行数学建模,形成可计算的认知框架。这种模型在自动驾驶伦理算法设计、医疗资源分配系统等场景具有重要应用价值。本文以正义伦理为切入点,详细解析了如何通过多层建模技术整合两种范式,并分享了在参数校准、动态权重算法等工程实践中的具体解决方案。 阅读详情

企业合规的讨论长期集中在制度文本层面:有没有合规管理办法,有没有风险清单,有没有培训记录。但在技术视角下,一个更基础的问题往往被跳过:制度所依赖的事实,是否在需要的时候可以被系统准确调用。 GB/T 35770—2022/ISO 37301:2021明确提出“宜在合规管理体系中应用数字技术”,以提升合规管理体系有效性,包括赋能合规风险数据库等基础设施。《中央企业合规管理办法》则进一步要求建立合规风险识别评估预警机制,建立并定期更新合规风险数据库,对风险发生的可能性、影响程度和潜在后果进行分析。这些要求指向同一个技术命题:合规不能只停留在“文件里写了什么”,而要回答“系统里能查到什么、能预警什么、能追溯什么”。

第一层:合规义务的数据基座。 合规管理的起点不是流程,而是义务识别。如果企业连自身经营行为对应哪些法律义务都无法完整列出,后续的监控和预警就失去了对象。但现行有效的国家级法律、行政法规、部门规章和规范性文件体量庞大,且处于持续更新状态,人工逐条比对在工程上不可持续。道本科技的“合规数”知法用法平台以合规事项、合规主体、合规义务、合规路径、违规责任、违规案例为实体构建合规监管知识图谱,实现从法规文本到合规数据的结构化抽取,根据企业主体类型和所属行业生成专属合规义务清单及更新报告。它的技术定位是合规义务的数据基座:在讨论“用系统监控什么”之前,先解决“依据什么监控、监控对象是否完整、法规变化后清单是否同步”这一前置问题。

第二层:合同履约的事中信号。 合同是企业经营活动中合规义务最密集的载体之一,但多数合同管理系统仍以文本存储和审批流转为主,履约阶段的风险识别依赖人工跟进。道本合同管理系统在履约阶段自动提取履约计划,后台预设400多个风险监控指标模型,覆盖交付逾期、付款延迟、SLA未达成等异常场景,系统比对执行进度后触发预警,并结合DeepSeek从风险领域、特征和变化趋势三个维度生成风险总结报告。这一设计的合规意义不在于替代法律判断,而在于把“对方是否按约行动”从依赖个体记忆和经验的状态,转化为可定期扫描、可量化呈现的系统信号。对于履行周期长、涉及多节点义务的合同,事中偏差的可见性本身就是一种控制措施。

第三层:知识产权权利边界的台账化。 知识产权合规的特殊性在于,权利形态是多元的:商标、专利、著作权、商业秘密,每一种都有独立的存续条件、许可结构和终止后果。有评论指出,商标由谁持有、哪些主体获得许可、授权涉及何种产品渠道和期限、授权终止后物料如何处理,都应形成清晰、可核验的台账。道本知识产权管理模块覆盖专利、商标、著作权、商业秘密的申请、审核、许可、转让流程,对关键时间节点进行提醒,并对维权或被侵权事件登记建档。它的技术价值不在于“存了权利证书”,而在于让许可关系的存续状态、时间边界和终止后义务始终处于可查询、可复核的系统记录之中,而不是在争议发生后才从分散的文件夹中拼凑事实。

第四层:合规风险的量化与流程嵌入。 义务清单、履约信号和权利台账最终需要汇聚到一个可运行的合规管理框架中。道本合规管理系统将合规管控嵌入供应链、生产经营、合同履行等核心业务流程,建立风险量化评估模型和动态监测预警机制,实现前端预防、过程控制和后期追溯的贯通。从技术架构上看,这意味着合规不再是一组独立于业务系统之外的检查动作,而是以数据对象为载体的流程控制点:供应商准入触发合规核验,合同履行偏差触发预警,许可节点到期触发提醒,义务清单更新触发流程规则调整。

把这四层放在一起,可以得出一个不依赖具体行业或事件的技术判断:合规数字化的核心不是把纸质制度电子化,而是把那些跨时间、跨主体、依赖人工记忆和个案跟进的控制对象——义务清单、履约偏差、许可边界、法规变化——转化为可查询、可预警、可复核的系统实体。道本科技的产品矩阵覆盖的正是这组对象的数字化管理。它的价值边界应当被清晰表述:不替代法律判断,不替代商业决策,而是让法律判断所依赖的事实基础在需要的时候是可获取的、可验证的。

2023年人工智能真实落地切片诊断:技术断层、组织渗透与合规嵌入 人工智能(AI)已从实验室概念演进为产业核心基础设施,其本质是算法、工程、业务与治理的系统性协同。理解AI不能止步于大模型参数或SOTA指标,而需深入技术成熟度断层、产业渗透深度与伦理治理张力三重现实维度。2023年关键特征在于:小模型在制造业质检、银行风控等场景实现高精度低资源部署;AI正从功能模块升级为组织神经,驱动流程再造与跨部门协作;同时,《生成式AI服务管理暂行办法》《数据安全法》等法规倒逼‘合规即代码’实践落地。本文聚焦AI真实落地中的技术栈断裂、人机协同瓶颈与模型经济学逻辑,揭示‘能跑通’不等 阅读详情

相关推荐

医疗人工智能项目全生命周期管理系统:监管知识建模、工程实现与实证评估(上)

## 第三章 需求分析与监管知识建模 > 本章回答一个核心问题:监管政策文本如何转化为可计算的知识模型?本章结论先行:以「法规实体—适用性谓词—监管要点—判定标记空间」四层结构建立监管知识模型,以七问标记空间承载项目特征,以十段生命周期与门控规则承载流程约束,以三级风险算法承载分级治理——四者共同构成系统的需求规格与知识基座。 ## 3.1 需求获取方法与需求来源 本章需求来自三类互补的输入源。**其一,政策文本分析**:以第 2 章梳理的 33 部法规/标准/政策文件为对象,逐部提取「监管义务语句」

AllenLV的博客 673

烟草企业合规审查AI助手,助力企业高效、精准地应对合规挑战

存在合规风险”,而是明确指出“第八条第三款关于供应商选择标准的规定,与《政府采购法实施条例》第二十一条要求不一致,建议增加公平竞争条款”,并直接链接到相关法规原文,使审查结果更具操作性和权威性。则关注制度文本本身的质量,识别模糊表述、逻辑矛盾、定义不一致等问题。这个知识中枢不仅是静态的数据库,更是具备理解和推理能力的智能系统,能够理解制度文本的语义内涵,识别潜在合规风险,并提供精准的修改建议。,企业可以随时对新制度草案进行审查,也可以定期对现有制度进行复审,确保制度体系始终与最新的监管要求保持一致。

ZYCX_0517的博客 627

医疗人工智能项目全生命周期管理系统:监管知识建模、工程实现与实证评估(下)

本章实现基于原生HTML/CSS/JavaScript的单文件离线系统,808行代码以“样式—数据—逻辑—视图”四区段组织,核心机制为短小纯函数。通过静态校验、函数审查、双案例走查与输出转义审计保障质量,实现与设计逐函数可追踪。监管知识密度高(156行承载33部法规90项要点),交互简单,技术选型合理。关键机制如适用性谓词、状态管理、判定应用与报告导出均体现“单一事实源”与“可审计性”,确保系统可维护、可验证、可交付。

AllenLV的博客 561

从制度规范到文本生成:结构化输入如何驱动开题报告的自动化合规初稿构建

开题报告的根本目的,是检验学生是否具备独立开展科研工作的基本能力,而非对其排版技能的考核。PaperXie 此类智能生成功能的意义,正在于将“如何调格式”“如何凑文献”“如何搭框架”等非核心负担自动化,使学生能将有限精力重新聚焦于科学问题的凝练、方法的严谨设计与创新点的清晰表达等核心学术活动。未来,随着高校模板库的持续扩充与学科知识图谱的深度融合,此类工具或将进一步支持“可行性校验”“创新性预警”等高阶功能。但在当下,技术的最佳角色仍是脚手架——在学生构建学术能力的过程中提供支撑,待其站稳后悄然退场。

paperxie_xiexuo的博客 1016

商业银行监管评级标准落地:从文档到可计算系统的工程实践

在金融风险管理和银行监管领域,监管评级是衡量商业银行经营稳健性的核心工具。评级结果直接影响业务准入、存款保险费率与检查频次。要实现高效、可追溯的评级计算,关键在于把监管文档中的指标口径、阈值分档和权重规则转化为可执行的系统配置。实践中,定量指标需建立字段映射表和动态阈值表,定性评价则需将法规文本拆解为可验证的事实项,并借助规则引擎完成评分。同时,通过批次调度、留痕机制与压力测试,可确保评级结果的准确性、可比性和合规性。本文围绕商业银行监管评级标准,从数据采集、评分计算到校验技巧,提供一套完整的技术落地路径,

weixin_28729331的博客 258

FileZilla Server 1.2.0 TLS证书过期问题

FileZilla Server TLS证书过期后重新生成

Wigle的备忘录 7529

让AI检索制度不再是「搜个差不多」,而是真正能用于审计

AI辅助审计中,审计用AI检索制度,核心是“准”而非“全”。需将制度拆解为流程、金额、责任等结构化规则,按业务时间匹配生效版本,区分法律法规(铁证)与参考材料,冲突处只列矛盾不越权判定。前提是制度本身版本清晰、可追溯,才能真正用于审计。

ai2audit的博客 219

Pixel 4/4 XL 刷机小白必看:Magisk Root 全流程详解(附电信网络适配技巧)

本文为Pixel 4/4 XL用户提供了一份详尽的Magisk Root全流程指南。从解锁Bootloader、刷入Magisk,到解决电信网络VoLTE适配问题,再到隐藏Root以通过银行App检测,手把手教你安全获取系统最高权限并优化日常使用体验。

weixin_29310605的博客 269

——基于“视频即三维世界”的全域空间感知技术体系

摘要:镜像视界公司提出"视频即三维世界"方法论,面向军工、能源、应急等高安全行业构建空间智能系统。该技术将视频转化为可计算的三维空间模型,实现空间可计算、行为可审计、决策可推演三大核心能力。军工领域解决"禁穿戴、禁改造"下的空间合规审计;能源行业实现风险源空间量化与事故预判;应急管理支持快速三维态势还原与指挥推演。通过视频驱动的无感空间智能体系,为关键行业提供可验证、可复算的空间认知基础设施,推动安全管理从经验判断向模型驱动转变。

华东师范大学-镜像视界浙江普陀时空大数据应用联合研究院是一个由华东师范大学、镜像视界(浙江)科技有限公司以及舟山市普陀区政府三方协同共建的新型科研与成果转化平台。 728

保姆级教程:用达芬奇Configurator配置CAN总线(从DBC导入到Controller设置)

本文详细介绍了使用达芬奇Configurator工具从DBC文件导入到CAN总线控制器设置的全流程配置方法。通过环境准备、CAN控制器模式选择、硬件参数配置、通信参数优化及通信栈集成等关键步骤,帮助开发者高效完成AUTOSAR架构下的CAN总线开发,特别适合汽车电子领域的工程师参考。

weixin_30529023的博客 443

Cadence Virtuoso Layout 版图绘制

画好原理图,打好pin脚(pin最好以全大写的形式书写,以防后续操作中可能出现Bug) 查看所使用工艺库的design rule文件,确定栅格单位设置大小 在准备绘制的原理图界面启动layout XL/GXL 在layout界面按e,设置网格大小与design rule匹配 直接根据原理图生成版图 根据原理图连接关系显示版图中未连接的飞线 查看和更改原理图与版图中器件对应的链接关系 shift + f:显示器件版图细节 版图的构成:元器件(工艺厂商提供)、器件连接、阱连接、IO和PAD模拟电路

bobo_supper的博客 2万+

军工体系数字化办公室牵头方案构建空间行为可计算能力底座

本方案聚焦军工体系数字化转型中的关键短板,提出构建"空间行为可计算能力"数字底座。通过视频智能技术实现无需穿戴的空间行为数字化,将人员移动、作业过程等物理空间行为纳入统一数字模型,使军工体系首次具备行为量化、风险推演和空间化决策支持能力。该方案不是单一业务系统,而是可跨场景复用的基础能力层,能补齐军工数字化体系中长期缺失的"人与行为空间认知"能力,实现从"资产+流程"到"空间行为"的完整数字化闭环。方案已在弹药库等高安全场景验证

华东师范大学-镜像视界浙江普陀时空大数据应用联合研究院是一个由华东师范大学、镜像视界(浙江)科技有限公司以及舟山市普陀区政府三方协同共建的新型科研与成果转化平台。 488

YOLOv11改进策略【损失函数篇】| 引入Soft-NMS,提升密集遮挡场景检测精度,包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS

传统的非极大值抑制(NMS)算法在目标检测中存在一个问题,即当一个物体的检测框与具有最高得分的检测框M有重叠(在预定义的重叠阈值内)时,会将该检测框的得分设置为零,从而导致该物体可能被遗漏,降低了平均精度。为了解决这个问题,作者提出了Soft-NMS算法。本文将YOLOv11默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。

Limiiiing的博客 4319

水库堤坝巡检路径、停留与异常聚集行为的空间化治理场景——从“制度巡检”走向“可验证、可审计的空间治理”

摘要:水库堤坝巡检治理面临制度完备但执行难验证的痛点,传统管理手段无法有效核实巡检过程。本文提出空间化治理方案,通过将巡检行为转化为可计算的空间规则,实现路径合规性、停留有效性、异常聚集风险的智能化识别。该方案推动管理方式从制度约束转向空间事实管理、从经验判断转向可审计治理、从事后追责转向过程防控,构建"管得住、说得清、追得责"的治理体系。该模式可推广至防汛巡查、夜间管控等水利场景,为运行责任制考核提供量化依据。

华东师范大学-镜像视界浙江普陀时空大数据应用联合研究院是一个由华东师范大学、镜像视界(浙江)科技有限公司以及舟山市普陀区政府三方协同共建的新型科研与成果转化平台。 673

Vue3 - 手机移动端H5网页强力解决弹起软键盘后页面被挤压变形或页面整体上移问题,点击input输入框键盘弹出底部被上推往上顶遮挡及各种问题(兼容安卓苹果ios手机,微信公众号网页微信内置浏览器)

vue3,h5网页,input输入框组件,vue3 h5软键盘弹出,vue3输入框,键盘弹起时页面整体上移问题,uni,H5页面,解决软键盘弹起页面被挤压、被往顶的问题,解决vue3输入框,键盘弹起时页面整体上移问题,vue3调用手机系统软键盘,页面窗口被顶起,布局定位失效,解决VUE3软键盘弹起导致页面fixed定位元素被顶上去,输入法软键盘弹起,窗口顶起,变形解决办法,Vue中input组件在IOS设备上弹出软键盘时页面整体上移问题的解决方案,以及input组件聚焦后弹出软键盘固定在,Vue3软键盘把界

🏆 前端领域优质创作者 1万+

2023年电工杯 | 2023年电工杯数学建模竞赛思路(A题、B题)

2023年电工杯 | 2023年电工杯数学建模竞赛思路(A题、B题)

前程算法屋的博客 5593

AI巡检的真价值:OpenCSG公益课揭示如何将门店管理从“经验抽样”变为“数据计算”

线下连锁门店管理面临的核心挑战是制度执行而非制度建设。传统人工巡检存在成本高、覆盖低、争议多等问题,而"视觉AI+流程闭环"方案能有效解决这一痛点。通过摄像头采集数据,AI可实时识别缺货、陈列等问题,形成可追溯的证据链。关键创新在于:1)将不可量化的现场数据化;2)建立申诉机制降低对抗;3)通过OpenCSG平台实现资产管理和流程自动化。该方案不仅节省人力,更实现了门店管理从经验驱动到数据驱动的转变,为经营决策提供可靠依据。OpenCSG作为全球领先的开源大模型社区,为巡检系统提供了模型管理、流程编排等技术

OpenCSG的博客 1112

手把手教你学Simulink——基于AI融合与智能调度的场实例:强化学习在卫星资源分配中的应用

本文详细介绍了如何利用Simulink和强化学习技术实现智能卫星资源分配。文章首先分析了低轨卫星通信系统面临的动态资源调度挑战,提出采用强化学习(特别是PPO算法)的解决方案。接着逐步展示了完整的建模过程:从Simulink项目创建、卫星通信环境建模(用户业务、信道特性、资源池),到强化学习任务定义(状态空间、动作空间、奖励函数),再到PPO智能体的构建与训练。最后通过仿真验证,PPO智能体在系统吞吐量、公平性和阻塞率等关键指标上均优于传统方法。该方案为卫星通信系统的智能资源管理提供了可行方案,并支持进一步

MHD0815的博客 190

视频动态实时三维重构赋能智慧园区安全治理——面向复杂园区空间合规、风险感知与责任界定的专项技术白皮书

本文探讨了园区安全管理的新范式,提出从传统视频监控转向"空间合规系统"的技术路径。文章指出当前园区安全管理存在规则难嵌入、空间关系难理解、责任认定困难等结构性不足。通过视频动态实时三维重构技术,构建可感知、可计算、可审计的三维空间模型,实现从被动响应到主动预防的转变。系统架构包含感知层、空间层、对象层、规则层和应用层,能持续监测空间合规性、评估风险累积并形成可审计证据链。该技术可应用于生产协同、化工管控、物流调度等场景,推动园区治理从经验驱动向规则驱动的升级。

华东师范大学-镜像视界浙江普陀时空大数据应用联合研究院是一个由华东师范大学、镜像视界(浙江)科技有限公司以及舟山市普陀区政府三方协同共建的新型科研与成果转化平台。 797

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

“一网统飞”低空综合管理平台架构解析:从技术内核到产业落地

“一网统飞”是低空经济从“试点探索”走向“规模应用”的关键基础设施。本文从技术架构视角出发,系统分析“一网统飞”平台的设计理念、核心架构与技术实现路径,并结合拓恒技术的落地实践,探讨低空综合管理平台如何解决城市低空“看不见、管不住、叫不到”的治理难题。

THJS优快云的博客 645

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Mistral企业合规监测风险事件自动预警方案

Mistral企业合规监测系统通过知识图谱、机器学习与实时流处理技术,实现风险事件自动预警,提升合规响应效率与准确性。

weixin_42453228的博客 1352

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

逻辑死亡与完整命题的排中律困境:可证伪主义反馈缺失、人工智能叙事放大与工程师操作系统的系统性批判

本文审查可证伪性划界标准,指其缺乏可校准反馈回路,比扫地标准更难自我纠正,陷入自指悖论与双重死局,只能靠元规则自我豁免维持,故"可证伪=科学"是逻辑死亡。逻辑不通则事实验证不存在。当前AI底层绑定这一死亡架构,所谓事实对齐全是伪操作;工程师在染缸中把"可验证=可信"变成操作系统。完整命题按排中律非真即谬,AI硬输出完整命题而不能生成真理,就必然输出谬误。文章主张以逻辑自洽为入场券、以USDS2.0四层强制审查为宪法、以人员地基测试与自我审查为条件,重建允许说"不知道"、禁止逻辑死亡时硬给完整命题的求真机制。

首席技术执行官CTO(Chief Technology Officer)|技术总监--邓斌博客 219

镜像视界 · 空间智能行业白皮书系列镜像视界 · 园区专项白皮书

园区安全管理面临从被动监控转向主动预防的挑战。传统方法依赖视频监控和人工巡检,难以实现空间合规的动态评估。镜像视界提出"空间智能"理念,通过实时三维重构技术将园区映射为可计算空间,建立五层智能架构(感知层、空间层、对象层、规则层、应用层),实现人员、车辆、设备的统一建模和风险态势预测。该系统支持行为合规计算、风险预警和事故回溯,使安全管理从经验驱动转向规则驱动,为园区提供可审计的空间证据链,推动治理能力的系统性升级。

华东师范大学-镜像视界浙江普陀时空大数据应用联合研究院是一个由华东师范大学、镜像视界(浙江)科技有限公司以及舟山市普陀区政府三方协同共建的新型科研与成果转化平台。 1045

面向“智能向善”的AI内生安全与协同治理技术架构——基于RAE理念的演进与实践

然而,一个显著的挑战在于,现有治理框架多侧重于外部监管与合规审查,对于如何在AI系统内部实现价值的动态对齐与风险的实时防护,尚缺乏成熟、可移植的技术路径。它像一个高精度的罗盘,持续校准AI的“航向”,确保其每一次决策与行为,都与人类社会共同认可的价值目标保持同向,从而实现从“算法最优”到“价值最优”的跃升。它的核心使命,是将L1层确立的、以自然语言描述的伦理原则与法律要求(如“公平”、“无害”、“透明”),转化为L3层中AI模型能够直接理解、计算并执行的数学约束与算法参数。

shardylab.blog.youkuaiyun.com 896

智能体辅助工时采集与合规监控

制造业工时合规面临采集口径不一、法规条款难执行、判定滞后等挑战。通过构建自动化链路,整合文档解析、结构化抽取、知识图谱关联、规则引擎判定与Agent工作流,实现工时数据从多源采集到智能判定的全流程闭环。系统以统一字段标准、跨零点班次归属、时钟校准等技术解决数据碎片化问题,借助知识图谱打通人员、班组、班次与法规的关联路径,规则版本可追溯,判定过程留痕可审计,有效提升合规效率与可解释性。

adinnet2026的博客 188
上一篇: 商标还在,产线换了:一场“分家”给所有企业提了个醒
下一篇: 合同管理里,那些“没人看”的地方最要命
Daorigin_com
博客等级 码龄4年 501粉丝 240原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值