电商网站如何备案,微网站建设方式,桂林做手机网站设计,卢松松wordpress博客人工智能入门级开发者认证
人工智能定义
定义
人工智能 (Artificial Intelligence) 是研究、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
强人工智能 vs 弱人工智能
强人工智能#xff1a;强人工智能观点认为有可能制造出真正能推理#xff08…人工智能入门级开发者认证
人工智能定义
定义
人工智能 (Artificial Intelligence) 是研究、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
强人工智能 vs 弱人工智能
强人工智能强人工智能观点认为有可能制造出真正能推理Reasoning和解 决问题Problem_solving的智能机器并且这样的机器将被认为是有知觉 的有自我意识的。可以独立思考问题并制定解决问题的最优方案有自己的价 值观和世界观体系。有和生物一样的各种本能比如生存和安全需求。在某种意 义上可以看作一种新的文明。弱人工智能弱人工智能是指不能制造出真正地推理Reasoning和解决问题 Problem_solving的智能机器这些机器只不过看起来像是智能的但是并不 真正拥有智能也不会有自主意识。
人工智能三阶段
目前仍然处于感知智能的阶段 AI、机器学习、深度学习的关系
人工智能 包含 机器学习 包含 深度学习
人工智能发展历史
人工智能发展简史 第三次热潮 – 算力、大数据、深度学习 人工智能产业生态
中国人工智能产业图谱 人工智能技术架构
概览 基础架构层
大数据
数据
数据是真实世界不同现象的抽象表达。
步骤
原始数据→(分类标签)→ 信息→(关联)→ 知识→(挖掘) 洞察→(?) 智慧
计算机硬件算力
CPU→GPU→AI芯片
算法层
机器学习
从给定的输入- 输出样例中试图找出规律
神经网络和深度学习
启发
人类神经网络
深度神经网络
前馈网络反馈网络图网络
技术方向
计算机视觉
内容审核语义分割人脸检测图像搜索车辆检测图像分类
语音处理 自然语言处理 应用领域
智慧城市
目前问题
数据多效果少科技新落地少单点强全局弱
应用场景
全城感知全城预警全城检索全城协同交通体征大屏应急车辆监控
金融 零售
设计
配色参考图片智能分析
生产制造
拍摄样品智能质检
收益管理
最优定价策略
供应链管理
仓储设计库存管理区域划分运输网络路径优化
电商
以图搜图智能推荐
线下零售
智能选址智能识别商品智能监督优化商品摆放客流统计消费者行为分析
医疗
语音录入病历
高效记录医患沟通图助推医疗信息化
医疗影像分析
病灶识别与标注减少重复性工作帮助医生发现更有价值的罕见病状
综合性诊疗
虚拟医生利用NLP、知识图谱、计算机视觉等协助推理、诊疗
身体健康管理
健康状态监测、疾病发生预测、全方位管理健康
医疗机器人
手术机器人、康复类机器人等提高手术精度
医学药物研发
降低发现候选药物所需时长技术成熟后有望在新药研发领域每年降低280亿美元成本
农业 智慧农业数据分析与预测智慧农业降低农药成本智慧农业降低农业收割成本智慧农业临空系统
人工智能落地挑战
数据获取 数据积累不足数据质量差数据安全合规数据归属权 数据治理 多源异构数据非结构化数据海量数据存储与应用 数据标注 小场景数据采集复杂业务场景理解数据安全
缺乏解释性
AI 已经在大量的关键系统中运行并且开始进入到很多业务的核心数据处理体系。但是对于 AI 的核心运行机制依然没有彻底研究清楚。深度学习系统的弱解释性给现有的AI系统带来了安全性、稳定性的挑战如何确保AI不会失控 避免恶性事件发生是目前AI研究领域重要的课题。
算法的偏见
算法的偏见主要源于数据的偏见。我们在用人工智能算法做决策时算法可能是根据已有的数据学会歧视某一个体。如根据种族性别或其他因素作出有歧视倾向的决策。即使种族或性别等因素被排除在数据之外算法也能够利用人的姓名或地址中的信息做出有歧视倾向的决定。
隐私问题
现有的人工智能算法都是数据驱动我们需要大量的数据来训练模型。我们每天在享受人工智能带来的便捷的同时例如Facebook谷歌亚马逊阿里巴巴等科技公司在获取大量的用户数据。而这些数据会揭露我们生活的方方面面如政治、宗教和性等。
AI犯错
对抗样本攻击
能解决的问题领域 人工智能发展趋势
更完善的人工智能基础数据服务 更安全的数据共享
联邦学习在保证数据隐私安全的前提下利用不同数据源合作训练模型进一步突破数据的瓶 颈。
端-边-云全面发展的算力
应用于云端、边缘设备、移动终端的人工智能芯片规模不断增长进一步解决人工智能的算力问 题。
大模型与轻量化
在大数据和强算力的支撑下模型参数不断增加更多大模型提出也带来更好的泛化性能同时为应对移动终端及各种边缘设备部署的挑战模型轻量化等技术也在不断发展。
更易用的框架
MindSpore、TensorFlow 2.x、Pytorch等主流开发框架都在朝易用、全能的方向演进不断降低人 工智能的开发门槛。
不断突破的应用场景
AI技术发展现状及技术挑战
计算机视觉 初级视觉
超分辨率重建图像修复
中级视觉 物体检测 图像分割 分割 分类Classification解决“是什么”的问题即给定一张图片或一段视频判断里面包含什么类别的目标。检测Detection解决“是什么在哪里”的问题即定位出这个目标的的位置并且知道目标物是什么。分割Segmentation分为实例分割Instance Segmentation和语义分割Semantic Segmentation 解决“每一个像素属于哪个目标物或场景”的问题。
高级视觉
图像文本描述图像问答技术图像检索视觉追踪动作识别
自然语言处理
定义
自然语言处理Natural Language Processing, NLP利用计算机为工具对人类特有的书面形式和口头形式的自 然语言的信息进行各种类型处理和加工的技术。
自然语言处理 自然语言 处理 人类语言以语音为物质外壳由词汇和语法两部分组成的符号系统。文字和声音是语言的两种属性。用计算机进行处理 让计算机能够理解和生成人类语言。 应用场景
智能问答舆情分析文本分类机器翻译文本互译实体抽取摘要生成AI写诗内容审核
难点 语音处理
流程 应用场景
实时字幕会议记录电话回访语音搜索语音导航有声阅读
难点 AI应用需求分析
传统软件应用开发与AI应用开发对比 AI应用开发需求分析步骤 需求背景 在什么场景下遇到了什么问题为什么要用AI来解决该问题 需求价值 为什么要解决该问题解决该问题可以带来什么价值 需求描述 期望怎样解决该问题业务要求的关键指标是怎样的 问题抽象 将现实场景的业务问题进行建模、抽象转化为AI技术领域的问题 可行性分析 是否有数据业界是否有对应的AI算法精度/性能指标能否达到成本能否接受
