Automating equipment productivity measurement using deep learning

Deep Learning

10.1017/cbo9780511780295 ◽

2009 ◽

Cited By ~ 94

Author(s):

Stellan Ohlsson

Keyword(s):

Deep Learning

Download Full-text

Leistungsmanagement von Gruppen bei wissensintensiven Dienstleistungen

Zeitschrift für Personalpsychologie ◽

10.1026/1617-6391.8.1.24 ◽

2009 ◽

Vol 8 (1) ◽

pp. 24-34 ◽

Cited By ~ 1

Author(s):

Colin Roth ◽

Klaus Moser

Keyword(s):

Productivity Measurement ◽

Wissensintensive Dienstleistungen

Zusammenfassung. Die Studie berichtet über den Einsatz von ProMES (Productivity Measurement and Enhancement System) in einer Abteilung eines internationalen Marktforschungsunternehmens, die wissensintensive Dienstleistungen zu erbringen hat. In der ersten Feedbackphase der zweieinhalbjährigen Studie, die extern moderiert wurde, konnte ein starker positiver Leistungseffekt von d = 1.7 gemessen werden. Zusätzlich wurden die Produktivitätsdaten nach Rückzug des Moderators untersucht. Während der intern gesteuerten Feedbackphase von acht Monaten steigerte sich die Produktivität erneut um d = 2.8. Zudem wurde die Veränderung des Teamklimas untersucht. Während sich aufgabenbezogene Aspekte des Teamklimas positiv entwickelten, bewegten sich personenbezogene Aspekte nicht über ein mittleres Niveau hinaus.

Download Full-text

Intelligence artificielle : le futur de l’Orthodontie ?

Revue d Orthopédie Dento-Faciale ◽

10.1051/odf/2019026 ◽

2019 ◽

Vol 53 (3) ◽

pp. 281-294

Author(s):

Jean-Michel Foucart ◽

Augustin Chavanne ◽

Jérôme Bourriau

Keyword(s):

Big Data ◽

Deep Learning ◽

Intelligence Artificielle ◽

Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Download Full-text