基于人工智能的移动应用程序:一项探索性研究
本研究探索手机应用程序中的人工智能功能使用现状,总结了三种主要的交互模式类型,并实施了一个多方面的搜索启用画廊,研究结果表明了我们发现的有用性。
Jul, 2023
通过使用 MIT App Inventor 提供的开发平台,本文提出了一种用于快速开发 AI 代理应用程序的方法论,并展示了三个不同的移动应用程序的开发过程:用于培育可持续社区的 SynchroNet;用于解决拖延症的 ProductiviTeams;以及用于增强社区安全的 iHELP。这三个应用程序都无缝整合了多种生成性 AI 功能,并利用了 OpenAI 的 API,同时在整合不同工具和 AI 功能方面提供了洞察,旨在鼓励年轻开发者参与我们建立实用的 AI 代理应用程序的努力。
Apr, 2024
本研究通过针对 16,500 款最热门的 Android 应用程序的统计分析揭示了智能手机应用程序如何在自然环境中利用深度学习。研究发现,智能手机深度学习框架和应用程序的使用呈现出一种繁荣的趋势,但是仍需优化手机上运行的深度学习模型,保护这些模型并验证深度学习研究的想法。
Nov, 2018
人工智能在移动设备领域带来了越来越多的新功能,但其操作也消耗了大量能源。本文回顾了过去十年在绿色移动计算领域中使用人工智能的文献,并总结了 13 个主要课题。研究结果表明,该领域近年来有所增长,但对于基于人工智能的移动系统能源消耗的研究相对较少,需要进一步探索。同时,研究还发现绝大多数文献只是学术贡献,需要促进移动软件行业的参与。
Jul, 2023
本文研究了 Android 生态系统中深度学习的现状及其在智能手机上的限制,同时概述了四个主要移动芯片平台(Qualcomm、HiSilicon、MediaTek 和 Samsung)上可用的硬件加速资源,并介绍了利用 AI 基准测试收集的不同移动 SoCs 的实际性能结果。
Oct, 2018
该研究在人工智能和机器学习领域的三个期刊中进行了综述,指出数据处理是技术发展中最重要的部分。一些常用的数据集往往需要手动标记,因此半监督或无监督的方法被越来越多地研究。在实际应用中,考虑到安全和可解释的预测是必要的。
May, 2023
在移动应用程序的背景下,本文提出了所谓的大型用户界面模型(LUIMs),以通过人工智能生成用户界面并预测可用性。
May, 2024
本研究分析了人工智能(AI)的发展历程,重点分析了过去十年、当前以及未来几十年的趋势和预测。为了说明人工智能的应用和影响,本文还将举例介绍该技术在几个关键行业中的应用情景。最后,本研究还分析了推动人工智能成为一项重要的转型技术的驱动因素,如成本、速度、准确性、多样性 / 包容性和跨学科研究 / 协作等。
Mar, 2022
本文研究了移动应用程序中的统一搜索框架,通过学习移动应用高维度的表示并利用神经模型来选择用户查询的目标应用程序,实现了目标应用程序的筛选,并提出了未来研究方向。
May, 2018
本文借助于人工智能技术,探讨了利用现代处理器的微体系结构存在漏洞对移动电话用户个人隐私数据的侵害问题,并展示了将先进 AI 技术与最终级缓存 (LLC) 的活动剖析相结合的效果。实验结果表明,在短短的时间内,通过建立的模型精度达到 98% 以上,证明利用 AI 技术实现微体系结构攻击的风险越来越大。
Nov, 2018