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？