
暂无个人介绍
无论是作为一项技术,还是在使用方式上,AI都正处于转型期。越来越多的公司将 AI 试点项目带出测试实验室,并进行大规模部署,一些公司因此看到了巨大的好处。尽管 AI 有不确定性,忽视其潜力都会导致公司以老旧方式开展业务并面临破产的风险。然而,对于许多公司来说,从 AI 中获取价值可能是难以预测的。他们的模型可能没有经过调整;训练数据集可能还不够大;客户可能会心存疑虑,还有对偏见、道德和透明度的担忧等等。在准备好将AI 计划投入生产之前,或者在适当审查其结果之前,就将 AI 战略提前可能会花费公司资金,或者更糟糕的是,将对业务发展不利。那么如何知道,一个 AI 项目是否会改变或破坏公司呢?如果没有直接的 ROI 数字,公司就必须通过创造性的方式来确定这一点。以下是 IT 领导者和业内人士如何衡量 AI 的价值。成熟与突破性技术衡量任何计划或技术的商业价值并不总是线性计算, AI 当然也不例外,尤其是考虑到成熟度和业务潜力时。经验证实和预测的变量——如数据挖掘、节省成本和培训、投资和促进新用途的能力——会影响可接受投资回报率的决策,但对技术给予一定程度的信任,无论是对新兴还是对成熟技术,都至关重要。美国宇航局(NASA)喷气推进实验室的 CTO 兼创新官 Chris Mattmann 说,一些 AI 的案例应用已经非常成熟。以自动化业务流程为例。他说:“每家公司都有无聊的东西,我们也有。所以我们自动化了很多事情,比如处理票据、搜索、数据挖掘、使用 AI 查看合同和分包合同。”JPL 通过使用已实现商业化的技术来做到这一点,包括 DataRobot 和 Google Cloud,Mattmann 说。为了确定一项特定技术是否值得投资,公司会考虑它是否会节省成本、时间和资源。 “它已经是成熟的,所以应该能够证明这一点。”对于处于中等成熟度的技术,JPL 着眼于该技术是否有实现新功能的能力以及成本如何。他说:“例如我们要去火星,有一个用于深空电信的细管道。而今天,有足够的带宽每天从火星向地球发送大约 200 张照片。我们派出的那些出色的火星探测器有豌豆大小的大脑,他们正在运行 iPhone 1 处理器。我们只把经过辐射硬化的东西留的太空中,我们相信它们可以承受深空环境。我们知道性能良好的芯片是那些较旧的芯片,因此我们不在漫游车上进行高级 AI 或 ML。但 Ingenuity 直升机最初只是作为技术演示而并非任务的核心,它搭载了高通骁龙处理器,即 AI 芯片。这向我们证明,有可能拥有更新的芯片并做更多的 AI。”在这里, AI 将启用目前无法实现的新用例。例如,漫游者无需每天发回 200 张图像,而是可以使用 AI 分析图像,向地球发送一百万个文字说明;例如,在特定方向上有一个干涸的湖床,我们可以通过文本获得比现阶段更多的可见度。最后,对于最前沿的实验性 AI 技术,衡量成功的标准是它们是否允许完成新的科学,以及撰写并发表新论文。Mattmann 说:“训练和建立模型是有成本的。像谷歌和微软等公司可以随时访问海量的训练数据,但在 JPL数据集很难获取,需要博士级的专家进行分析和标记。在 NASA,我们训练新 AI 模型的成本是商业行业的 10 到 20 倍。”在这里,新技术的出现可以让 NASA 用更少的人工标签来创建 AI 模型。AI 测量及其影响范围当没有直接的方法来衡量 AI 项目的业务影响时,公司会从相关的关键绩效指标 (KPI) 中挖掘数据。这些代理变量通常与业务目标相关,其中包括客户满意度、上市时间或员工保留率。Atlantic Health System 公司就是一个典型的例子。Sunil Dadlani 是该公司的高级副总裁兼 CIO,他认为在其公司病人是每个决策的核心。因此在许多方面, AI 投资的回报是通过观察病人护理的改进来衡量的。他说,这些以病人为中心的指标包括缩短住院时间、加快治疗时间、加快保险资格验证以及更快的事先保险授权。另一个项目涉及使用 AI 来支持放射科医生检查扫描结果。其中一个KPI 是放射科医生对潜在异常发现的警报频率。Dadlani 说:“截至 2022 年 4 月,我们 99% 的放射科医生报告说使用 AI 分析了12,000 多份研究报告。并补充说这已经触发近 600 次警报。因此医生可以尽快解决潜在的严重问题。”来自美国第五大会计师事务所 RSM 的管理咨询、业务和技术转型团队的合伙人 Richard Davis 认为,在 RSM,AI 投资遵循两条紧密相连的路径:一是生产力和分析工具,可以帮助员工更好地工作;二是客户使用相同或相似的工具。例如,在与客户合作时,可能会要求 RSM 从多个系统(会计、销售和营销、人力资源、物流)中提取数据,并将所有内容整合到一个窗格中。Davis 说, AI 可以帮助加快这一过程,然后 AI 可用于识别工作如何通过这些系统进行,以及潜在的挑战和障碍可能在哪里。那么公司如何知道其 AI 是否朝着正确的方向发展呢?Davis 拒绝提供 RSM 在 AI 计划或投资回报率方面的投资细节,但是他说:“第一,我们可以非常清楚地衡量工具的使用情况。随着时间的推移,我们希望看到的是更有效地交付参与。”他还表示,参与度的提高应该会提生生产力。因此,如果过去需要花一周才能完成某件事,那么现在的目标可能是将其缩短到一天。专注于商业利益衡量 AI 的成功也可能是主观的。麻省理工学院的 AI 研究科学家兼零售行业的数据科学家 Eugenio Zuccarelli 说,评估一个 AI 项目就像开发 AI 本身一样是一门艺术。Zuccarelli 说,尽管如此,能够解释 AI 对业务的影响仍然很重要。 他说:“KPI 不应该围绕模型本身设定,而应该围绕业务和人员设置指标,这应该是项目的最终目标。”否则,选择一个看似成功但实际上并不能转化为对公司有效影响的技术指标太容易了。Zuccarelli 还曾在宝马和特斯拉等公司担任过数据科学职位,他也警告过不要孤立地衡量进展。例如,如果一个 AI 项目旨在改进由于其他原因已经在改进的东西,那么需要一个对照组来确定实际上有多少改进是由 AI 引起的。具有多年金融服务行业经验的 Vladislav Shapiro 表示,AI 项目其他有价值的 KPI 可能是,减少错误警报或自动删除过多的特权。Shapiro 是 Costidity 公司的创始人,一家专门从事 IT 的咨询小组安全和身份治理管理的企业。他说,在最近一次由 AI 驱动的安全部署中,误报率降低了三倍,并且许多以前的人工流程都实现了自动化。“当你向公司高级管理层展示这些数字时,他们就会明白,上述所有措施都降低了被泄露的风险,并增加了问责制和治理”他说。渐进式衡量成功全球专业服务公司 Genpact 的首席数字策略师 Sanjay Srivastava 表示,自动化导致成本降低是展示 AI 经济效益最简单、最清晰的方式。但 AI 也可以促进新的收入来源,甚至彻底改变一个公司的商业模式。比如借助 AI ,一家飞机发动机制造商发现它可以更好地预测故障和改善物流,从而可以开始提供发动机服务。他说:“对于最终消费者来说,购买飞行里程比购买发动机本身更好。这是一种新的商业模式,它改变了公司的运营方式,因为有 AI 技术支持。与此同时,对业务的影响也很明显”因此,为了证明在那段时间内对 AI 的投资是合理的,这家特定的制造商需要这个长期目标,但将其转化为可以通过其他方式衡量的短期项目。他还说,“与其说十年后我们将改变行业,不如说在第一年,我们将开始研究需要储备哪些零件。你还没有改变这个行业的飞行里程,你只是说,我们需要数量达标的正确零件。这是个为期一年的项目,旨在优化仓库系统并减少在库存方面的投资。”除了供应链优化外,其他短期进度衡量指标还包括客户满意度。他说:“如果飞机在孟买停留了五天等待一个零件,客户就会有不好的感受。”与战略愿景保持一致还有一个现实是,在短期内,一些 AI 项目可能会影响亏损,但从长远来看仍然是重要且有变革性的。例如,用机器人提供客户服务的公司可以解决一些单调的任务。Gartner 分析师 Whit Andrews 表示:“但聊天机器人也可能会有弊端。因为有些人擅长追加销售并希望与人互动,所以公司可能不希望用聊天机器人。”这就回到了你想成为什么样的公司。“在某些时候,你必须问自己的公司是否是这样一家公司,比如,如果交付搞砸了,客户可以打电话通过询问到底哪里出了问题,然后你与他们直接互动,尝试着在交付后每个月向他们推销产品。”如果公司致力于 AI 驱动的转型,有可衡量的投资回报率的支持,并有一个以客户为中心的愿景,那么它可能会忽略直接影响到收益指标,转而关注其他潜在更有意义的指标。 Andrews 说:“一个更自动化的公司可能会更成功,因为它正在增加市场份额。但是你可以开发你的数据,这样你就可以在和他们关联度更高时间触达他们。如果有什么东西你可以指着它说,逻辑思考告诉我们,它能使我们的客户更快乐,我们的员工更成功,那么就去实现它吧。”本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
随着金融科技在全球范围内获得广泛采用,不同的技术已被应用以满足行业的需求。 它们包括消费者需求、监管批准、安全增强和竞争。 运行生态系统的先进技术变得更加智能和适应性更强。 金融科技未来的主要趋势可分为以下几类:人工智能 (AI)、云计算、区块链、物联网 (IoT) 和开放银行。 让我们更详细地了解这些金融科技技术趋势。主要金融科技趋势1.人工智能带来更智能的解决方案根据剑桥另类金融中心的数据,90% 的金融科技公司已经在以某种形式应用人工智能。人工智能最强大的方面是它学会了如何比任何人都更有效、更好地工作。通过从数据中学习,人工智能模型能够有效地执行任务,而无需进一步的人工干预。这样可以更快、更高效、更准确地完成工作,从而使金融科技解决方案更加智能。金融科技中的一些人工智能用例包括:将聊天机器人用作虚拟助手,以回答客户查询、提供建议并完成重复性任务部署自然语言处理 (NLP) 以实现与虚拟助手的类人交流并增强客户参与度使用 AI 算法检测可疑活动以防止欺诈,例如标记可疑交易或保险索赔客户细分以根据风险评分分析提供量身定制的产品并促进更快的贷款批准据 Mordor Intelligence 称,随着越来越多的公司将其作为业务不可或缺的一部分,到 2026 年,全球 A? 市场的价值预计将达到 266.7 亿美元。2.云计算提高了安全性除了速度、可扩展性、灵活性和更快的部署之外,云计算还通过自动化和嵌入式安全控制大大提高了安全性。金融科技始终与管理敏感数据和遵守行业法规的风险相关联。事实证明,云数据仓库比传统的 IT 生态系统更可靠。借助数据加密和零信任验证等功能,云可以更可靠地防止数据泄露和欺诈。现在,云技术比以往任何时候都更容易获得,它正在改变我们的生活方式。它使组织能够通过提供安全性丰富的数据共享路径和可用于任何行业或业务部门的动态应用程序来解锁数字化转型用例,无论您现在在做什么!云技术还有助于金融科技解决方案的可扩展性,并将极大地影响其未来。任何想要成长的初创公司都需要一个可以与他们一起成长的基础设施。云基础设施升级更容易、更便宜。此外,这种敏捷环境使企业能够更轻松地适应市场变化,包括消费者需求、法规遵从性和新技术的实施。3.区块链颠覆过时的金融系统区块链在破坏传统金融系统方面的力量是巨大的。通过分布式账本技术(DLT)的应用,可以在不同的数据存储之间实时记录、共享、同步和分发数据。此外,它消除了与过时金融系统相关的挑战,例如对集中式系统的依赖,这意味着单点故障、缺乏信任和更高的运营成本。除了其他好处外,这还带来了更多的收入,改善了端到端体验并降低了业务风险。区块链的引入导致机构投资者等传统参与者的投资胃口增加,增加了数字资产在其投资组合中的资本配置。今天,最先进的金融科技解决方案拥有区块链模块来吸引加密爱好者的观众并进入快速增长的加密货币市场。传统金融机构也没有错过这一趋势,应该在金融科技的未来密切关注这一趋势。中央银行数字货币 (CBDC) 等举措正在由世界各地的中央银行进行测试。另一个例子是摩根大通使用区块链通过减少大额支付的支付处理和验证时间来改善交易。4.物联网更有效地收集客户财务数据在金融科技公司中,物联网 (IoT) 通信选项正在获得广泛采用,使更多设备能够跨连接网络进行通信,从无线和端点设备到集中控制管理。此外,嵌入式系统和智能技术正在快速发展,促进不同节点之间的智能和无缝通信。在金融领域,物联网用于生成有意义的客户数据,减少解决金融问题时对人工输入的需求,用于欺诈检测,并提供可靠的数据保护等用途。与此同时,保险公司越来越多地采用物联网来确定风险,同时优化客户参与度并简化复杂的承保和理赔流程。例如,汽车保险公司历来使用间接指标(例如驾驶员的地址、年龄和信誉度)来确定保费。5.开放 API 推动行业增长随着世界走向开放银行系统,开放银行 API 和服务变得司空见惯。这些 API 在通过端点保护信息的同时建立无缝用户体验至关重要。开放银行允许银行根据用户自己的请求通过 API 为第三方提供商开放用户数据。因此,您可以轻松地将您最喜欢的金融科技个人财务管理应用程序连接到您的银行账户,以便更准确地跟踪资金。对于银行而言,开放银行提供了一个与金融科技学习和合作的机会,而不是竞争。这创造了一个双赢的解决方案,因为银行往往创新缓慢。与此同时,金融科技公司创新速度快,但缺乏资金实力,因此与传统银行的合作只能在他们手中发挥作用。还有可能创建一个收入共享生态系统,在该生态系统中,现有企业扩展到其客户的第三方开发服务,同时从推荐、基础设施或订阅服务中获得收入。此外,API 可以跨业务线或与受信任的外部合作伙伴共享。这促进了生态系统关系,允许创新。金融科技生态系统金融科技生态系统的未来取决于不同的基石,没有这些基石,推动该行业的稳健发展是不可能的。结合人工智能、物联网、开放 API、云计算和区块链将进一步彻底改变生态系统。为了有效竞争、增强客户体验、降低风险并满足监管要求,有远见的公司需要采用金融科技创新软件解决方案,这些解决方案有望塑造金融科技的未来并获得众多收益。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
医学是人工智能最激动人心的前沿领域之一,但人工智能将在哪些方面对医疗保健的未来产生真正的影响? O'Reilly Media 内容策略副总裁 Rachel Roumeliotis 在这里回答。数据将如何更好地改变诊断很少有行业像医学那样数据密集。医疗数据有多种形式:图像、音频、视频、非结构化文本和结构化信息。所有这些数据都受到其他行业所经历的传统问题的影响:信息缺失、值损坏、可疑异常值、缺少标签、印刷错误等等。随着医学数据库的增多,清理和标记信息变得越来越重要。虽然我们距离解决这一挑战还有一段距离,但我们看到了 Holoclean 和 Snorkel 之类的重要进展。前者是一个开源的、基于机器学习的系统,用于自动错误检测和修复,已成功用于包括医院在内的多种医疗应用中。与此同时,Snorkel 是一种开源数据编程工具,它可以自动执行耗时的任务,即创建训练并以编程方式标记用于训练机器学习应用程序的大型数据集。该技术已经在医疗领域取得了重大成功。一个对罕见主动脉瓣畸形进行分类的项目使用了来自英国生物银行的庞大的人口规模数据集,并且使用数据编程,能够自动标记大约 4,000 个以前未标记的 MRI 序列——否则这些工作必须由手。同样的数据编程工具也为生物医学图像分析带来了成功,以及提取隐藏在现有资源中的知识。例如,Snorkel 的开发人员创建了一个数据提取工具,该工具通过梳理生物医学文献来提取特征和基因组变异之间的关联。通过这种方式,人工智能在提升我们的医学知识的同时提供更快、更准确的诊断——鉴于训练有素的医务人员短缺,这是一个特别重要的考虑因素。具有“协同学习”的全球模型库医疗行业中定义的数据挑战之一是信息极其敏感的性质。我们不仅要处理人们的个人病史,而且制药和其他医疗企业自然会严格保护他们的数据。然而,巨大的飞跃需要我们将这些数据汇集在一起??,以找到有助于更好地了解疾病和改进治疗方法的见解。在北京举行的人工智能会议上,加州大学伯克利分校 RISELab 主任 Ion Stoica 描述了新项目,这些项目使组织能够在不实际共享数据的情况下进行合作。这种新的协作模式被称为“合作竞争”——收集匿名数据以创建一个全球模型库,每个参与者都可以将其用于自己的项目。竞争性学习特别令人兴奋的是,它在其他行业中也有大量敏感数据数据集的应用。例如,金融机构可以使用该模型来构建更准确、更强大的欺诈模型,展示医学领域的先驱技术将如何很快改善我们生活的其他领域。新经济与市场然而,这种模式只是医疗保健行业正在开发的新市场的一个例子。例如,一家正在为未来创造技术的公司是 Computable Labs,这是一家初创公司,它正在构建工具来创建这些新的数据市场,解决重要问题,如市场治理、为市场中的数据赋予价值,以及确保隐私的协议。RISELab 通过设想新的双边市场将这一想法更进一步,这些市场由人工智能在双方进行调解。仅举一个例子来说明这是如何工作的,假设您是一名糖尿病患者,并且正在使用一项根据您的病情推荐食谱的服务——但您不喜欢该服务推荐的很多菜肴。在一个双向的、以人工智能为中介的市场中,您的推荐引擎会了解您的口味和需求,然后与其他引擎沟通以协商出令人满意的菜单。然而,开发建立在数据流之上的新市场机制不仅会对医疗行业产生重大影响;它实际上代表了一次令人难以置信的雄心勃勃的尝试,旨在重新构想资本主义本身的内部运作方式。虽然数据密集型医疗保健行业显然是出现这种情况的地方,但其应用可能是无限的。这只是一个例子,说明医学不仅帮助我们活得足够长,享受更美好、技术更先进的未来,而且实际上也有助于创造未来。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
据4日在西班牙巴塞罗那举行的欧洲呼吸学会国际会议上公布的一项研究,人工智能(AI)可通过手机应用程序从人们声音中检测出新冠肺炎感染,它比快速抗原测试更准确(达到89%),且更便宜、快速和易于使用。 新冠肺炎感染通常会影响上呼吸道和声带,导致一个人的声音发生变化。荷兰马斯特里赫特大学数据科学研究所研究员瓦法阿·阿尔杰巴维解释说,研究结果表明,简单的语音记录和AI算法能精确确定哪些人感染新冠肺炎,此外,还支持远程虚拟测试,出结果时间不到一分钟。这类测试可用于大型集会的检测点,对人群进行快速筛查。 研究团队使用的数据来自英国剑桥大学的“新冠肺炎声音库”应用程序,该应用程序包含来自4352名健康和非健康参与者的893个音频样本,其中308人的新冠肺炎检测呈阳性。该应用程序安装在用户的手机上,参与者报告关于人口统计、病史和吸烟状况的基本信息,然后被要求记录一些声音,包括咳嗽3次,用嘴巴深呼吸3—5次,以及在屏幕上读一小句话3次。 研究人员使用了一种名为梅尔谱图的语音分析技术,该技术可识别不同的语音特征,如响度、功率和随时间的变化情况。 为了区分新冠肺炎患者和没有患病的人的声音,研究人员建立了不同的AI模型。他们发现,长短期记忆(LSTM)模型在对新冠肺炎病例进行分类方面做得最好。LSTM基于神经网络,它模仿人脑的运作方式并识别数据中的潜在关系。它还能将数据存储在内存中。 这种AI-LSTM模型的总体准确率为89%,正确检测阳性病例的能力(真阳性率或敏感性)为89%,正确识别阴性病例的能力(真阴性率或特异度)为83%。 研究人员表示,快速抗原测试的灵敏度只有56%,但特异度高达99.5%。这意味着快速抗原测试错误地将阳性感染者归为阴性的人比此次测试中归类的更多。使用AI-LSTM模型,研究人员在100例继续传播病毒的病例中漏掉11例,而快速抗原测试漏掉了44例。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
在英格兰银行预测经济衰退和进一步通胀之后,企业中的IT团队面临的压力越来越大。企业高管需要实时数据洞察力来做出决策,与此同时减少支出和预算,许多IT部门可能面临人员编制或预算冻结的情况。许多大型科技公司已经出现了这种情况,其中一些企业放缓了招聘速度,另外一些公司则在裁员。这里的问题是敏捷性或者说缺乏敏捷性。企业必须灵活应对此类挑战,以灵活应对即将到来的问题。人工智能和敏捷性在企业的业务中,数据有上百万种不同的用途,因此创建工作流程需要尽可能直观和简单。例如,销售团队必须能够连接他们最喜欢的应用程序,并通过定制通信提高客户参与度,同时通过自动化交易文档交付、订单履行以及交付和支付流程来保持收入流动。这就是人工智能发挥作用的地方。人工智能解决方案可以通过指导这些非技术用户完成数据任务来简化业务,否则这些任务需要高技能开发人员的时间和注意力。因此,在企业中拥有“人工智能和敏捷性”不仅可以打破企业内部的数据孤岛,还可以让其员工为自己做更多的事情。真正现代的人工智能基础设施可以让这个过程变得更加容易,自驱动软件可以让业务用户管理他们自己的数据管道,让IT团队腾出时间来完成增值任务。企业过去常常通过投入大量开发人员来解决集成问题。如今,专注于简单的低代码/无代码软件,这些问题可以通过人工智能的力量轻松解决。简单性为用户利用强大的人工智能并不是什么新鲜事,事实上,企业的大多数员工每天都在使用人工智能技术,可能没有意识到这一点:例如,智能手机上的地图应用程序使用先进的人工智能来预测从A到B的最快路线。数据集成中的人工智能的工作方式大致相同,使用智能学习技术来预测数据的最有效路径。这些解决方案从大量的历史数据中学习,挖掘数据以产生黄金标准建议,帮助用户做出更快、更好的决策。现代解决方案通过使用人工智能和机器学习的集成助理以高达90%的准确度建议数据管道构建的后续步骤,从而使这变得更加容易:这不仅可以加快单一工作流程,还可以快速加快整个业务的数字化转型。汉普郡银行信托公司是一家真正了解这一点的组织,它利用人工智能集成助理和简单的低代码无代码基础设施,轻松地将大量应用程序和工具连接在一起。通过缩短集成工作流的开发时间,IT团队变得更加灵活,可以专注于推动增长的任务,而不是被重复性的琐事淹没。面向未来现代软件解决方案不仅更快、更准确,而且最重要的是更具前瞻性,提高了企业在面对即将到来的挑战时保持敏捷的能力。随着这些人工智能和机器学习技术的不断学习,企业可以确信可以通过可扩展的基础设施来应对当前和未来的挑战,这些基础设施可以从几乎任何来源传输数据,包括应用程序和数据以及内部部署和云计算环境。虽然没有人知道未来会怎样,但随着数据价值的增长及其收集量的增加,能够适应和打破业务中的障碍是处理任何情况的关键。保持凝聚力在许多企业中,个人贡献者与其技术团队之间存在对抗关系,因为业务用户试图充分利用他们的技术工具,而IT人员则试图将企业及其团队保持为一个有凝聚力的单位。随着应用程序和工具的不断创新,业务用户对IT参与的需求减少,因为他们可以为自己“DIY”解决方案,但这种独立性将团队导向截然不同的方向,并在业务中造成连续性混乱。这可能是其自身的敏捷性挑战,因为一方面用户可能会觉得他们的IT没有得到支持,而另一方面,混乱的工具和技术可能会使企业陷入困境。人工智能和机器学习集成技术可以通过自动化集成和授权用户创建自己的管道,帮助以凝聚力的方式将各个贡献者聚集在一起,同时仍让IT部门对业务的神经系统进行全面监督和控制。这允许个人在保持稳定感的同时发展自己和团队,这意味着企业可以在面对未来和当前挑战时保持敏捷和响应能力。现在是采用人工智能的时候了最终,保持敏捷意味着消除业务之间的障碍并确保其作为一个灵活的单元发挥作用。通过采用强大的人工智能技术,可以在一个平台上统一数据,企业可以确保可以将业务中的各个点连接起来,无论是在企业的数据之间还是在其员工之间。人工智能可以启用、简化和增强数据,提高企业的敏捷性,并让最重要的员工继续处理最重要的任务。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
随着人工智能 (AI) 的成熟,采用率继续增加。根据最近的研究,35% 的组织正在使用人工智能,42% 的组织正在探索其潜力。虽然人工智能在云中得到了很好的理解并大量部署,但它在边缘仍然处于萌芽状态,并面临一些独特的挑战。许多人全天都在使用人工智能,从汽车导航到跟踪步骤,再到与数字助理交谈。即使用户经常在移动设备上访问这些服务,计算结果仍然存在于人工智能的云使用中。更具体地说,一个人请求信息,该请求由云中的中央学习模型处理,然后将结果发送回该人的本地设备。与云端 AI 相比,边缘 AI 的理解和部署频率更低。从一开始,人工智能算法和创新就依赖于一个基本假设——所有数据都可以发送到一个中心位置。在这个中心位置,算法可以完全访问数据。这使得算法能够像大脑或中枢神经系统一样构建其智能,对计算和数据拥有完全的权限。但是,边缘的人工智能是不同的。它将智能分布在所有细胞和神经上。通过将智能推向边缘,我们赋予这些边缘设备代理权。这在医疗保健和工业制造等许多应用和领域中至关重要。在边缘部署人工智能的原因在边缘部署人工智能有三个主要原因。保护个人身份信息 (PII)首先,一些处理 PII 或敏感 IP(知识产权)的组织更愿意将数据留在其来源处——医院的成像机器或工厂车间的制造机器中。这可以降低通过网络传输数据时可能发生的“偏移”或“泄漏”风险。最小化带宽使用其次是带宽问题。将大量数据从边缘传送到云端会阻塞网络,在某些情况下是不切实际的。健康环境中的成像机器生成如此庞大的文件以致无法将它们传输到云或需要数天才能完成传输的情况并不少见。简单地在边缘处理数据会更有效,尤其是当洞察力旨在改进专有机器时。过去,计算的移动和维护难度要大得多,因此需要将这些数据移动到计算位置。这种范式现在受到挑战,现在数据通常更重要且更难管理,导致用例保证将计算移动到数据位置。避免延迟在边缘部署 AI 的第三个原因是延迟。互联网速度很快,但不是实时的。如果存在毫秒很重要的情况,例如协助手术的机械臂或时间敏感的生产线,组织可能会决定在边缘运行 AI。边缘人工智能面临的挑战以及如何解决这些挑战尽管有这些好处,但在边缘部署 AI 仍然存在一些独特的挑战。以下是您应该考虑的一些提示,以帮助应对这些挑战。模型训练的好与坏结果大多数 AI 技术使用大量数据来训练模型。然而,在边缘的工业用例中,这通常会变得更加困难,因为大多数制造的产品都没有缺陷,因此被标记或注释为良好。由此产生的“好结果”与“坏结果”的不平衡使得模型更难学会识别问题。依赖于没有上下文信息的数据分类的纯 AI 解决方案通常不容易创建和部署,因为缺乏标记数据,甚至会发生罕见事件。为 AI 添加上下文(或称为以数据为中心的方法)通常会在最终解决方案的准确性和规模方面带来好处。事实是,虽然人工智能通常可以取代人类手动完成的平凡任务,但在构建模型时,它会极大地受益于人类的洞察力,尤其是在没有大量数据可供使用的情况下。从经验丰富的主题专家那里得到承诺,与构建算法的数据科学家密切合作,为 AI 学习提供了一个快速启动。AI 无法神奇地解决或提供每个问题的答案通常有许多步骤进入输出。例如,工厂车间可能有许多工作站,它们可能相互依赖。一个过程中工厂某个区域的湿度可能会影响稍后在不同区域的生产线中另一个过程的结果。人们通常认为人工智能可以神奇地拼凑所有这些关系。虽然在许多情况下可以,但它也可能需要大量数据和很长时间来收集数据,从而导致非常复杂的算法不支持可解释性和更新。人工智能不能生活在真空中。捕捉这些相互依赖关系将把边界从一个简单的解决方案推向一个可以随着时间和不同部署而扩展的解决方案。缺乏利益相关者的支持会限制人工智能的规模如果组织中的一群人对它的好处持怀疑态度,则很难在整个组织中扩展 AI。获得广泛支持的最好(也许是唯一)方法是从一个高价值、困难的问题开始,然后用人工智能解决它。在奥迪,我们考虑解决焊枪电极更换频率的问题。但是电极成本低,这并没有消除人类正在做的任何平凡的任务。相反,他们选择了焊接工艺,这是整个行业普遍认同的难题,并通过人工智能显着提高了工艺质量。这激发了整个公司工程师的想象力,他们研究如何在其他流程中使用人工智能来提高效率和质量。平衡边缘 AI 的优势和挑战在边缘部署 AI 可以帮助组织及其团队。它有可能将设施转变为智能边缘,提高质量,优化制造过程,并激励整个组织的开发人员和工程师探索他们如何整合人工智能或推进人工智能用例,包括预测分析、提高效率的建议或异常检测。但它也带来了新的挑战。作为一个行业,我们必须能够在部署它的同时减少延迟、增加隐私、保护 IP 并保持网络平稳运行。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
城市在人工智能的帮助下不断创新。由于智慧城市中使用的人工智能技术,这些城市能够控制交通、废物和维护,以及预测能源消耗、污染风险和对环境的影响。智慧城市对气候变化、更明智的决策和提高生活质量的影响较小,下面,我们来看看人工智能帮助实现这一目标的十种方式。10.安全当犯罪事件被报道后,监控录像通常会被重新查看,但这并不能预防或阻止犯罪。而使用人工智能的监控摄像头能够实时分析录像,发现犯罪行为,然后立即报告和处理。这些摄像头还可以从衣服上探测到人,从而使该技术能够比以往更快地找到嫌疑人。9.维护一家名为RoadBotics的公司开发了一种利用人工智能的技术,能够分析道路图像,然后评估问题,并产生具有成本效益的解决方案。这使得城市能够知道何时何地需要进行维修,并在省钱的同时进行处理。这种技术也提高了城市的安全,因为问题不会被忽视。8.预测未来的需求利用人工智能技术进行创新的智慧城市能够更好地预测人类未来的需求。使用能源跟踪技术可以让城市知道何时需要新能源,或何时可以实施更可持续的方法。一些人工智能技术还可以预测和帮助规划房地产开发,这意味着房屋会在需要的时候投放市场。7.控制污染科学家已经开发出一种技术,利用人工智能和机器学习来分析当前的污染物,并预测未来2小时的污染水平。这种技术允许负责人提前做出决定,以减少他们对环境的影响。6.停车系统利用车牌识别技术,停车场能够检测到超时停车的车辆,这也可以强制执行付款和罚单。当人工智能系统集成到整个停车场时,停车位就能够呈现给等待的用户,一些更先进的技术还能够根据车辆推荐停车位。5.公共交通公共交通已经通过在智慧城市中使用人工智能进行了创新。这项技术允许公共交通工具接收和访问实时日期和跟踪,从而提高了时间和客户满意度。还计划在城市内使用自动公共汽车,这些可以减少排放,改善路线并增加频率。4.废物管理智慧城市开始在垃圾管理中使用人工智能,这种类型的技术可以让城市跟踪回收,并确定该地区可以回收的物品。悉尼的一些城市在这方面更进一步,使用人工智能机器人来分类垃圾,以及清洁湖泊和河流等区域。3.交通管理人工智能技术正在交通行业中应用,以减少交通和事故。一种名为CIRCLES的交通管理技术具有预测和减少交通的能力,使用深度学习算法,这也可以减少交通造成的污染。人工智能还可以用于整个交通摄像头系统,实时检测道路犯罪,使其更容易处理。2.能量跟踪人工智能可以在智能城市中用于分析和跟踪企业和公民的能源使用情况,然后根据这些数据可以决定在哪里使用可再生能源。这也可以显示出能源被浪费的城市,以及如何节约能源。1.环境智慧城市可以使用人工智能来查看它们对当地环境、全球变暖以及污染水平的影响。在污染控制和能源消耗方面使用人工智能和机器学习,可以让政府和城市做出最有利于环境的知情决定。智慧城市还使用人工智能来检测二氧化碳,从而做出有关交通的决定。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
据报道,目前,美国麻省理工学院最新研制 3D 打印精准等离子体传感器,该设备成本较低,且易于制造,这些数字化设备可以帮助科学家预测天气或者研究气候变化。 该等离子体传感器也被称为“延迟电位分析仪 (RPAs)”, 被人造卫星等轨道航天器用于确定大气化学成分和离子能量分布。3D 打印、激光切割流程制造的半导体等离子体传感器,由于该过程需要无尘环境,导致半导体等离子体传感器成本昂贵,且需要几个星期的复杂制造过程。相比之下,麻省理工学院最新研制的等离子体传感器仅需几天时间制造,成本几十美元。由于成本较低、生产速度快,这种新型传感器是立方体卫星的理想选择,立方体卫星成本低廉、低功率且重量轻,经常用于地球上层大气的通信和环境监测。该研究团队使用比硅和薄膜涂层等传统传感器材料更有弹性的玻璃陶瓷材料研制了新型等离子体传感器,通过在塑料 3D 打印过程中使用玻璃陶瓷,能够制造出形状复杂的传感器,它们能够承受航天器在近地轨道可能遇到的巨大温度波动。研究报告资深作者、麻省理工学院微系统技术实验室 (MTL) 首席科学家路易斯・费尔南多・委拉斯奎兹-加西亚 (Luis Fernando Velasquez-Garcia) 说:“增材制造会在未来太空硬件领域产生重大影响,一些人认为,当 3D 打印一些物体时,必须认可其性能较低,但我们现已证明,情况并非总是这样。”目前这项最新研究报告发表在近期出版的《增材制造杂志》上。多功能传感器等离子体传感器首次用于太空任务是 1959 年,它能探测到漂浮在等离子体中的离子或者带电粒子的能量,等离子体是存在于地球上层大气中的过热分子混合物。在立方体卫星这样的轨道航天器上,等离子体传感器可以测量能量变化,并进行化学分析,从而有助于科学家预测天气或者监测气候变化。该传感器包含一系列布满小孔的带电网格,当等离子体通过小孔时,电子和其他粒子将被剥离,直到仅剩下离子,当这些离子产生电流,传感器将对其进行测量和分析。等离子体传感器应用成功的关键是对齐网格的孔状结构,它必须具有电绝缘性,同时能够承受温度的剧烈波动,研究人员使用一种可 3D 打印的玻璃陶瓷材料 ——Vitrolite,它满足以上特性。据悉,Vitrolite 材料最早出现于 20 世纪初,常应用于彩色瓷砖设计中,成为装饰艺术建筑中最常见的材料。持续耐用的 Vitrolite 材料可承受高达 800 摄氏度的高温而不分解,而集成电路结构的等离子体传感器中的高分子材料会在 400 摄氏度时开始熔化。加西亚说:“当工作人员在无尘室中制造这种传感器时,他们不会有相同的自由度来定义材料和结构,以及它们是如何相互作用,但这可能促成增材制造的最新发展。”重新认识等离子体传感器的 3D 打印过程陶瓷材料 3D 打印过程通常涉及到激光轰击陶瓷粉末,使其融合成为各种形状结构,然而,由于激光释放的高热量,该制造过程往往会使材料变得粗糙,并产生瑕疵点。然而,麻省理工学院的科学家在该制造进程中使用了还原性高分子聚合反应,这是几十年前引入的一种使用聚合物或者树脂进行增材制造的工艺,在还原聚合技术中,通过反复将材料浸入盛有 Vitrolite 液体材料的还原缸,浸入一次会形成一层三维结构,每一层结构形成后,再用紫外线将材料固化,每层结构仅 100 微米厚度 (相当于人类头发直径),最终反复浸入 Vitrolite 液体材料,将形成光滑、无孔、复杂的陶瓷结构。在数字化制造工艺中,设计文档中描述的制造对象可能非常复杂,这种高精度设计需要研究人员使用独特结构的激光切割网格,当打印完成后安装在等离子体传感器外壳中,小孔状结构能完美地排列,使更多的离子通过其中,从而获得更高精度的测量数据。由于该传感器生产成本低,且制作速度快,研究团队制作了 4 个独特的设计原型。其中一个设计原型在捕捉和测量大范围等离子体方面特别有效,尤其适用于卫星轨道勘测等离子体,另一个设计原型非常适用于测量密度极高、温度极低的等离子体,这通常仅能用于超精密半导体器件测量。这种高精度设计可使 3D 打印传感器应用于聚变能研究或者超音速飞行,加西亚补充称,这种快速 3D 打印工艺甚至可以带来卫星和航天器设计领域的更多创新。加西亚说:“如果你希望不断创新,就必须面对失败并承担相应的风险,增材制造是制造太空设备的另一种方式,我们可以制造太空装置,即使该过程失败了,也没什么关系,因为我们仍能快速且廉价地制作一个新的版本,并在设计上进行迭代更新。对于研究人员而言,这是一非常理想的沙箱效应。”据悉,尽管加西亚对最新设计的等离子体传感器感到很满意,但他希望未来不断提高制造工艺,在玻璃陶瓷缸式聚合过程中,减少层厚度或者像素大小,进而创造出精准度更高的复杂装置。此外,完全叠加制造工艺可使它们与空间制造不断兼容,他还希望探索使用人工智能不断优化传感器设计,从而适应特定的应用场景,例如:在确保结构稳定的同时大幅减少传感器重量。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
通过使用AI工具,市场营销者可以选择合适的社交策略,追踪受众行为,分析营销表现,从而可以令你更专注于营销运营中更具创造性的方面。在本文中,我们将引导您逐步了解有关AI的知识,以及如何使用它来优化社交媒体营销策略。内容智能筛选和推荐利用大数据描绘用户画像几乎是用户体量上亿的社交媒体平台进入人工智能的敲门砖。在社交媒体刚开始兴起时,好友和订阅几乎是唯一驱动力,用户依靠时间线获取订阅对象和好友的信息。几年前,Twitter和微博就相继通过信息流优化的方式淡化了时间线的概念,后来Facebook也是用信息流的方式优化了社交媒体。信息流相对于传统时间线而言最大区别就是根据相关性与兴趣性来组织内容呈现,用户可以看到什么,先看到什么后看到什么,都交由黑箱内的算法来定夺。微博基于自身几亿用户千亿关系近万亿内容,描绘了中国网民图谱;数据类型丰富而且内容广泛。在内容分发上根据关系流和兴趣流直接推荐;从内容生产上挖掘优质内容,自动标题和摘要等。协助营销分析提升效率曾与乔布斯联合创立苹果计算机公司的神奇巫师Steve Wozniak在被问及他梦想中的终极产品会是什么时,他回答说希望是“能给他更多时间”的东西。我们生活在一个当谷歌搜索仅仅延迟400毫秒就会导致减少800万搜索量的时代,洞察万物的速度需要飞速提升。提供社交媒体监测服务的Brandwatch等公司正在试图使用人工智能来减少社交分析师花在搜寻品牌数据上的时间。相比以往平均每周要花费3.2小时,现在社交分析师可以转去处理更重要的事情,而AI使得相关数据更容易被解读同时也更容易被整个组织获取。Brandwatch通过分析图表中的高峰和低谷,将多元异构的的数据汇总在一起,然后用它来解释为什么某个图表会在某个特定时刻达到顶峰——也许是一篇社媒文章与来自同一行业的新闻事件相吻合,从而吸引新受众进入该频道。这些人工智能的见解使社媒营销的分析报告更加直截了当,因为它们摒弃了社交分析的猜测成分。改善用户体验人们喜欢与提供优质服务的品牌开展业务。通过将人工智能整合到社交媒体中,将更加了解受众群体的偏好。人工智能可以创建内容,定位广告并改善产品或服务,从而增强用户体验。它能够迅速识别问题区域并立即修复,及时响应用户的问题投诉,提供最佳的客户体验。竞争对手分析如果想保持领先地位,必须了解竞争情况,以找出对应的方法。基于AI的分析可以准确快速地分析竞争对手的社交资料。跟踪他们的覆盖面、参与率、转化率,客户对其的看法以及他们采取的有效策略。有了这些信息,就可以优化自己的社交策略,从而提高参与度并增加转化率。收集受众观点人工智能帮助整合了诸如社交倾听之类的工具,这些工具可以大规模分析社交媒体的帖文,倾听人们对品牌的评价,并发现新兴趋势或新的目标受众。AI产生的消费者观点将巩固与受众的联系,并提高品牌声誉和资产价值。人们可能会以未曾预料的方式使用您的产品和服务,了解这些观点将为品牌推广开辟新途径。毋庸置疑,随着技术的日益发展和不断成熟,人工智能渗透到传媒行业的各个流程、环节是不可避免的,5G、物联网、大数据等技术也将为行业未来打开无限的想象空间。未来的“智媒”时代,人工智能或许不仅能提升人们在互联网上获取信息时的效率,还能帮助人们更好、更有针对性地获取自己想需要的信息。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
全球范围内正在运营的工业机器人,达到了创纪录的300万台——平均每年增长13%(2015-2020年)。国际机器人联合会(IFR)分析了在全球范围内,影响机器人技术和自动化发展的5大趋势。“在传统和新兴行业,机器人自动化转型正在加速前进。越来越多的公司逐步意识到,机器人技术为其业务带来诸多优势。”IFR主席Milton Guerry说。1 新兴行业中的机器人应用自动化程度较低的领域,正在迅速采用机器人。消费者行为正在推动公司满足个性化的产品和装了成千上万台机器人,而5年前这一领域根本没有部署机器人。为了解决劳动力短缺问题,以前没有考虑过自动化的公司将重新考虑这一方案。依赖服务业人员的企业,如零售业和餐饮业,出现了无法填补人员空缺。因此,我们可以期待看到他们投资自动化以满足顾客的需求。相对较新的机器人应用领域,如配送和物流、建筑、农业及其它领域,也将受益于不断进步的自动化技术。2 更容易使用的机器人部署机器人可能是一项复杂的任务,但新一代机器人将更容易使用。有一个明显的趋势是新的用户界面,允许简单的图标驱动编程和手动指导机器人。一些机器人公司和第三方供应商,正在将硬件包与软件捆绑在一起,以便于实施。这一趋势看似简单,但专注于完整生态系统的产品,通过减少投入和运营时间,大大提升了价值。低成本机器人技术的趋势,还包括易于设置和安装,在某些情况下可以预先配置特定应用程序。供应商提供适配手爪、传感器和控制器的标准程序。应用商店为各种应用提供程序例程,并支持低成本机器人的部署。3 机器人和员工的技能提升越来越多的政府、行业协会和企业认为,需要尽早为下一代劳动力提供基础的机器人和自动化教育。数据驱动的生产线需要加强教育和培训。除了对员工进行内部培训外,外部教育途径还可以加强员工的学习计划。每年在30多个国家开展的机器人课程中,机器人制造商们每年都会收获1万到3万名注册学员。机器人技术正在改善工厂工人的职业形态。正如最近的“辞职潮”所显示的那样,人们希望可以在一个现代环境中工作,开始自己的职业生涯。机器人技术带来的新的培训机会,对公司和员工来说都是一个双赢的策略:枯燥、肮脏和危险的任务让机器人自动完成,这样人们就有机会去学习未来工作所需的关键技能,并在整个职业生涯中增加提升收入的潜力。4 机器人为生产提供保障全球贸易环境的恶化和新冠疫情,驱动着制造业回归,更贴近消费者。供应链问题促使企业考虑自动化解决方案。来自美国的一份统计数据显示,自动化是如何帮助企业重返市场的:根据美国先进自动化协会(A3)的数据,美国2021年第三季度的机器人订单,比2020年同期增长了35%。超过一半的订单来自非汽车行业。这一创纪录的增长不仅限于机器人技术,机器视觉、运动控制和电机也出现了大幅增长。IFR秘书长Susanne Bieller博士说:“这场疫情以及由此导致的供应链和劳动力供应中断,似乎是许多人为证明投资合理性所需要的推动力。最有可能投资自动化的公司是那些已经考虑了一段时间,但还没有迈出最后一步的公司。”5 机器人支持数字自动化2022年及以后,我们认为数据将被视为未来制造业的关键推动因素。从智能自动化过程中收集的数据将由生产者进行分析,以做出更明智的决策。由于机器人能通过人工智能(AI)共享任务和学习,企业还可以更容易地在新环境中采用智能自动化,从建筑到食品和饮料包装设施,再到医疗实验室。用于机器人的AI越来越成熟,学习型机器人正在成为主流。该行业已经过了试点阶段,预计在2023年,这些技术将获得更大规模的部署。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
越来越多的供应商正在采用人工智能和机器学习,以改善在建筑物出现问题之前发现问题这一古老的挑战。什么是预测性维护预测性维护仅仅意味着以数字方式识别性能和健康问题,即退化的早期迹象导致效率低下并导致故障,利用机器学习和人工智能技术来实现这一目标。预测性维护的好处是什么建筑物和工厂中性能不佳的厂房和设备可能会在开始时使用过多的能源,如果不及时维护,最终会导致故障。因此,通过像我们这样的智能技术来提醒这些问题,不仅可以节省能源成本,还可以减少所需的能源,减少过程中的碳排放。预测性维护还可以减少建筑的停工时间,在业主和占用者的维修成本变得昂贵之前,问题就已经解决了。建筑物如何生成预测性维护所需的数据人工智能和机器学习算法处理来自嵌入到设备中的现有物联网传感器的数据。这些物联网设备通常会测量流量、能源和公用事业消耗、工厂的振动和温度。其中一些数据点可能已经在建筑管理系统中可用,但业主和使用者可能需要安装额外的物联网传感器来丰富他们的见解。房地产团队需要多少技术专业知识将硬数据转化为可以理解的、可操作的见解,从而对建筑的性能和碳排放产生积极影响,这是成功的关键。我们以及该领域其他以技术为主导的变革者的目标是,推出一种现有工程团队可以无缝采用的解决方案。是否有遭受网络攻击或资料隐私事件的风险安全性是商业和工业地产业主的重中之重,新兴的可持续性技术解决方案需要拥有世界一流的系统和基础设施,如AWS,以确保运营安全。此外,在没有人工干预的情况下,技术不能对BMS进行读写。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
在技术生态系统快速增长的众多驱动力中,人工智能 (AI)及其子领域处于最前沿。Gartner将 AI描述为应用“高级分析和基于逻辑的技术”来模拟人类智能,它是一个包罗万象的系统,为各行各业的个人和企业提供众多用例。正如当今可用的各种解决方案所见,有许多方法可以利用 AI 来支持、自动化和增强人工任务。这些产品承诺以速度和准确性简化复杂的任务,并激发以前不切实际或可能的新应用程序。一些人质疑该技术是否会被善用,或者在某些业务用例中 是否会变得比人类更有效,但它的流行和普及是毋庸置疑的。什么是人工智能 (AI) 软件?人工智能软件可以通过多种方式定义。首先,精益描述会认为它是能够模拟智能人类行为的软件。然而,从更广泛的角度来看,它是一种计算机应用程序,可以学习数据模式和洞察力,以智能地满足特定客户的痛点。AI 软件市场不仅包括具有内置 AI 流程的技术,还包括允许开发人员从头开始构建 AI 系统的平台。这可以从聊天机器人到深度和机器学习软件以及其他具有认知计算能力的平台。 为了了解范围,人工智能包括以下内容:机器学习(ML):允许计算机收集数据并从中学习以产生见解。深度学习(DL):ML 的进一步发展,用于检测大量数据中的模式和趋势并从中学习。神经网络:旨在学习和识别模式的互连单元,很像人脑。自然语言处理(NLP):NLP 支持 AI 阅读、理解和处理人类语言的能力。计算机视觉:教计算机从图像和视频中收集和解释有意义的数据。这些功能被用来为不同的用例构建人工智能软件,其中最重要的是知识管理、虚拟辅助和自动驾驶汽车。随着企业必须梳理大量数据以满足客户需求,对更快、更准确的软件解决方案的需求也在增加。正如预期的那样,企业级人工智能采用率的上升导致全球人工智能软件市场的市场增长加速。Gartner预计 2022 年的增长将达到 625 亿美元,比 2021 年的价值增长 21.3%。到 2025 年,IDC预计该市场将达到 5499 亿美元。 人工智能解决方案的四个关键功能无论是为医疗保健领域的外科机器人提供动力、检测金融交易中的欺诈、加强汽车行业的驾驶员辅助技术还是为学生提供个性化的学习内容,人工智能解决方案的首要目的可以分为四大功能类别,包括:1. 自动化流程AI 应用程序的自动化功能符合 AI 的主要目标,即最大限度地减少执行任务中的人为干预,无论是平凡和重复的,还是复杂和具有挑战性的。通过收集和解释输入其中的大量数据,可以利用人工智能解决方案来确定流程中的下一步并无缝执行。它通过利用 ML 算法的功能来创建一项调查显示,80% 的公司预计在 2027 年采用智能自动化。2. 数据分析与解释人工智能解决方案的核心功能,特别是对于企业而言,是创建结构化和非结构化数据的知识库,然后分析和解释这些数据,然后根据其发现做出预测和建议。这称为人工智能分析,它使用机器学习来研究数据和绘制模式。 无论分析工具是预测性的、规范性的、增强的还是描述性的,人工智能都是确定如何准备数据、发现新见解和模式以及预测业务成果的核心。企业也在转向人工智能来提高数据质量。 3. 用户个性化和参与度 建立关系已成为客户获取和保留的圣杯。麦肯锡的一项研究表明,实现这一目标的一个可靠方法是通过个性化和参与。人工智能技术使企业能够为客户提供个性化的服务,并实时预测和解决他们的担忧。此功能体现在会话聊天机器人和从学习的客户行为生成的产品推荐等程序中。许多组织仍在跟上该技术的步伐。Gartner报告称,63% 的数字营销人员难以最大限度地利用个性化技术。他们对 350 名营销主管的调查显示,尽管 83% 的人相信其效力,但只有 17% 的人正在积极使用 AI 和 ML 解决方案。4. 业务效能除了提高传统流程的自动化程度,人工智能还支持以前不可行的新服务和功能。从无人驾驶汽车和面向消费者的自然语言服务到以前只能想象的医学突破,人工智能正在成为新产品和市场的基础,并将继续展开。2022年十大人工智能(AI)软件解决方案Google Cloud AI谷歌占主导地位的云产品包括支持开发人员、数据科学和基础设施用例的各种工具。多种语音和语言翻译工具、视觉、音频和视频工具以及深度和机器盈利能力为熟练的技术从业者和大众消费市场带来了人工智能功能。谷歌在 2022 年 Gartner 云人工智能开发者服务 魔力象限中被评为领导者。IBM Watson Studio与谷歌一样,IBM提供了一个用于构建和训练人工智能软件的平台。IBM Watson Studio为开发人员、数据科学家和分析师提供了一个多云架构,以协作“构建、运行和管理”人工智能模型。凭借从 AutoAI 到可解释的 AI、DL、模型漂移、模型操作和模型风险管理等各种功能,该工作室为主题专家提供了收集和准备数据或创建和训练 AI 模型所需的工具。它还允许这些专业人员灵活地在公共或私有云(IBM Cloud Pak、Microsoft Azure、Google Cloud 或 Amazon Web Services)和本地部署 AI 模型。IT 团队可以在使用自然语言分类器等嵌入式 Waston 工具构建模型时开源这些模型。它的混合环境还可以为开发人员提供更多的数据访问和敏捷性。Salesforce EinsteinSalesforce 连续 13 次被评为 Gartner CRM 客户参与中心魔力象限的领导者,并连续八年被国际数据公司(IDC) 评为排名第一的 CRM 解决方案,Salesforce 提供了一套先进的销售、营销和客户体验工具套件。Salesforce Einstein是一种人工智能产品,可帮助公司识别客户数据中的模式。 该平台内置了一套支持爱因斯坦机器人、预测生成器、预测、商业云爱因斯坦、服务云爱因斯坦、营销云爱因斯坦等功能的人工智能技术。新的和现有的云应用程序的用户和开发人员还可以将平台的预测和建议功能部署到他们的模型中。例如,在 2016 年 Salesforce Einstein 的发布会上,Einstein 的总经理 John Ball 透露,通过创建 Einstein,该公司“通过预测性潜在客户评分和自动数据捕获将潜在客户转化为机会和机会进入交易。”OculeusOculus提供特定于行业的解决方案。对于需要保护和防御其通信基础设施免受网络威胁的电信行业的服务提供商、网络运营商和企业,Oculeus 提供了一系列基于软件的解决方案,可以帮助他们更好地管理网络运营。根据创始人兼首席执行官 Arnd Baranowski 的说法,Oculeus 使用人工智能和自动化“来了解企业的常规通信流量并持续监控它是否存在预期通信活动基线的异常情况。凭借其人工智能驱动的技术,可以在几毫秒内识别、调查和阻止可疑流量。这是在对企业造成任何重大财务损失之前完成的,并保护电信服务提供商的品牌声誉。”通信欺诈控制协会 (CFCA) 2021 年国际电信欺诈损失调查发现,损失总额超过 398.9 亿美元,比上一年增加 28%。同样,网络安全和运营商正在经历更多的欺诈威胁和攻击。 除其他外,这些洞察力放大了企业转向主动防御方法以胜过对手的需求,而这正是 Oculeus 声称通过其人工智能驱动的电信欺诈保护解决方案提供的。用 Baranowski 的话来说,Oculeus 的 AI 驱动的电信欺诈保护方法不仅“......在造成任何重大财务损失之前阻止欺诈性电信流量”,而且还包括广泛的自动化工具,可以彻底清除威胁。EdsomaEdsoma代表了另一个狭窄的用例。其基于人工智能的阅读应用软件具有实时、独家的语音识别和识别技术,旨在揭示儿童阅读的优势和劣势。这种后续技术可以识别用户的口语和语速,以确定他们是否正确地说出这些词。如果他们发音错误,纠正程序可以帮助他们回到正轨。正如 Edsoma 创始人兼首席执行官 Kyle Wallgren 解释的那样,一旦“……阅读电子书,自动语音识别 (ASR) 系统会实时转录孩子的声音并提供即时结果,包括发音评估、语音、计时和其他方面。编制这些指标是为了帮助教师和家长做出明智的决定。”这项技术旨在提高儿童的口语阅读流利能力,并为他们灌输健康的阅读文化提供必要的支持。Edsoma 寻求在 1270 亿美元的全球教育科技市场中占有一席之地。通过利用实时数据提供实时读写能力,Edsoma 希望提供由 AI 驱动的面向未来的学习。Appen作为人工智能产品整个开发生命周期所需数据的来源,Appen一直是早期的领导者之一。该平台提供并改进了图像和视频数据、语言处理、文本甚至字母数字数据。 它遵循四个步骤为 AI 处理准备数据:第一步是数据源,它提供对 250 多个预先标记的数据集的自动访问。然后是数据准备,它提供数据注释、数据标记和知识图谱以及本体映射。第三阶段在亚马逊网络服务、微软、英伟达和谷歌云人工智能等合作伙伴的帮助下支持模型构建和开发需求。最后一步结合了人工评估和人工智能系统基准测试,让开发人员了解他们的模式是如何工作的。澳鹏拥有超过 180 种语言的语言数据库和超过 100 万人才的全球技能力量。在其众多功能中,其人工智能辅助数据标注平台是最受欢迎的。CognigyCognigy是一个低代码对话式人工智能和自动化平台,最近在 Gartner 的 2022 年企业对话式人工智能平台魔力象限中被评为领导者。随着对更卓越的客户体验 (CX) 的需求日益增加,越来越多的企业依赖对话式分析解决方案,深入挖掘客户的文本和语音数据,发现洞察力,为更明智的决策和流程自动化提供信息。 这就是为什么 Cognigy 通过多模式渠道和 100 多种语言实现员工和客户之间自然交流的自动化。此外,它的技术允许企业建立人工智能驱动的语音和聊天机器人,可以像人类一样准确地解决客户的担忧。Cognigy 还有一个分析功能——Cognigy Insights——它为企业提供数据驱动的洞察力,以最佳方式优化他们的虚拟座席和联络中心。此外,该平台允许用户在云端或本地部署该技术。该平台因其客户参考、灵活性和可持续性而受到 Gartner 的特别赞扬,可帮助企业为客户创造新的服务体验。SynthesisSynthesis AI的解决方案生成合成数据,允许开发人员创建更有能力和道德的 AI 模型。在此平台上部署模型时,工程师可以获取多个标记良好、逼真的图像和视频。这些图像和视频完美地标有深度图、表面法线、分割图甚至 2D/3D 地标等标签。虚拟产品原型设计和利用扩展数据集构建更符合道德的人工智能的机会,这些数据集解释了相同的身份、外观和表示,这也是其产品的一部分。组织可以在 API 文档、电话会议、数字人类、身份验证和驾驶员监控用例中部署这项技术。TealiumTealium的数据编排平台被定位为一个通用数据中心,供寻求强大的客户数据平台 (CDP) 进行营销参与的企业使用。这家 CDP 提供商在其客户数据集成系统中提供了一系列解决方案,使企业能够更好地与客户建立联系。Tealium 的产品包括用于跟踪和统一其数字营销部署的标签管理系统 (Tealium iQ)、促进企业互连的 API 中心、基于机器学习的数据平台 (Tealium AudienceStream) 和数据管理解决方案。该公司最近赞助了Forrester的一项综合经济影响研究,计算参考客户的投资回报率。CoroCoro为中型市场和中小型企业提供整体网络安全解决方案。该平台利用人工智能来识别和修复所有端点的恶意软件、勒索软件、网络钓鱼和机器人安全威胁,同时减少对专门 IT 团队的需求。此外,它建立在无中断安全原则之上,使其能够为安全预算和专业知识有限的组织提供安全解决方案。这家网络安全即服务 (CaaS) 供应商展示了 AI 如何支持为较低级别业务市场层带来的更高级别服务。人工智能创新浪潮随着人工智能技术的不断进步和越来越多的组织采用它们,IT 领导者必须确定自己选择的解决方案如何适合他们的业务目标。有这么多供应商在人工智能创新的浪潮中前进,买家必须仔细选择他们的解决方案。IDC 预测,人工智能平台和人工智能应用开发和部署将继续成为人工智能市场增长最快的领域。此列表为组织评估最适合其需求的方法和解决方案提供了一个起点。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
作者丨Suvigya Saxena译者| 崔皓审校丨Noe你可能在生活中的很多场景都被动地使用到了人工智能 (AI),即使你对此毫无察觉。例如,很多社交媒体、搜索引擎, 都使用AI来确保用户在平台上获得无缝体验,无论是自动标记照片中的朋友还是根据历史搜索提供搜索结果,都是AI在起作用。 这些人工智能的用途相对比较简单,只涉及到部分技术——机器学习(ML)。从根本上说,机器学习正变得越来越流行,那么深度学习(DL)和狭义的人工智能呢?它们如何创造出流媒体服务的新体验就是我们今天要聊的话题。人工智能vs机器学习vs深度学习 人工智能是近年来备受关注的领域。这一广阔领域涵盖了各种主题。人工智能的总体思路是计算机执行以往需要人类智能的任务,比如视觉感知和语言处理。 机器学习就是当今人工智能解决方案最常见的应用之一。它涉及到使用大量数据训练算法并应用于新数据。例如,机器学习算法用于面部识别、垃圾邮件过滤和语言翻译等工作。 机器学习是人工智能的一个子集,即使在没有明确编程的情况下,它也能让计算机从数据中学习。机器学习是人工智能的一个分支,它专注于开发计算机程序,并让这些程序在接触到新数据的时候进行学习。通过这种方式能够在没有人工干预的情况下让计算机自行做出决定。 因此,机器学习是许多服务和产品的基础,包括搜索引擎和社交媒体平台。许多金融机构使用机器学习来监控客户账户活动是否存在欺诈或其他违规行为。人工智能解决方案为用户提供个性化的视频流 虽然人工智能技术已经被应用多年,但最近,由于大型科技公司和小型初创公司的一些发展,它又成为人们关注的焦点。一种备受关注的应用就是—个性化。 对于外行来说,人工智能是执行与人类智能相关工作的计算机程序。该术语涵盖了广泛的应用,包括语音识别和内容过滤。AI有时也被用作机器学习或深度学习的同义词。人工智能可以完成的任务包括图像识别和语言处理—分别识别照片中的对象和将文本从一种语言翻译成另一种语言。 人工智能炒作周期已经持续了几十年。但今天的技术终于赶上了炒作,这在很大程度上要归功于机器学习算法的进步——语音识别、自然语言处理、自动驾驶汽车和其他人工智能应用等技术背后的驱动力。 为什么直播需要人工智能 直播已经成为交流和娱乐的强大工具。它似乎是继电子邮件、短信、微信之后的“新沟通方式”。全球观看直播的人数正在快速增长,人工智能将在未来直播行业的发展中发挥至关重要的作用。 我们很多人都喜欢观看体育赛事、音乐会、颁奖典礼等形式多样的直播。这种直播之所以吸引我们,是因为它提供了比其他媒体更多的实时信息。此外,表演者或球员总是通过直播给我们带来令人印象深刻的惊喜。 另一方面,如今人工智能技术也在飞速发展。尤其是人工智能算法在市场营销、金融、教育、医疗等诸多领域起着重要的作用。而且,人工智能已经应用到汽车、导弹、无人机上,它为无人控制的场景提供独立决策,并成为该场景应用不可或缺的重要组成部分。 该过程涉及使用实时视频,而不是预先录制的视频或图像。直播与其他视频共享服务的不同之处在于,录制是一次性完成的。你根本不需要编辑它,你记录的就是你得到的。可以使用AI让我的直播更有效吗? 答案是肯定的。以下是一些方法: 1、人工智能可以提供实时分析以获得更好的性能——人工智能可以帮助提供观众响应直播流的数据。这可以帮助改善内容和整体直播性能。 2、借助人工智能,内容发现变得更容易——如果你使用社交媒体网站进行宣传,人工智能可以帮助你找到发布内容的最佳时间,以便更多用户能够看到它。 3、内容索引可用于改善用户体验—TikTok的母公司字节跳动找到了一种将人工智能与人类策展(人为的策划展示)相结合的方法,以增强视频内容编目,从而为用户提供更好的体验。TikTok让用户可以创建短视频,可以与朋友分享或发布在其他社交媒体平台上,在年轻人中很受欢迎。为了跟上对新视频的需求,字节跳动开发了一个系统,利用人工智能从用户偏好中学习,并为他们提供相关的内容建议。但是,仅凭这项技术无法满足不断增长的TikTok用户社区的需求。人工智能解决方案:如何保障用户隐私 人工智能无处不在,在最先进的技术中,如机器人、自动化等。所有这些都包含一个人工智能系统,以提高用户的安全性。 人工智能是设备(例如电话或电视)的安全来源。它对命令提供了更好的响应,并且可以更好地控制设备。此外,它能够从经验中学习并提升自己。并且这些功能已在某些软件中实现,例如Siri。我们可以通过向Siri发送语音命令与设备自然地进行交流,Siri会在接受命令的几秒钟内执行所需的操作。 在日常生活的方方面面存在更多人工智能的例子,人工智能的应用提高了产品的安全性和效率。它可以通过分析情况从而做出相应的决策。此外,它可以从错误中吸取教训来改进自己,保证下次每次执行会变得更好。 安全已成为人们关注的重要问题。完全避免黑客攻击显然是不可能的,但找到问题的解决方案同时也具有挑战性。有几种方法可以能够保证系统的安全。其中一种就是使用人工智能,通过软件和硬件配合完成。用于保护软件的AI 软件使用场景下,人工智能解决方案将充当系统的守护者并防止任何未经授权的访问。每次用户尝试访问系统时,人工智能软件都会按照学习模式运行。它将从过去的经验中吸取教训并进行自我修改,因此任何人都无法闯入该系统。在基于硬件的人工智能场景下—需要一个外部设备,每当有人输入错误的密码或命令时。该设备将通知并拒绝任何人的访问,直到你允许他们获得访问权限。 安全系统进入了一个新时代。在人工智能的帮助下,用户的安全和隐私得到了改善。无论是企业用户还是个人用户;基于人工智能的安全系统都是最佳选择。那么是什么让它们与传统系统有所不同呢? 传统安全系统: 依赖于签名、模式匹配、黑名单和其他已知的恶意软件技术。不幸的是,这些技术在检测未知恶意软件攻击方面效果不是很明显。 基于人工智能的安全系统: 基于人工智能的安全系统依赖于可以检测未知攻击的复杂机器学习模型。它们不依赖于黑名单,因为它们基于模式。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
人工智能不再局限于科幻小说领域。机器学习就在这里,可以在您的口袋、汽车、在线和离线中找到。机器学习寻找模式,并记录任何成功的猜测以创建下一代人工智能。这个重复过程一直持续到你有一个能够自己做出决定的算法。然而,这种学习技术也有缺点,最明显的缺点涉及我们的隐私、安全和个性。强大的人工智能可以被用于不法行为。它目前帮助政府找到审查在线材料的新方法。人工智能可以秘密收集数据并访问全球用户的个人信息。这就是虚拟专用网络 (VPN) 看似必要的地方。 VPN 通过充当中间人来欺骗主机网站,使其认为您在其他地方。这意味着数据收集者无法准确读取您的地理、历史或个人信息。一旦您选择了您的 VPN协议,您就可以在一个看似不可能的世界中享受一定的匿名性。人工智能如何影响 VPN与不良行为者相比,人工智能对 VPN 技术更有利。 《网络安全技术杂志》的一项研究表明,人工智能和机器学习使现代 VPN 能够达到 90% 的准确率。简而言之,VPN 对于任何涉及网络安全意识的行动或对话都至关重要。这是通过基于人工智能的路由完成的,它允许互联网用户连接到离目标服务器最近的 VPN 服务器。这不仅优化了 ping,还通过允许流量留在网络内使连接更加安全。这也使用户更难跟踪。使用 AI 驱动的 VPN,基于家庭的网络更加安全。平均安全漏洞在家庭网络中与在企业基础设施中一样普遍。人工智能审查由于使用 AI 的 VPN 可以帮助对抗其他基于 AI 的算法,因此它们在规避审查方面发挥着特别重要的作用。审查制度在许多国家越来越普遍,VPN 的主要用途之一是欺骗主机服务器,使其认为您在其他地方。虽然这通常相当于访问某些地区不可用的流媒体平台,但这对于获取外部新闻、信息和网络服务来源也很重要。难怪在中国这样的地区经常使用 VPN,在这些地区,国家防火墙甚至阻止了谷歌、贝宝或亚马逊等公司的基本服务。VPN技术的变化尽管 VPN 现在可以提供什么,但 AI 驱动的 VPN 技术变革即将到来。未来版本的 VPN 将提供以下技术:指纹识别:允许 VPN 用户通过他们的 VPN 识别他们自己的流量和信息的功能。配置和设置速度升级:当前的 VPN 可能难以设置。人工智能驱动的配置协议将使这项任务变得更加容易。IP 隧道:加密比以往任何时候都好,但仍然只覆盖 IP 数据包内的数据。未来的 VPN 将覆盖所有 IP 数据包。检测:今天的 VPN 仅涵盖易于检测的流量,这就是为什么某些流媒体服务可以成功阻止用户在使用其服务时尝试使用 VPN。未来的 VPN 将更难检测,应该会缓解这些问题。人工智能和 VPN 隐私谈到人工智能,VPN 正在用火来灭火。机器学习可以帮助对抗在线 AI 威胁,这有助于提高您保持安全和隐私的能力。当您上网时,无论您喜欢与否,都会对您的行为进行跟踪和分类。每条信息本身似乎都平淡无奇,但是当合并时,您的在线角色就会变得明显。这就是为什么在浏览零售网站后,您经常会看到同一网站的广告。VPN 与人工智能相结合,有助于解决这一问题以及更多问题。互联网上的不良行为者可以使用这些信息来破坏您的安全文档或出于恶意目的侵犯您的隐私。借助 AI 帮助堵住这些漏洞,VPN 比以往任何时候都更加安全。安全必需品互联网技术的快速发展使得人们很容易忽视随之而来的潜在威胁。截至 2021 年,安全漏洞的平均损失超过 400 万美元,而且只会变得更糟。 VPN 技术与人工智能和机器学习相结合,是全球互联网用户应该开始认为必要的重要安全措施的一个例子。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
也许你还没有注意到,人工智能系统最近的表现越来越令人惊讶。例如, OpenAI 的新模型DALL-E 2可以根据简单的文本提示生成引人入胜的原始图像。像 DALL-E 这样的模型让人们更难否认人工智能具有创造力的概念。例如,考虑一下DALL-E对“一头穿着牛仔夹克的嘻哈奶牛在录音室录制热门单曲”的富有想象力的演绎。或者对于更抽象的示例,查看DALL-E对旧 Peter Thiel 行的解释“我们想要飞行汽车,而不是 140 个字符。”与此同时,DeepMind 最近宣布了一种名为Gato的新模型,它可以单枪匹马地执行数百种不同的任务,从玩电子游戏到进行对话,再到用机械臂堆叠现实世界的积木。几乎所有以前的 AI 模型都能够做一件事,而且只能做一件事——例如,下棋。因此,Gato 代表了朝着更广泛、更灵活的机器智能迈出的重要一步。而今天的大型语言模型 (LLM)——从 OpenAI 的 GPT-3 到 Google 的 PaLM 再到 Facebook 的 OPT——拥有令人眼花缭乱的语言能力。他们几乎可以就任何主题进行细微和深入的交谈。他们可以自己生成令人印象深刻的原创内容,从商业备忘录到诗歌。仅举一个最近的例子,GPT-3 最近撰写了一篇关于其自身的写得很好的学术论文,目前正在接受同行评审,以便在著名的科学期刊上发表。这些进步激发了人工智能社区关于技术发展方向的大胆猜测和热烈讨论。一些可靠的人工智能研究人员认为,我们现在距离“通用人工智能”(AGI)很近,这是一个经常讨论的基准,指的是强大、灵活的人工智能,可以在任何认知任务中胜过人类。上个月,一位名叫 Blake Lemoine 的 Google 工程师通过戏剧性地声称 Google 的大型语言模型LaMDA是有感知的而登上了头条新闻。对此类主张的抵制同样强烈,许多 AI 评论员立即 否定了这种可能性。那么,我们要如何看待人工智能领域最近取得的所有惊人进展呢?我们应该如何看待人工智能和人工智能感知等概念?关于这些主题的公共话语需要以几个重要的方式重新构建。认为超级智能人工智能即将到来的过度兴奋的狂热者,以及认为人工智能最近的发展只是炒作的不屑一顾的怀疑论者,在他们对现代人工智能的一些基本方面的思考中都偏离了标准。通用人工智能是一个不连贯的概念人们经常忽略的关于人工智能的一个基本原则是,人工智能从根本上不同于人类智能。将人工智能过于直接地类比为人类智能是错误的。今天的人工智能不仅仅是人类智能的一种“进化程度较低”的形式。明天的超先进人工智能也不会只是人类智能的更强大版本。许多不同的智能模式和维度是可能的。最好不要将人工智能视为对人类智能的不完美模仿,而是将其视为一种独特的、外星的智能形式,其轮廓和能力在基本方面与我们不同。为了使这一点更具体,简单地考虑一下今天的人工智能状态。今天的人工智能在某些领域远远超过了人类的能力——而在其他领域却远远落后于人类。举个例子:半个世纪以来, “蛋白质折叠问题”一直是生物学领域的一大挑战。简而言之,蛋白质折叠问题需要根据蛋白质的一维氨基酸序列预测蛋白质的三维形状。数十年来,世界上几代最聪明的人共同努力,未能解决这一挑战。2007 年的一位评论员将其描述为“现代科学中最重要但尚未解决的问题之一”。2020 年底,DeepMind 的一个名为 AlphaFold 的 AI 模型为蛋白质折叠问题提供了解决方案。正如长期从事蛋白质研究的 John Moult 所说,“这是历史上第一次由 AI 解决严重的科学问题。”破解蛋白质折叠之谜需要空间理解和高维推理形式,而这根本超出了人类思维的掌握范围。但并非超出现代机器学习系统的掌握范围。与此同时,任何健康的人类儿童都拥有远远超过世界上最复杂的人工智能的“具身智能”。从很小的时候起,人类就可以毫不费力地做一些事情,比如玩接球、走过陌生的地形,或者打开厨房的冰箱吃点零食。事实证明,人工智能很难掌握这些物理能力。这被封装在“莫拉维克悖论”中。正如 AI 研究员莫拉维克( Hans Moravec) 在 1980 年代所说:“让计算机在智力测试或下棋时表现出成人水平的表现相对容易,但很难或不可能让计算机具备一岁儿童的技能。感知和流动性。”莫拉维克对这个不直观的事实的解释是进化论的:“在人类大脑的大型、高度进化的感觉和运动部分中,编码了十亿年关于世界性质以及如何在其中生存的经验。[另一方面,]我们称之为高级推理的深思熟虑的过程,我相信,是人类思想的最薄薄的一层,它之所以有效,仅仅是因为它得到了这种更古老、更强大、虽然通常是无意识的感觉运动知识的支持。我们都是知觉和运动领域的杰出奥运选手,如此出色以至于我们让困难看起来很容易。”直到今天,机器人仍在与基本的身体能力作斗争。就在几周前,一组 DeepMind 研究人员在一篇新论文中写道:“与非常年幼的孩子相比,当前的人工智能系统对‘直觉物理学’的理解相形见绌。”这一切的结果是什么?没有通用人工智能这样的东西。AGI 既不可能也不不可能。相反,它作为一个概念是不连贯的。智能不是单一的、定义明确的、可概括的能力,甚至也不是一组特定的能力。在最高层次上,智能行为只是一个代理获取和使用有关其环境的知识来追求其目标。因为存在大量(理论上是无限的)不同类型的代理、环境和目标,所以智能可以通过无数种不同的方式表现出来。AI大神Yann LeCun总结得很好:“没有通用人工智能这种东西……即使是人类也是专用的。”将“通用”或“真正的”人工智能定义为可以做人类可以做的事情(但更好)的人工智能——认为人类智能是通用智能——是短视的以人为中心。如果我们将人类智能作为人工智能发展的最终锚和标准,我们将错过机器智能可能具备的所有强大、深刻、意想不到、对社会有益、完全非人类的能力。想象一下,一个人工智能对地球大气的组成有了原子级的理解,并且可以以极高的准确度动态预测整个系统将如何随着时间的推移而演变。想象一下,如果它可以设计出一种精确、安全的地球工程干预措施,我们在大气中的某些地方沉积一定数量的某些化合物,从而抵消人类持续碳排放造成的温室效应,从而减轻全球变暖对地球表面的影响。想象一下,一个人工智能可以将人体中的每一个生物和化学机制都细致入微地理解到分子水平。想象一下,如果它可以因此开出量身定制的饮食来优化每个人的健康,可以精确诊断任何疾病的根本原因,可以产生新的个性化疗法(即使它们还不存在)来治疗任何严重的疾病。想象一下,一个人工智能可以发明一种协议,以一种安全地产生比消耗更多的能量的方式融合原子核,从而将核聚变解锁为一种廉价、可持续、无限丰富的人类能源。所有这些场景在今天仍然是幻想,对于今天的人工智能来说是遥不可及的。关键在于,人工智能的真正潜力在于这样的道路——随着新型智能形式的发展,这些智能形式完全不同于人类所能做到的任何事情。如果人工智能能够实现这样的目标,谁会在乎它在整体上匹配人类能力的意义上是否是“通用的”?将我们自己定位于“通用人工智能”会限制和削弱这项技术的发展潜力。而且——因为人类智能不是一般智能,一般智能不存在——它首先在概念上是不连贯的。成为人工智能是什么感觉?这给我们带来了一个关于人工智能大局的相关话题,这个话题目前正受到公众的广泛关注:人工智能是否或者永远是有感知能力的问题。谷歌工程师 Blake Lemoine上个月公开断言谷歌的一个大型语言模型已经变得有意识,这引发了一波争议和评论浪潮。(在形成任何明确的意见之前,值得自己阅读Lemoine 和 AI 之间讨论的完整记录。)大多数人——尤其是人工智能专家——认为 Lemoine 的说法是错误的和不合理的。谷歌在官方回应中表示:“我们的团队已经审查了布莱克的担忧,并告知他证据不支持他的说法。” 斯坦福大学教授 Erik Brynjolfsson认为,感知人工智能可能还需要 50 年的时间。加里马库斯插话称 Lemoine 的说法是“胡说八道”,并得出结论说“这里没有什么可看的。”整个讨论的问题——包括专家轻描淡写的解雇——的问题在于,根据定义,感知的存在与否是不可证明的、不可证伪的、不可知的。当我们谈论感知时,我们指的是代理人的主观内在体验,而不是任何外在的智力表现。没有人——不是 Blake Lemoine、不是 Erik Brynjolfsson、不是 Gary Marcus——可以完全确定高度复杂的人工神经网络在内部体验或不体验什么。1974 年,哲学家托马斯·内格尔发表了一篇题为《成为蝙蝠是什么感觉?》的文章。作为 20 世纪最有影响力的哲学论文之一,这篇文章将众所周知的难以捉摸的意识概念归结为一个简单、直观的定义:如果有某种东西愿意成为那个代理人,那么代理人就是有意识的。例如,做我的隔壁邻居,甚至做他的狗都像是什么东西;但做他的邮箱一点也不像。该论文的一个关键信息是,不可能以有意义的方式确切地知道成为另一个生物体或物种的感觉。其他有机体或物种越不像我们,它的内部体验就越难以接近。内格尔以蝙蝠为例来说明这一点。他之所以选择蝙蝠,是因为作为哺乳动物,它们是高度复杂的生物,但它们对生活的体验与我们截然不同:它们会飞,它们使用声纳作为感知世界的主要手段,等等。正如 Nagel 所说(值得全文引用论文中的几段):“我们自己的经验为我们的想象力提供了基本材料,因此想象力的范围是有限的。试想一个人的胳膊上有蹼,使人在黄昏和黎明时可以飞来飞去,嘴里有虫子,这无济于事;一个人的视力很差,通过反射的高频声音信号系统感知周围的世界;那个人整天倒挂在阁楼上。“就我所能想象的(这不是很远)而言,它只告诉我像蝙蝠一样行事会是什么样子。但这不是问题。我想知道蝙蝠成为蝙蝠是什么感觉。然而,如果我试图想象这一点,我就会被限制在我自己的思想资源中,而这些资源不足以完成这项任务。我无法通过想象对我当前经验的补充,或者通过想象逐渐从中减去的片段,或者通过想象一些加法、减法和修改的组合来实现它。”与蝙蝠相比,人工神经网络对我们人类来说更加陌生和难以接近,蝙蝠至少是哺乳动物和碳基生命形式。同样,太多评论者在这个话题上犯的基本错误(通常甚至没有考虑过)是假设我们可以简单地将我们对人类感知或智能的期望映射到人工智能。我们无法以任何直接或第一手的方式确定甚至思考人工智能的内在体验。我们根本无法确定。那么,我们如何才能以富有成效的方式处理 AI 感知这个话题呢?我们可以从图灵(Alan Turing) 在 1950 年首次提出的图灵测试中获得灵感。图灵测试经常受到批评或误解,而且肯定是不完美的,它作为 AI 领域的参考点经受住了时间的考验,因为它捕捉到了某些基本见解关于机器智能的本质。图灵测试承认并接受了我们永远无法直接访问人工智能内部体验的现实。它的全部前提是,如果我们想衡量人工智能的智能,我们唯一的选择是观察它的行为,然后得出适当的推论。(需要明确的是,图灵关注的是评估机器的思考能力,而不一定是它的感知能力;不过,就我们的目的而言,相关的是基本原理。)侯世达(Douglas Hofstadter) 特别雄辩地阐述了这个想法:“你怎么知道当我与你交谈时,我内心正在发生任何类似于你所说的‘思考’的事情?图灵测试是一个了不起的探针——就像物理学中的粒子加速器。就像在物理学中一样,当您想了解原子或亚原子水平上发生的事情时,由于您无法直接看到它,因此您可以将加速粒子从相关目标上散射并观察它们的行为。由此您可以推断出目标的内部性质。图灵测试将这个想法延伸到头脑中。它将思想视为不直接可见但可以更抽象地推断其结构的“目标”。通过从目标头脑中‘分散’问题,你可以了解它的内部运作,就像在物理学中一样。”为了在关于人工智能感知的讨论中取得任何进展,我们必须将自己定位在可观察的表现上,作为内部体验的代理;否则,我们会在不严谨、空洞、死胡同的辩论中兜圈子。Erik Brynjolfsson 确信今天的人工智能没有感知能力。然而,他的评论表明他相信人工智能最终将是有感知的。当他遇到真正有感知力的人工智能时,他怎么会知道呢?他会寻找什么?你是你的所作所为在有关 AI 的辩论中,怀疑论者经常以简化的方式描述该技术,以淡化其能力。正如一位 AI 研究人员在回应 Blake Lemoine 新闻时所说的那样:“使用更高维度的参数函数从符号和数据处理中希望获得意识、理解或常识是很神秘的。” 在最近的一篇博客文章中,Gary Marcus 认为,今天的 AI 模型甚至都不是“远程智能的”,因为“它们所做的只是匹配模式并从海量统计数据库中提取数据。” 他认为 Google 的大型语言模型 LaMDA 只是“文字电子表格”。这种推理方式具有误导性,是微不足道的。毕竟,如果我们这样选择,我们可以以类似的简化方式构建人类智能:我们的大脑“只是”大量以特定方式相互连接的神经元,“只是”我们头骨内的基本化学反应的集合。但这没有抓住重点。人类智能的力量和魔力不在于特定的机制,而在于以某种方式产生的令人难以置信的涌现能力。简单的基本功能可以产生深刻的智力系统。最终,我们必须根据人工智能的能力来判断它。如果我们将五年前的人工智能状态与今天的技术状态进行比较,毫无疑问,由于自我监督学习等领域的突破,其能力和深度以显着(并且仍在加速)的方式扩展,变压器和强化学习。人工智能不像人类智能。人工智能何时以及是否会变得有感知力——在 Nagel 的表述中,它何时以及是否曾经“像某样东西”成为一个人工智能——它将无法与成为人类的情况相提并论。人工智能是它自己独特的、陌生的、迷人的、快速发展的认知形式。重要的是人工智能可以实现什么。在基础科学(如 AlphaFold)方面取得突破,应对气候变化等物种层面的挑战,促进人类健康和长寿,加深我们对宇宙如何运作的理解——这些结果是对 AI 力量和复杂性的真正考验。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
将人工智能(AI)引入医学领域,是当今医疗健康中倾向性较强的前瞻性探索之一。目前人工智能技术正在医学领域大显身手,其应用前景十分广阔;正如国际知名学者周海中教授曾经指出的那样:“随着社会的发展和科技的进步,人工智能技术将在医疗健康领域大显身手;其成果会不断涌现,应用前景令人期待。”与大数据和物联网一样,人工智能技术将成为未来医学发展的核心要素之一。人工智能技术在医学领域的应用,意味着全世界的人都能得到更为普惠的医疗救助,获得更好的诊断、更安全的微创手术、更短的等待时间和更低的感染率,并且还能提高每个人的长期存活率。人工智能技术的具体应用包括洞察与风险管理、医学研究、医学影像与诊断、生活方式管理与监督、精神健康、护理、急救室与医院管理、药物挖掘、虚拟助理等方面。总体来看,目前人工智能技术在医学领域的应用主要集中于以下五个方面:1.智能诊疗智能诊疗就是将人工智能技术应用于疾病诊疗中,让机器“学习”专家级医师的医疗经验和医学文献知识,模拟诊疗时的思维逻辑,并在实际应用时给出方案。计算机可以帮助医生进行病理,体检报告等的统计,通过大数据和深度挖掘等技术,对病人的医疗数据进行分析和挖掘,自动识别病人的临床变量和指标。计算机通过“学习”相关的专业知识,模拟医生的思维和诊断推理,从而给出可靠诊断和治疗方案。智能诊疗是人工智能总体来看,在医学领域最重要、也最核心的应用场景。随着它在实际场景中落地,人工智能技术将成为医生的辅助,让医生更加轻松高效地治病救人。另外,医生可以利用人工智能技术模拟医患沟通,智能采集患者病情生成病历报告。在某些特定的诊断领域,人工智能的未来有着巨大的发展潜力。例如科学家最新设计的一种新型人工智能通过筛选大脑成像数据来发现与自闭症、精神分裂症和阿尔茨海默症相关的模式,该模式可以检测到精神疾病的征兆信号。2.影像识别传统医疗场景中,培养出优秀的医学影像专业医生,所用时间长,投入成本大。另外,人工读片时主观性太大,信息和数字利用不足,在判断过程中容易出现差错。有研究统计,医疗数据中有超过90%的数据来自于医学影像,但是影像诊断过于依赖人的主观意识,容易发生误判。人工智能在医学影像应用主要分为两部分:一是图像识别,应用于感知环节,其主要目的是将影像进行分析,获取一些有意义的信息;二是深度学习,应用于学习和分析环节,通过大量的影像数据和诊断数据,不断对神经元网络进行深度学习训练,促使其掌握诊断能力。人工智能通过大量学习医学影像,可以帮助医生进行病灶区域定位,减少漏诊、误诊,提升诊断的准确率和效率。大数据与人工智能将被用于精准识别医学影像中的早期病灶,定位致病基因并开展相应的靶向治疗,以及提前预警重大健康风险等。3.医疗器械医疗器械方面主要有医用智能机器人;这种器械的应用非常广泛,比如智能假肢、外骨骼和辅助设备等技术修复人类受损身体,医疗保健机器人辅助医护人员的工作等。目前实践中的医用智能机器人主要有两种:一是能够读取人体神经信号的医用智能机器人,也成为“智能外骨骼”;二是能够承担手术或医疗保健功能的医用智能机器人,以IBM开发的达芬奇手术机器人为典型代表。近年来,医用智能机器人发展十分迅速,进入了市场应用。医用智能机器人未来发展趋势主要有四点:一是精确医学理念进一步发展,二是医工研用全要素协同创新成为必然,三是金融资本在医用智能机器人产业中起着越来越大的作用,四是专用型的医疗机器人将成为产品发展趋势;这种趋势将与日俱增。4.药物研发依托数百万患者的大数据信息,人工智能系统可以快速、准确的挖掘和筛选出适合的药物。通过计算机模拟,人工智能技术可以对药物活性、安全性和副作用进行预测,找出与疾病匹配的最佳药物。这一技术将会缩短药物研发周期、降低新药成本并且提高新药的研发成功率,更好造福患者。人工智能技术不仅能够挖掘出不易被发现的隐性关系,构建药物、疾病和基因之间的深层次关系;也可以对候选化合物进行虚拟筛选,更快地筛选出具有较高活性的化合物,为后期临床试验做准备。借助深度学习,人工智能技术已在心血管药、抗肿瘤药和常见传染病治疗药等多领域取得了新突破。尤其是在抗击新冠肺炎(COVID-19)中,人工智能技术在疫苗研发方面发挥了十分重要的作用。5.健康管理根据人工智能技术而建造的智能设备可以监测到人们的一些基本身体特征,如饮食、睡眠、身体健康指数等。对身体素质进行简单的评估,提供个性的健康管理方案,及时识别疾病发生的风险,提醒用户注意自己的身体健康安全。目前人工智能技术在健康管理方面的应用主要在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。尤其在血糖管理、血压管理、用药提醒、健康要素监测等方面,人工智能技术可以提供常态化、精细化的指导,为特定群体提供全方位、全周期的健康服务。这些,不仅有利于加强疾病预防、提高慢病管理效率,也能提升公众的健康观念,从根本上节省全社会的医疗成本。由以上五个方面的论述可以看出,人工智能技术正在医学领域大显身手;这将使人们的医疗健康更加高效、便捷和个性化,而它的推动者主要是在医疗健康行业深耕细作多年的科技人员。可以肯定的是,人工智能技术的蓬勃发展,推动了医学的进步和发展,为精准医学和公共健康开拓了广阔空间,增强了人类战胜各种疾病的信心和勇气。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
众所周知,深度学习模型对数据的需求量很大。为深度学习模型提供的数据越多,它们的表现就越好。遗憾的是,在大多数实际情形下,这是不可能的。您可能没有足够的数据,或者数据过于昂贵而无法收集。本文将讨论在不用更多数据的情况下改进深度学习模型的三种方法。为什么深度学习需要这么多数据?深度学习模型之所以引人注目,是由于它们可以学习了解复杂的关系。深度学习模型包含多个层。每一层都学习了解复杂性逐步递增的数据表示。第一层可能学习检测简单的模式,比如边缘。第二层可能学习查看这些边缘的模式,比如形状。第三层可能学习识别由这些形状组成的对象,依此类推。每层由一系列神经元组成,它们又连接到前一层中的每个神经元。所有这些层和神经元意味着有大量参数需要优化。所以好的方面是深度学习模型拥有强大的功能。但不好的方面意味着它们容易过拟合。过拟合是指模型在训练数据中捕捉到过多的干扰信号,无法适用于新数据。有了足够的数据,深度学习模型可以学习检测非常复杂的关系。不过,如果您没有足够的数据,深度学习模型将无法理解这些复杂的关系。我们必须有足够的数据,那样深度学习模型才能学习。但是如果不太可能收集更多的数据,我们有几种技术可以克服:1、迁移学习有助于用小数据集训练深度学习模型。迁移学习是一种机器学习技术,您可以拿来针对一个问题训练的模型,将其用作解决相关的不同问题的起点。比如说,您可以拿来针对庞大狗图像数据集训练的模型,并将其用作训练模型以识别狗品种的起点。但愿第一个模型学到的特征可以被重用,从而节省时间和资源。至于两种应用有多大不同,没有相应的经验法则。但是,即使原始数据集和新数据集大不相同,照样可以使用迁移学习。比如说,您可以拿来针对猫图像训练的模型,并将其用作训练模型以识别骆驼类型的起点。但愿在第一个模型中找出四条腿的功能可能有助于识别骆驼。2、尝试数据增强数据增强是一种技术,您可以拿现有数据生成新的合成数据。比如说,如果您有一个狗图像数据集,可以使用数据增强来生成新的狗图片。您可以通过随机裁剪图像、水平翻转、添加噪点及其他几种技术做到这一点。如果您有一个小数据集,数据增强大有益处。通过生成新数据,可以人为地增加数据集的大小,为您的深度学习模型提供更多可使用的数据。3、使用自动编码器自动编码器是一种用于学习低维度数据表示的深度学习模型。当您有一个小数据集时,自动编码器很有用,因为它们可以学习将您的数据压缩到低维度空间中。有许多不同类型的自动编码器。变分自动编码器(VAE)是一种流行的自动编码器。VAE是一种生成式模型,这意味着它们可以生成新数据。这大有帮助,因为您可以使用VAE生成类似于训练数据的新数据点。这是增加数据集大小而无需实际收集更多数据的好方法。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
调查表明,如今许多企业都大量采用了人工智能解决方案。然而,并不是很多组织完全由人工智能运行,但人工智能应用的数量和水平一直在增加。许多人准备采用人工智能这一事实预示着人工智能的未来以及未来几年可能产生的结果。人工智能应用采用率增加的原因有很多,其中包括:他们希望是让产品开发更加人性化;将用户需求放在流程的中心,而不是期望他们调整围绕产品工作的方式。改善数据支持决策的愿望。提升客户和员工体验。建设和加强竞争力。下面列出了 2022 年的 10 个 AI 趋势:自动化机器学习或 AutoML—迭代任务,即创建、测试和修改事物的过程也是自动化的。它涵盖了从非常基本的原材料到开发将要实施的 ML 模型的整个过程。 在这个领域出现了很多趋势,例如,改进的数据标记工具和神经网络架构的自动调整。 这可能会鼓励更多地采用人工智能,因为成本可能会降低。在此之后,下一步很可能是XOps以及诸如PlatformOPs、MLOps和数据ops等流程的改进。使用 AI 进行设计 - 从文本中创建新图像。创造可以大规模生产的创新设计。多模态—随着人工智能的成长和发展,机器学习模型能够支持多模态。这些包括物联网传感器数据、文本、语音和视觉。这被用于执行常规任务,例如理解文档。这可以广泛使用。它可以在医学领域大有裨益,特别是在医学诊断中,其中包括光学字符识别和机器视觉等多模态技术。Tiny ML – AI 和 ML 现在可以在各种尺寸的许多设备中找到。Tiny ML 现在非常流行,例如在为汽车、冰箱和公用事业仪表供电的微控制器中 。可以针对声音、手势、生命体征和环境因素进行具体分析。Tiny ML 的安全和管理解决方案需要进一步开发,以使其更有效。多目标模型– 目前,人工智能模型在任何给定时间都是为单一目的而开发的。未来,能够执行多项任务的多任务模型将成为可能。届时, 由于采用了更具包容性的任务方法,人工智能模型的结果将得到改善。为员工提供更好的体验— 人工智能将通过消除许多重复性更高的工作来减轻员工的负担,这些工作通常需要更多的人力来完成任务。 这将更好地利用资源,降低人员成本,并有助于确保企业能够更有效地工作。民主化的人工智能—今天使用人工智能工具不一定需要技术技能。因此,这意味着任何人,包括所有那些非技术人员,都可以使用人工智能工具并创建人工智能模型。这意味着 主题专家将能够更多地参与人工智能开发过程,从而加快上市时间。负责任的人工智能—人工智能 的 发展受到高度监管。GDPR 和 CCPA 法规确保 AI 透明度,因为将个人和私人数据用于基本决策。开发人工智能算法也意味着 负责任的人工智能 将很重要。Quantum ML—由于使用了量子计算,强大的人工智能和机器学习模型正在成为一种可能。现在我们发现 微软、IBM 和亚马逊等云提供商正在提供量子计算资源和模拟器,使企业能够找到尚未发现的问题的解决方案。成熟的数字双胞胎 — 模拟现实的虚拟模型,在复制人类行为方面非常受欢迎。 他们有可能预测未来并提出不同的答案或解决方案。将数字孪生与更传统的工业模式和基于 AI 的基于代理的模拟相结合,可用于 ESG 建模、智慧城市和药物设计等其他应用。用于医疗用途的 AI 示例最近在加拿大进行了一项研究,其中一组研究人员能够证明,通过使用人工智能深度学习,他们能够识别出生缺陷。该研究发表在科学期刊 Plos One 上,并报告称“深度学习算法有可能早在孕早期超声检查中检测到囊性水瘤等缺陷”。这种情况会危及生命,因为它会导致胚胎头部周围积聚液体。可以在不使用人工智能的情况下在出生前诊断出这种情况,但研究确实表明,通过超声波扫描,人工智能模式确实在 93% 的情况下识别出这种情况。人工智能改善了结果,越来越多的企业和组织正在对其进行投资。人工智能现在被跨职能使用,并正在改善决策。但是,为了实现目标,技术团队和相关主题之间需要协作。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
随着互联网的高速发展,传统线下零售渠道开始出现发展疲软的状况,中国零售业此刻亟需一剂“助推剂”。AI(人工智能)技术的发展或许会成为零售产业未来发展的良方之一。AI技术可以改变对零售商品及消费者数据的采集、分析和价值应用形式,加速促进零售业“人、货、场”的环状结构优化,从而重构消费者关系,刺激消费需求。目前,“AI+零售”仍处于探索阶段,随着零售企业数字化基础设施水平的提高,AI技术将为零售企业的智能化改革带来更大的想象空间,助推行业整体价值增长。NO.1 无人超市即拿即走在我国很多城市,无人超市已经落地生根,分布在一些热门商圈或是商业广场周围。与传统超市相比,无人超市无需配置理货、收银等人员,在人力成本投入方面几乎为零,而消费者也只需要利用移动支付方式进行支付,甚至是即拿即走,可谓十分便利。便利的背后,是科技力量的支撑。据悉,无人超市采用了多种识别技术,包括人脸识别等生物识别技术以及机器识别等智能识别技术。无人超市内的商品都有条形码或者RFID标签,能够为消费者提供便捷的结算体验。同时,人脸识别等生物识别技术既可以为无人超市提供安全保障,也可以成为新的支付方式。人工智能技术除了体现在识别方面,还应用于无人超市的运营数据采集、分析方面。通过借助人工智能技术分析用户数据,能够及时、快速了解商品的销售情况以及顾客喜好,从而提升采购精准度,提升实际运营利润,并为消费者提供更好的消费服务。图片NO.2 无人配送提高效率无人车、无人机、无人仓、无人站、配送机器人等“无人科技”正成为电商、外卖、物流的新宠儿,在新技术的重构下,“低头下订单,抬头收快递”的生活方式成为可能。无人机解决偏远山村地区配送的最后一公里、无人车解决城市最后一公里、配送机器人深入园区楼宇,根据不同环境匹配不同的解决方案进行批量送货,提升配送效率……这是智慧物流走出无人仓后的实践,也是现阶段所能达到的无人配送,而无人配送的终极目标是,改造传统的物流体系架构,彻底实现智慧物流下的无人运作。NO.3 智能客服未来可期受益于AI和云计算等技术的不断发展,以自然语言处理技术为代表的智能客服系统在零售企业中的应用不断增加,覆盖售前、售中及售后全过程。7×24小时的服务可高效、高质量地满足消费者商品咨询、自助购物、订单查询、物流跟踪、自动退换货等需求,提高消费者满意度,提升店铺询单转化率,节省客服人力成本50%以上。在此基础上,智能客服系统同时可采集消费者信息标签,洞察用户行为,为精准营销、智能化运营等环节提供数据支撑。另随着语音交互技术的不断发展,越来越多的消费者交互行为也通过语音进行,语音机器人、智能外呼等服务场景也逐渐丰富。 NO.4 消费者识别分析传统线下零售场景缺少对消费者信息采集和分析的有效手段。除交易数据外,消费者分维度的精细数据、购物过程数据及数据整合分析的价值一直未被挖掘。依托机器视觉技术以消费者为主要识别对象,通过摄像头采集人脸、动作、轨迹等信息,辅以对商品图像信息的识别分析,可帮助零售企业整合“人、货、场”数据,形成完整的用户画像和消费者洞察。 此外,虚拟试装/妆这一针对消费者的视觉解决方案也逐步通过手机APP或线下智慧大屏等方式落地应用,为消费者提供定制化的产品展示效果、节省品牌商试用装成本、拓宽商品触达消费者的渠道、优化消费者购物体验,从而有效提高转化率及降低品牌商成本。另外,线下零售门店相比电商,在消费者行为洞察上缺少必要的信息获取手段,现在可以通过智能摄像头为信息采集入口,通过采集消费者人脸、面部表情、衣着、体态、发型等信息,实现在线下零售场景对消费者的全流程感知。目前受线下零售场景头部集中程度和IT建设基础等因素影响,基于视觉的消费者行为洞察解决方案在4S店、家电3C店、大型商业地产等零售业态实验落地。未来,随着算力升级、技术发展带来的算法成本降低、市场需求度提升等利好因素,基于视觉的消费者行为洞察解决方案落地规模将逐步增加。 NO.5 支付方式升级一些商家采用自动结算的方式,降低门店的人工成本。例如,使用RFID技术,将RFID的标签贴在商品上,通过智能结算通道,识别商品RFID标签信息,识别完成后,再由手机系统自动扣除商品款项,完成支付。结算完成后即可开门离开商店。除此之外,还可以利用图像识别技术,直接识别商品的价格信息,免去标签的制作成本,缩短商品识别的等待时间。结·语综合来说,“AI+零售”解决方案的落地效果提升,需要依托海量数据对算法进行优化并在实际落地过程中打磨方案逻辑,以便“解决真实需求、真实解决需求”。以零售巨头为代表,正大力推进零售科技的生态体系建设并对AI的投入程度愈来愈重。最后值得关注的是,为满足零售企业智能化转型及降本增效等需求,物联网、5G等新兴技术一方面可为AI解决方案助力、达成共赢,另一方面项目落地经验、算法优势和生态体系建设仍然是AI发展竞争力的核心。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
机器学习将显著地改变数据中心经济,并为改善未来铺平道路。随着机架开始装满ASIC、GPU、FPGA和超级计算机,机器学习和人工智能已经进入数据中心,并正在改变超大规模服务器场的外观。这些技术提高了可用于训练机器学习系统的计算机能力,这是一项以前需要大量数据处理的任务。最终目标是构建更智能的应用程序并增强企业已经每天使用的服务。仅仅依靠人类判断和常识将远远达不到所需的精确度和有效性标准。满足大规模IT服务需求的唯一可持续方法是完全转向数据驱动的决策,并使用所有数据来改善结果。由于行业厂商提供数据中心管理软件或利用该技术的基于云的服务的供应商的可用性,一些企业或托管服务提供商没有相同规模或专业知识已成为机器学习的早期采用者。根据IDC公司的数据,到2022年,由于嵌入式人工智能技术,数据中心50%的IT资产将独立运行。许多整体运营,包括规划和设计、工作负载、正常运行时间和成本管理,都可以使用机器学习在数据中心进行优化。以下是当今数据中心管理中机器学习的一些最大用例:提高数据中心的效率:企业可以使用机器学习来自主管理其数据中心的物理环境,而不是依赖软件警报。这将涉及软件实时更改数据中心的架构和物理布局。容量规划:数据中心的机器学习可以帮助IT公司预测需求,这样他们就不会耗尽空间、电力、冷却或IT资源。算法可以帮助公司确定转移如何影响设施的容量,例如,如果它正在整合数据中心并将应用程序和数据移动到中央数据中心。降低运营风险:防止停机是数据中心运营商的一项关键任务,机器学习可以更容易地预测和预防。数据中心管理中的机器学习软件跟踪关键组件的性能数据,如冷却和电源管理系统,并预测设备何时可能出现故障。因此,可以对这些系统进行预防性维护并避免代价高昂的停机。使用智能数据减少客户流失:公司可以在数据中心使用机器学习来更好地了解他们的客户,并可能预测客户行为。通过将机器学习软件与客户关系管理(CRM)系统集成,人工智能驱动的数据中心可能能够从历史数据库中搜索和检索通常不用于CRM的数据,这将使CRM系统能够开发新的潜在客户或客户成功策略。预算影响分析和建模:该技术将来自数据中心的运营和性能数据与财务数据(尤其是适用税收信息)相结合,以帮助确定购买和维护IT设备的价格。机器学习可以检查数TB的历史数据,并在几分之一秒内将参数应用于其决策,因为它的行动速度比任何人都快。当您跟踪数据中心中的所有活动时,这很有帮助。供应商和数据中心运营商利用机器学习解决的两个主要问题是提高效率和降低风险。例如,拥有200多个数据中心的全球最大托管服务提供商DigitalRealtyTrust最近开始测试机器学习技术。人类消耗和处理维持基础设施所需的大量底层系统、设备和数据的能力很快就会耗尽。由于其卓越的实时处理、反应、沟通和决策能力,DigitalRealty将从中受益。基本结论是,数据中心运营商在利用人工智能和机器学习方面有很多选择,而且随着技术变得更加实惠和先进,将会有更多选择。美好的未来就在眼前。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
近年来,人工智能从一项新兴技术渐渐转变为一种必需品。重点已经转向人工智能转型,为更大规模的企业问题寻找解决方案。尽管人工智能是一个伟大的推动者,但科学项目和概念验证的时间正在迅速耗尽。预计在2022年,人工智能业务的规模、战略重要性和任务关键性将不断增长,并强调长期可扩展性。在电气与电子工程师协会最近一项名为“2022年最重要的技术”的研究中,95%的首席信息官、首席技术官和技术领导者都认为,在未来一到五年内,人工智能将是几乎所有行业领域创新的主要驱动力。大多数首席信息官会发现这很难处理。在科技巨头之外,许多商业IT公司仍在学习人工智能的知识。因为人工智能具有广泛的应用,首席信息官面临的主要问题之一是确保他们的投资流向能够产生最高回报率的用例。值得关注的人工智能趋势在这种背景下,领导者们今年应该密切关注人工智能的几个发展趋势。具体如下:数据之争是首要议题大多数企业仍处于人工智能发展的早期阶段。这些企业必须构建尖端的数据库。大多数人工智能模型都是海量数据的消费者,因此企业必须开发适应性强的数据库,能够扩展以容纳数千个数据源。此类模型可以整合结构化和非结构化数据,并将其交付给可信和有意义的数据科学家。对于更可扩展性的数据,必须补充提取、转换和加载传统的数据仓库技术和关系存储,并且在许多情况下,必须提供数据流进行实时处理。自动化的过程发现促进了机器人流程自动化的工作世界将变得更加有序。使用现代流程发现技术,业务领导可能会看到其企业内部的自动化潜力。这些技术将提供通过其他方法无法获得的与流程相关的洞察力,即使它们不仅仅专注于自动化前景。流程挖掘、任务挖掘和新兴的对话挖掘技术促进了精益化发展,为公司提供了更自主的方式来构建机器人过程自动化通道。这些技术的未来进步将显着增加智能自动化的使用。人工智能使有效的供应链成为可能在未来,智能供应链应用应该成为常态,而不是例外。从供需预测到数字化制造和物流,供应链需要不断改变,需要人工智能支持,最重要的是,要经得起未来的考验。人才短缺威胁进步鉴于人工智能市场的快速发展,有效的人员管理已经成为商业IT公司的关键差异化因素。这必须包括一流的招聘和保留相关的工作,以支持包容和终身学习文化。对于那些拥有人工智能技能的人来说,市场的竞争从未如此激烈,预计这一趋势将持续数年。因此,所有类型的企业和行业都需要战略联盟。人工智能改变IT生产力未来的IT环境将过于强大和复杂,以至于人类技术专业人员无法单独处理。首席信息官创建的当代系统的管理将是人工智能部署兴起的另一个领域。人们不能只运行这些系统。人工智能将实现这些系统所需的可观测性、干预性和深入分析。鉴于人们对生成式人工智能的兴趣日益浓厚,期待在应用开发方面的业务帮助。在2022年,首席信息官们还将评估人工智能对工程部门内开发人员生产力的深远影响。尽管最近取得了重大进展,但在这一领域已经进行了长期研究。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
建立AI人才和项目渠道不仅需要教育价值,还需要技术价值。为此,由世界知名科学顾问领导的卓越人工智能中心是必要的。当政府和基层倡议参与进来时,就会出现更强大的人工智能生态系统。人工智能生态系统作为价值网络实现,为利益相关者重新设计进入人工智能的门槛,提供参与路径。人工智能作为经济增长催化剂的好处在世界各地的城市分布不均。因此,其的人才也是如此。我们所知道的波士顿、硅谷、多伦多等的人工智能中心并不存在于美国的中心地带,也不存在于全球的新兴或前沿市场。这些人工智能中心都由世界上一些最伟大的学习机构支撑,由吸引全球人才的科学顾问领导。没有这样一个人工智能生态系统,将无法培养出下一代AI人才。在人工智能的发展中,虽然技术和算法已经商品化,但能够为人工智能问题创造解决方案的熟练工人是最重要的因素。需要一整代具有AI能力的工人。这一代人才将支持国家在航空航天、国防、教育、住房、交通、公共安全、供应链、制造业和许多其他对国家安全至关重要的行业的利益。现在支持下一代AI人才正如JohnF.Kennedy所表示的,要在阳光灿烂的时候修理屋顶。所有迹象都表明,美国人工智能的成就是光明的。同时,为了保持这一领先地位,现在是培养下一代AI人才的时候了。根据斯坦福大学《2022年人工智能指数报告》,美国是人工智能领域的全球领导者,因为其涉及出版物、资本投入、会议引用、净新投资公司和接受的专利。如果我们把美国设定为人工智能生态系统的北极星,就可以发现新兴科技中心发展当地生态系统的机会。根据斯坦福大学《2022年人工智能指数报告》,2021年美国政府在国防部人工智能合同上的支出最高,国家科学基金会(NSF)的支出最低。各国政府的作用国家政府需要为基层人工智能 生态系统做出贡献。人工智能生态系统中的每一个利益相关者都在构建从地方政府到联邦政策的价值网络。一个人工智能 生态系统由8个利益相关者组成,其都有不同的目标。为了让这些利益相关者实现其目标,就需要政府的支持。各国政府的具体作用是立即在研究生院层面,以及在k-12课程中承认人工智能学位和教育。想象一下,如果政府教育部门不承认医学、法律或教学学位?教育系统将无法运转。但矛盾的是,教育部门需要建立内部专业知识,才能识别此类人工智能学位。人工智能生态系统和培养下一代AI人才的方法不能被划分开来。人工智能研讨会、证书和训练营没有教育价值,其没有建立从业者级别的技能。为什么AI人才发展和人工智能学位没有像医学或法律学位一样严格和标准?必须从标准化人工智能学位开始——支持由基层组织领导的卓越人工智能中心。作为关心培养下一代AI人才的企业家和利益相关者,迫不及待地希望政府采取行动来建立本地化的人工智能生态系统。必须围绕已经存在于当地学术界的知识基础设施进行建设。为了使人工智能教育有效,必须从这些社区中产生通过8个利益相关者模式参与的卓越中心。这是一种自下而上的方法,为人工智能教育带来价值。现在需要行动起来,找出当地生态系统中的空白,作为创业机会来增加价值。因此,每个地区的技术和学术界必须联合起来,建立各自卓越的人工智能中心。但这必须与所有受过教育并相信人工智能技术能力的利益相关者以一种综合的方式完成。这意味着与业界合作,建立信任,解决可以用人工智能解决的本地问题。没有教育,我们将无法在人工智能领域处于领先地位。这就是为什么为该学科的学术体系带来价值是至关重要的。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
机器视觉技术,涉及计算机科学、人工智能、信号处理、图像处理、机器学习、光学、自动化等多个领域。近年来,随着工业智能化的迅速发展,机器视觉技术被广泛应用于工业生产各领域,其作为一种现代化检测手段,越来越受到重视。机器视觉通过光学设备和传感器获取到目标物体的图像信息,然后将图像信息转化成数字化信息,进而通过计算机分析数据显示在电子屏幕上或者通过控制单元指导机器完成任务。机器视觉偏重于信息技术工程化和自动化,但又构建在计算机技术视觉效果方法论的基础上,它的重点是感知目标物体的位置信息、大小形态、颜色信息及存在状态等数据信息。一、工业机器视觉产业链不断完善当前,中国机器视觉产业仍处于发展初期,从产业链来看,可以分为上游零部件及软件、中游工业机器视觉装备、和下游系统解决方案及应用三大环节。上游零部件及软件企业整体规模实力和技术水平仍有待提高,中游工业机器视觉装备需要持续提高产品的综合性能,不断提升产品的智能化水平,下游主要应用行业在半导体、消费电子和汽车领域。二、工业机器视觉技术产品加速迭代推动应用更加深入政策加力支持和需求持续增长为工业机器视觉创造良好发展环境。一方面,国家和地方政府出台了一系列政策支持工业机器视觉的发展,如《“十四五”智能制造发展规划》部署了“加强自主供给,壮大产业体系新优势”等4大重点任务,并在“智能制造装备创新发展行动”中重点强调研发高分辨率视觉传感器等基础零部件和装置,体现了对工业机器视觉产业的重视和支持。另一方面,中国国民经济延续恢复发展态势,2022年一季度全国规上工业增加值同比增长6.5%,规上工业企业利润增长8.5%,作为工业机器视觉重点应用领域的新能源汽车产量同比增长140.8%、工业机器人产量增长同比增长10.2%,下游应用领域的持续增长为机器视觉的应用带来更大的发展空间。工业场景对机器视觉技术的需求持续推动着工业机器视觉产品向标准化、模块化方向发展。工业机器视觉客户的使用需求丰富多样,具有较大特异性,客户均希望供应商针对自身需求进行一定程度的定制优化。因此,对工业机器视觉定制化产品的开发速度直接决定了企业业绩的增长速度。为解决这一痛点,业内领先企业大力推动产品标准化、模块化发展,从非标的产品中尽可能地组合出标准化的模块,再由标准化的模块向客户输出解决方案,由此来提高自身产品和存货的周转率,提高企业对外供给解决方案的能力,进而提高企业的运营效率。工业机器视觉的技术水平已成为直接影响多种装备进一步智能化发展的关键因素。近年来,机器人、无人机等装备的智能化水平不断提高、应用场景不断丰富,对工业机器视觉解决方案的综合性能提出了更高、更紧迫的需求。例如,石化巡检机器人在化工厂区巡逻的过程中,需要对复杂管线的“跑冒滴漏”等问题进行精准识别,而识别的及时性和精准性直接决定了石化巡检机器人的实用性和该类型机器人的市场前景。又例如,在煤矸石处理产线上,机器人不仅要对煤矸石的位置、大小进行识别,还需要对重量不一、形状各异的煤矸石找出最合适的夹取位置、判断机械爪施加夹取力的大小,这样才能真正有效的代替人工作业。三、机器视觉在工业机器人中的应用工业机器人是现代科技的主要代表技术,工业机器人以其方便精确,省时省力,而被广泛应用于家电、电子、服装、汽车、食品、等行业。随着现代科技的高速发展,高标准、高效率已经成为众多企业追求的目标,在这种发展背景下,工业机器人应运而生。其中让笔者印象深刻的就是京东自动化机器人仓库,硕大的仓库里面成千上万的机器人不停地在货架之间来回运动,将物品分类、投放、运输。在工业机器人领域中机器视觉具有如下功能。(1)定位和控制。现代工厂生产要求机器视觉系统能够快速,准确地找到目标物并确认其位置。然后使用机器视觉进行定位,并引导机械手臂去准确地抓取。(2)识别。主要利用机器视觉获取图像,然后对图像进行处理、分析和理解,以识别各种状态的目标和对象,用于跟踪和收集数据。一般的机器识别系统借助照相机完成。(3)检测。检测生产线上产品的质量,这也是取代人工最多的环节。在工业领域,主要检查包括尺寸大小检测,瓶子外观缺陷检测,瓶口缺陷检测,残次品检测等。(4)高精度检查。在工业生产中,一些精密的电子设备零件需要较高的精度,例如计算机、手机上高度集成的电子电路板,有些可达到精度0.01mm甚至μm级,人眼无法识别这些小的元器件,因此必须使用机器来完成。(5)分拣与搬运。现代工业生产与运转过程中,不可避免都会有一些分拣的工作,而传统利用人力进行分拣工作的方式存在较大局限,但视觉机器人的应用可以极大地提高工业生产的效率及工作精确度,进而解放了人们的双手。机器视觉系技术在机器人的应用中起到一个核心内容的作用。机器视觉中最关键的一项就是:怎样让机器人对运动目标物进行准确识别。视觉系统技术可以解决这一难题,加入视觉系统技术,可以使机器人对目标物进行实时的运动跟踪与检测,进而准确的确定目标物的位置与方向,确保机器人对其的准确定位。机器人视觉系统的工作主要分为4个部分:相机定位、图像分析与处理、目标物状态识别及机器人的动作操控。先利用相机定位对目标物建立运动坐标系,获取物体坐标;然后将获取的目标物分图像进行分析和处理;状态识别以图像分析为基础,对目标物的状态进行分析和处理,从而根据图像处理与分析的结果操控机器人的动作行为。工业机器人的使用是现代工业相对于传统工业的伟大进步与发展,其解决了传统工业成本高、效率低、耗时长等缺点,将人们双手解放出来,让现代化的工业生产更加自动化、智能化。四、机器视觉在工业控制领域的应用现代化的工业生产大多倾向机械一体化,例如,薯片的生产,从土豆的清洗,到最后薯片的装袋、封口,都不需要人为参与。当然有的人要说这样生产出来的东西没有人情味,但是我想说机械一体化的生产方式或许将是未来所有工业生产的大趋所示,其优点不在赘述。那么,怎么才能控制机械化生产呢?这就要用到机器视觉技术来控制机器生产。机器视觉控制器,因其具备出色的处理能力,可在10s以内高速完成最多128个点的检测,强大的处理能力可以直接影响可运行的算法以及视觉系统做出决策的速度。为了减少图像处理的时间,一些工厂现在使用同构处理来运行视觉算法。另外,现在的一些机器视觉控制器还具有用于网络连接的专用以太网端口以及用于连接外部数据存储器的端口。通过工厂连接功能,工作人员可以实现在办公室检测产品生产,查看图像,还可以实时回放,极大的方便了工厂的生产。这种直接进行工业一体化生产的方式在慢慢的取代传统生产方式,相信在未来的工业发展中,一大部分工厂将利用机器视觉控制实现工厂一体化生产。五、机器视觉在工业质量检测中的应用在现代化工业生产过程中,目标检测多种多样,市场需求相对较大。比如,检测机械零件大小是否达标、辨别条形码或包装条码、测试商品的外表缺陷、瓶口缺陷、打印缺陷等等。这些应用均需大批量测试,并且都是高精度的测试,人眼识别在这些检测中处于劣势,如果仅仅通过人工,耗时可想而知。在啤酒瓶的生产过程中,瓶子大小以及外观是否有缺陷等这些都需要经过质量检测。一些工厂一天就会生产成千上万的啤酒瓶,如果都利用人工来处理,是让人无法胜任的。而且一般人眼一直盯着同样的物体检测,时间长了,会造成视觉疲劳,进而导致残次品率高,工作效率低下。不仅如此,一些工厂还要花费大量成本聘请人力检测,这种落后的生产方式已经不再适合现代化生产。利用机器视觉技术可以有效的解决这一问题,用机器检测代替了传统的人工,大批量检测可以快速完成,加快了工厂的产品生产速度;另外,减少了工厂的生产成本,提高了产品的生产效率。总结机器视觉技术的应用,使工业生产不在受限于人眼识别的缺陷,提高了工业检测的精度和效率,使工业生产更加的自动化和智能化。机器视觉作为人工智能分支应用中最广泛的方向,可以应用在工业、农业、医药、军事、航天、气象、天文、交通、安全、科研等各个领域。基于机器视觉多场景应用的崛起,以及其无可替代的性能优势凸显,万亿级规模市场蓝海已经显现,行业各方加速涌入。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
机器学习是人工智能的一个分支,具有最大的未来潜力并为行业带来最大的利益。据相关报告显示,到2025年,机器学习市场规模将达到967亿美元。与2018年的68亿美元相比,这将是一个巨大的增长。在未来几年,越来越多的公司将选择机器学习技术来改善他们的业务。工业4.0中的机器学习十年前,工业4.0这个术语被创造出来,指的是工业部门的数字化过程。从那时起,我们看到该领域中越来越多的公司致力于实施先进技术,如物联网、区块链和人工智能的所有分支:机器学习、深度学习、认知智能等。机器学习等技术在行业中的应用有助于提高生产率、制造效率,并允许更快、更灵活和更高效的流程。在这个方向上,欧盟正迈着坚定的步伐向前迈进。2020年2月,欧盟委员会发布了《人工智能白皮书》。正如欧盟主席所说,所有欧盟国家的联合战略旨在未来十年每年吸引超过200亿欧元投资人工智能。这一数字预计将通过私营部门的贡献和国家的共同融资来实现。公共投资将推动工业4.0和电子行业的技术进步、云计算技术的发展和智能工厂的实施。来自不同行业的企业将能够受益于机器学习等技术在行业中的应用优势,但最重要的是,他们将是该技术的四个战略领域的一部分,也就是陶瓷、汽车、安装和能源管理和食品。将从机器学习中获益最多的工业部门陶瓷、汽车、能源管理以及食品和饮料市场的公司已经受益于通过机器学习算法实现人工智能的优势。他们正在实施一种技术,使他们能够预测糟糕和错误的行为,优化生产流程,深入分析市场或需求,以便更好地了解它,从而更精确地适应客户的需求。所有这些都是通过机器学习的不同应用实现的。陶瓷领域在陶瓷领域,人工智能开始发挥主导作用。机器学习算法已经被使用,尤其是在质量控制过程中。通过各种算法,可以预测材料在极端温度条件下的行为,并检测瓷砖中的异常和缺陷。在人工智能的帮助下进行的研究试图预测材料在制造过程中的异常行为,从而有可能控制和使用比目前制造的更符合阻力条件的组件。另一方面,通过识别不正确的模式,他们能够尽早发现产品中的异常情况,减少浪费材料情况,增加盈利能力。如今,我们已经发现一些公司正在使用这项技术,并将其用于这一行业或其他领域。首先,它们是陶瓷、瓷器和地板行业的公司。汽车领域在汽车领域,人工智能也越来越多地被用于改善工业流程。汽车和所有相关行业都在使用机器学习来增加他们的营业额。该行业正在使用这种技术进行组件耐久性的预测分析,并在早期识别异常和缺陷。机器学习在汽车行业的另一个应用是供应链的优化。这是改善汽车行业公司生产流程的绝佳机会。在这个意义上,它们除其他职能外,更好地控制不同设施所需的库存水平。越来越多的汽车企业正在利用机器学习的优势来改善他们的生产过程。安装及能源管理在安装和能源管理领域,人工智能通过机器学习推动了巨大的进步。这种技术的引入在这个领域正在发展智能网络或智能电网。该类型的网络将利用机器学习技术进行实时分析,通过识别消费模式来更好地调整电力供应以满足需求,并拦截可能发生在整个供应链中的任何故障或欺诈。能源管理方面的其他进展将涉及改进网络的管理和优化、上门服务、价格优化、按地区预测增长、发现消费和需求高峰或某些客户或城市的行为。AI技术在城市能源管理中的应用,给个人和企业带来了不同的优势。据一项研究显示,到2022年,智能电网将为市民节省约140亿美元的能源成本。该行业的许多公司已经获得了这些好处,通过使用先进的机器学习平台改善城市的能源管理。食品领域在食品领域,通过机器学习算法的人工智能有助于降低成本和提高质量。它在食品和饮料行业以及餐饮行业等所有领域都这样做。这使得该行业获得许多关键优势以改善其业务。这些优势之一是分析食品市场,以了解消费趋势,从而适应客户的真正需求。机器学习的另一个应用与改善生产工厂的卫生有关。它可以用来检测机器是否脏污,是否需要清洗,或监控和检查所有参与生产链的工人的卫生。机器学习也被用于工业中优化食品和饮料供应链。如今,食品行业的许多企业都受益于人工智能,更确切地说,受益于机器学习。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
我们经常收到业务询问,智能客服的评估标准是什么。这是一个非常难以回答的问题,因为我们需要证明使用智能客服的合理性并确保使用智能客服将为企业带来怎样的效益。尽管智能客服解决方案没有“真正的”评估标准,在这里我列举一些案例,希望能帮助大家从这些案例中能给你一些提示。首先,什么是智能客服?智能客服是一种解决方案或一组解决方案,它能让用户获得访问信息,甚至自主执行一些简单的任务,而无需客服人员的帮助。那么智能客服可以处理或执行的查询或任务有哪些?在不联系客服人员的情况下跟踪包裹、请求报价或在线支付账单,这些都是我们定期执行的业务任务。在客户查询方面,并非所有查询都可以通过智能客服来处理,因为一些复杂的问题仍然需要人工干预。但是,智能客服解决方案在解决第 1 层重复查询方面是非常有效。这些都是非常常见且频率非常高的请求类型,有超过80%的用户问题这些问题,占用了大量资源,我们完全可以使用自动化来回答这些问题。哪些指标可以量化智能客服指标?在尝试量化智能客服的指标时,每家企业都有自己的指标评估标准。以下是一些常用的指标,是需要定期更新数据及监控的。呼叫偏转率“呼叫转移”是指将客户的查询路由到备用服务渠道,例如聊天机器人、常见问题解答、知识中心数据库。呼叫转移的目标是确保客户以最有效的方式收到他们正在寻求的答案,并减少路由到人工座席的呼叫数量。这个指标指的是“通话”,也包括任何其他通讯根据,例如实时聊天和电子邮件。测量呼叫偏转率可能很复杂,因为我们正在尝试测量没有发生的事情!根据DB Kay & Associates的说法,一种方法是估计智能客服成功的用户百分比和转人工的用户百分比。这两个百分比之间的差异表示偏转率。顾客满意度推进使用智能客服渠道对于任何企业来说都是一个令人期待的项目,它能改善/提高客户体验。但是,如果客户对智能客服提供给他们的工具不满意,如果他们发现太难使用或效率低下,那么智能客服渠道就不能被认为是成功的。必须通过调查、直接反馈和净推荐值 (NPS) 跟踪每个智能客服渠道的客户满意度,以便清楚地了解哪些渠道最成功以及哪些渠道需要改进。智能客服成功率确定智能客服成功与否的一种简单方法是跟踪智能客服渠道处理了多少客户查询,而没有上报给人工代理。例如,这可以是“如何订购”常见问题解答导致订单而不是客户发起的聊天会话的次数百分比,或者知识库搜索导致有用文章的次数百分比,由用户评分指示文章“有用”或表明“这解决了我的问题”。目前很多解决方案都会自动跟踪、计算并在提供相关报表,以及许多其他有用的指标。如何计算智能客服比率让我们首先定义可以由客户自己使用智能客服渠道解决问题的百分比。如前所述,并非所有查询都可以通过智能客服处理,更复杂的查询需要人工干预。多年人工智能客服经验告诉我们,这个百分比在很大程度上取决于业务场景、行业经验甚至APP使用,但通常,50% 查询可以由客户自行解决。在这 50% 中,我们需要量化有多少是冗余或重复的。如前所述,人工坐席收到的大约 80% 的查询属于该类别。这些是适合智能客服的。智能客服的最大用处将是这两个百分比的乘积,即 0.5 x 0.8 = 0.4,因此 40% 将是可以预期的最大智能客服率。最后,您需要考虑为您的工具提供动力的人工智能的效率。借助正确的 AI、正确的内容和功能强大的行业知识库,您的智能客服解决方案对这些重复查询的回答率可高达 80%。因此,32% (0.4 x 0.8 = 0.32) 是智能客服比率的一个很好的目标。当然,这些只是示例,根据业务、行业或支持您的智能客服解决方案的技术类型,结果可能会有很大差异,这可以为您提供了一个很好的对比基础。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
随着人工智能成为一种趋势,人们对它如何工作以及可以做什么存在很多问题。一个经常被问到的问题就是——AI有哪四种类型。下面小编就来为大家解答一下。AI有哪四种类型反应性机器反应性机器在AI中是一个非常受欢迎的概念。这是因为它是最基本也是最古老的AI类型。反应性机器是指仅对某些刺激和场景有反应性的机器。与之后的许多人工智能软件不同的是,它们不能利用以前的经验或负载的知识来评估和应对特定的情况。甚至不使用GPS或数字地图来导航周围的环境或绘制路线。相反,它们会根据所看到的东西移动。反应型机器擅长象棋和纸牌等游戏,因为它们不会两次以相同的方式行动。他们也非常擅长简单的事情,比如过滤和推荐。尽管它们非常适合完成简单的任务,但却不能很好地应用于现实世界。由于缺乏想象力和抽象思维,这些程序很容易被愚弄,所以它们无法用于人脸识别或机器人助手等领域。话虽如此,反应性机器今天仍然被广泛使用,因为没有它们,自动驾驶汽车等技术创新就不可能实现。有限的内存有限的内存是第二种类型的AI系统,用于创建语音克隆效果。简单地说,这种人工智能允许机器人将信息和经验存储为“记忆”。然后,当下一次遇到类似的情况时,它会使用这种新的“记忆”来更好地预测。由于其优越的反应过度机器,它被用于更复杂的机器学习系统。这类人工智能的工作原理是强化学习。这意味着它使用ML系统在进行试错之后做出更好的决策和预测。此外,它使用进化生成对抗网络。这是一种通过几个演进收集信息的软件形式。对该网络的系统更新允许适应和包含一些修改。心智理论虽然这是一种尚未完全利用的人工智能,但许多科学家预测,这种人工智能将允许机器理解它们工作的结构。这种结构包括人和他们互动的环境。多年来,许多科学家一直在努力了解这种人工智能,以及它会如何影响人类。心智理论将利用元宇宙来指导其学习。与有限的记忆不同,它不需要通过一系列的试错来学习,而是通过为心智理论人工智能构建的中枢神经网络来学习。有了这种类型的人工智能,人工智能语音生成器将能够创造出声音模仿,这将很难与原始声音区分开来。自我意识的人工智能具有自我意识的机器人是每个技术创新者的梦想。与心智人工智能理论一样,自我意识人工智能主要仍未被发现。这是一种能够创造意识的AI机器人,这种意识将使机器人能够评估自己的内部状态。有报道称几位发明家正在生产所谓的自我意识产品,但所有这些似乎都是骗局。但慢慢地,科学家们对这种人工智能有了更多的发现。有了这种类型的人工智能,机器人将能够识别模式并复制它们。这是因为这个AI可以评估其内部状态。具有自我意识的人工智能的好处是无限的。我们将拥有一台可以在与其他机器连接的同时独立工作的机器。它的创新能力将是无与伦比的,因为它可以从错误和成功中吸取教训。然而,这项技术仍在发展中。科学家们还没有找到一种不用人类意识作为模型来创造具有自我意识的人工智能的方法。尽管如此,我们很难不为具有自我意识的人工智能的可能性感到兴奋。人工智能有几个潜在的应用。其中一些应用程序已经在使用,而其他仍在开发中。结论现在我们可以更好地理解AI的类型及其用途了。但您可知语音克隆使用的是这些系统吗。在不久的将来,我们将看到这项技术的更多进步。也许有一天我们都能拥有自己的机器人,在那之前,我们可以使用AI声音克隆来创造一些非常酷的音频效果!本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
Michael Baxter 表示,5G 将释放人工智能的潜力。但人工智能和 5G 将如何最大程度地影响我们的日常商业生活? 5G 和 AI 的用例有哪些呢?融合使 5G 和 AI 用例令人兴奋:5G 可以引发人工智能革命,将其推向不同的领域并创造新的 AI 用例。当苹果推出 iPhone 时,很少有人了解它的重要性。当然,这也是有原因的。在 2007 年产品发布时,无线互联网速度相当缓慢。3G 由 NTTDeCoMo 于 2001 年推出,但网络部署是渐进式发展的。触摸屏手机与 3G 和 4G 的融合创造了几乎没有人预料到的需求。“人工智能的重要性将与 5G 的出现齐头并进”还有一个问题——随着流行应用的出现,对3G的需求激增,3G网络变得紧张,从而加速了4G的到来。5G革命根据Allied Market Research的数据,全球 5G 市场的估值将从 2020 年的 51.3 亿美元增长到 2030 年的 7978 亿美元。IDTechEX 也得出了类似的结论。在最近的一份报告中,它得出结论:“5G 市场即将起飞。” 其预测到 2032 年底,应用 5G 技术的消费者移动服务将产生约 8000 亿美元的收入。IDTechEX 5G 技术分析师 Yu-Han Chang 博士表示:“5G 可以实现更大的数据流和更快的数据收集,让 AI 能够生成更准确的模型和预测。“5G 和人工智能将共同加速全连接和智能世界的发展。”5G 的速度预计将比 4G 快 100 倍以上,这似乎是一个令人难以置信的增长,但应用将会出现以填补所创造的机会。5G的速度预计将比4G快100倍以上,这似乎是一个令人难以置信的增长,但应用将填补其所创造的机会。和以往一样,当你深入研究这些事情时,复杂的情况就出现了。事实上,有两种截然不同的5G网络。在一个层面上,毫米波以 100 MHz 运行,提供 24 - 100 GHz(千兆赫兹)之间的频率,并提供令人印象深刻的低延迟,但仅限于 300 米的覆盖范围。相比之下,Sub-6 GHz以 50 MHz 运行,延迟大于毫米波,但优于4G,提供 3.5 - 7 GHz 之间的频率,但覆盖范围为 1.5 公里。换言之,毫米波可以支持更强大的应用,但由于覆盖范围较小,因此需要更多的基础设施投资。因此,迄今为止,大多数 5G 部署都是针对 Sub-6 GHz 。5G 对人工智能的影响5G对人工智能的影响不会立竿见影,但意义重大。尽管人工智能可能比人们普遍认为的更普遍,但其影响迄今为止是有限的。因此,虽然我们中的大多数人都在没有意识到的情况下使用人工智能,例如,当我们将智能手机用作导航工具时,人工智能的真正影响就在眼前。随着 5G 的出现,人工智能越来越重要。这两种技术的融合将对我们所有人产生巨大的影响,将产生巨大的经济意义,并将改变许多企业业务。5G、物联网和人工智能将推动用例物联网 (IoT) 将支撑 5G 和人工智能之间的融合。流程智能公司 KYP.ai 的首席执行官兼联合创始人 Adam Bujak表示:“5G 将推动物联网的发展。它将允许组织使用更多连接的设备和智能传感器。“通过使用连接的设备和服务,我们将能够在物理世界和在线以更加数字化的方式进行我们的流程。因此,我们将看到 phygital [物理 + 数字] 产品和服务的增长,包括虚拟现实运营模式和客户互动。”IDTechEX 表示:“5G [尤其是 mmWave] 的高吞吐量和超低延迟使其能够进入各种高价值领域,例如早期技术无法做到的 3D 机器人控制、虚拟现实监控和远程医疗控制。”基于物联网以及 5G 和人工智能融合的用例我们将看到前所未有的产品之间的连接性。在某一层面上,我们可能会看到咖啡杯与咖啡自动售货机交流;但在另一个层面上,我们将看到自动驾驶汽车的互联互通,这对未来的交通运输具有重大意义。 物联网收集的数据还将提供机器学习或人工智能开发和创造更深入见解所需的资源。5G 和 AI 用例——消费者5G 和人工智能的融合将支撑元宇宙的出现。2021 年关于元宇宙的的过渡炒作让人产生了反感。这里的部分问题与元宇宙的定义有关。一方面,它让人联想到一个虚拟世界的想法,但实际上,它的含义更加平淡无奇。甚至有人说 Zoom 通话涉及元宇宙,他们将其定义为数字世界和物理世界的结合。虚拟现实和增强现实或沉浸式现实将成为虚拟世界的基础,而 5G 和人工智能将改变它。5G 和人工智能的融合将在游戏和流媒体服务中创造新的用例,例如,提供支持我们交流方式的 3D 和虚拟现实观看。它还将改变社交媒体。人工智能和 5G 的融合还将创造出我们将在日常生活中使用的工具——例如,实时语言翻译工具。AI 和 5G 的 B2B 用例企业对企业的应用将很多,但最重要的方面之一将是 5G 为远程工作提供的支持。以Grammarly如何支持文本通信为例。但随着虚拟现实和增强现实技术的进步,不难想象 5G 和 AI 不仅可以改变远程工作,还可以改变移动工作。自动化尽管如此,对于 B2B,也存在自动化技术的问题。Adam Bujak 表示:“5G 将扩大数字化转型的范围,并为我们带来更多创新和自动化的机会。我们将从所有这些物理过程和连接设备中获得更多数据和见解,从而使我们能够训练人工智能并利用它进行业务和过程分析。反过来,结果驱动的智能服务自动化将带来更多的可能性。”工业办公自动化是一个机会,但 5G 和 AI 的结合也将支持工业和制造业;一方面,它将能够支持设备维护、监控机器和提前发现潜在问题,但它也呈现出机器远程操作的诱人前景。交通运输人工智能和 5G 并行工作将改变交通的连通性,包括自动驾驶汽车、无人机和交通基础设施,例如确保交通信号灯支持最佳交通流量。医疗保健AI 和 5G 在医疗保健领域带来的机会是多方面的,但最诱人的机会之一将与患者外出时的远程监控有关。现在只是开始但将会出现更多人工智能和 5G 用例;以上仅仅只是开始。这些技术的融合将被证明非常重要,并将释放人工智能,最终证明过去十年中的大部分炒作是合理的。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
人工智能(英文全称Artificial Intelligence,简称AI),作为计算机学科的一个重要分支,于1956年在达特茅斯学会上正式被提出,在当前被人们称为世界三大尖端技术之一。当前,人工智能的定义仍相对模糊,目前普遍说法是拥有“仿人”的能力,即能通过计算机实现人脑的思维能力,包括感知、决策以及行动。人工智能按照智能程度大致可以分成三类:弱人工智能、强人工智能和超人工智能。现阶段所实现的人工智能大部分指的是弱人工智能,并且已经被广泛应用。以人工智能为首的数字技术为我们的生活提供了重要的工具,在医疗、制造业、服务业、城市治理等领域发挥了重要的作用。人工智能助推各行各业转型升级,有效提升了社会劳动生产率、降低了劳动成本并优化产品服务,改变生产与生活方式。近年来在政策、资本的双重推动下,人工智能商业化应用进程加快。目前,人工智能技术已在教育、安全、金融、交通、医疗健康、家居、游戏娱乐等多个领域实现技术落地,并且应用场景也愈来愈丰富。例如,在智慧教育领域,以人工智能为代表的新一代信息技术的快速发展,将会对传统的教育理念、教育体系和教学模式产生革命性影响,从而进一步释放教育在推动人类社会发展过程中的巨大潜力。“人工智能+教育”正在掀起教育的一场革命。它改变着教育的生态、教育的环境、教育的方式、教育管理的模式、师生关系等等。通过图像识别技术,人工智能可以将教师从繁重的批改作业和阅卷工作中解放出来;语音识别和语义分析技术,可以辅助教师进行英语口试测评,也可以纠正、改进学生的英语发音;而人机交互技术,可以协助教师为学生在线答疑解惑。人工智能将教学变为大数据分析以及人工智能辅助的以学生为中心的个性化学习,为每个学生提供个性化、定制化的学习内容、方法,从而激发学生深层次的学习欲望。近年来,伴随着人工智能浪潮的兴起,无人驾驶已经成为人们关注的话题。无人驾驶中涉及的技术包含多个方面,例如计算机视觉、自动控制技术等。目前,我国已经有多家公司发布了无人驾驶汽车研究计划,并且有部分公司已经进行了无人驾驶汽车的测试。随着经济全球化进程的加快及互联网的迅速发展,机器翻译技术在促进政治、经济、文化交流等方面的价值凸显,也给人们的生活带来了许多便利。例如我们在阅读英文文献时,可以方便地通过有道翻译、谷歌翻译等网站将英文转换为中文,免去了查字典的麻烦,提高了学习和工作的效率。在智能家居方面,通过人工智能技术可以丰富家用电器的功能,对家电进行智能化升级,并为各种音乐类智能辅助设备提供智能服务和类型的人工智能应用模式。此外,通过应用人工智能传感器技术保障用户自身和家庭的安全,对用户自身健康、幼儿和宠物进行监测。应用农业人工智能技术可以提高劳动生产率、资源利用率和土地产出率,增强农业抗风险能力,保障国家粮食安全和生态安全,实现农业可持续发展,促进从传统农业向现代农业的跨越式发展,全面助力农业实现生产智能化、经营网络化、管理数据化和服务在线化。医学图像处理是目前人工智能在医疗领域的典型应用,它的处理对象是由各种不同成像机理,如在临床医学中广泛使用的核磁共振成像、超声成像等生成的医学影像。该应用可以辅助医生对病变体及其他目标区域进行定性甚至定量分析,从而大大提高医疗诊断的准确性和可靠性。另外其也在医疗教学、手术规划、手术仿真、各类医学研究、医学二维影像重建中也起到重要的辅助作用。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
工业4.0时代,离不开智能制造。机器视觉作为当前制造业质量控制领域至关重要的技术,能赋予机器“看见”和“理解”外部世界的能力,是实现智能制造最至关重要的一环。虽然相比欧美发达国家,我国机器视觉行业起步较晚,但是从当前的市场环境来看,机器视觉是一个新兴的技术产业,虽然发展时间较短却成长迅速,未来前景可观。传统生产制造当中,普遍依赖人工进行产品外观检测,存在两大问题,一是受限于人工疲劳度,漏检率普遍很高;二是人工成本逐年增长,工厂难以负担。在智能制造浪潮下,生产线对工业设备有了新的要求,对质量检验和生产的需求不断增加。机器视觉为机器植入“智慧之眼”,让机器取代人工,帮助制造业实现自动化和智能化。目前主要应用于工业自动化领域,在被检测物品移动速度快、精确性要求高和工作重复性较高的场景下,能够代替人眼在多种场景下实现识别、定位、测量、检测等多种功能,具有智能化程度高、检测速度快、瑕疵率低、支持不间断检测、不怕工作强度等显著优势。近年来,人工智能技术的高速发展,极大地推动了机器视觉技术在各行各业的应用,机器视觉需求飙升或成蓝海市场。根据GGII预测,至2025年我国机器视觉市场规模将达到415.92亿元,其中,3D视觉市场规模将达到104.35亿元,本土市场空间广阔。在市场前景一片大好的情况下,资本对机器视觉赛道也是青睐有加。同时,资本的涌入也造就了机器视觉行业的融资热。据IT桔子、智研咨询综合统计,中国机器视觉领域的融资案例数量和融资金额总体呈上升趋势,目前新进入机器视觉领域的企业持续增加,2021年机器视觉行业投资事件91起,较2020年增加30起;投资金额193.4亿元,较2020年增加81.57起。政策持续加码推动发展从2013年起,国家陆续发布相关政策与规划为机器视觉行业提供支持,融入智能制造、人工智能、数字经济、新型基础设施建设等国家战略。在政策的利好驱动下,国内机器视觉行业近年快速发展,中国正在成为世界机器视觉发展最活跃的地区之一。各省市应用进展稳步推进国内机器视觉市场以产品代理商和外资企业为主,国际品牌达200多家,近乎是内资品牌的2倍,国产替代空间十分广阔。在制造业升级的大背景下,全国各省市各地区齐头并进,围绕智能制造的主线展开布局,机器视觉作为智能制造之眼,是进行数据搜集的必要条件,从产业链建设顺序来看,将优先受益于制造业的智能化转型升级,伴随企业投资支出的逐步增加,机器视觉行业将逐步放量,步入发展快车道。机器人行业发展需求刺激此外,机器人行业的发展也是推动机器视觉发展的一个重要因素,越来越多的机器人在工业应用解决方案中采用机器视觉进行引导,以执行各种复杂的工作任务,包括汽车、制药、包装、食品和饮料等的解决方案,刺激机器视觉需求飙升。随着“工业4.0”深入推进,智能制造已成为制造业变革的重要发展方向。作为实现智能制造的关键技术,机器视觉已渗入到智能制造的方方面面,不仅有效提高了生产效率、产品质量,更实现了人力的解放,降低了生产成本,已成为推动智能制造的关键引擎。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
在每个行业里,有很多公司通过 AI 来改变业务流程。但是,他们AI 计划的成功与否不仅取决于数据和技术,还取决于是否有合适的人加入。一个高效的企业的 AI 团队是一个多元化的团体,其中包含的不仅仅是数据科学家和工程师。咨询公司 Omdia 的 AI 平台、分析和数据管理首席分析师 Bradley Shimmin 表示,成功的 AI 团队还包括一系列了解企业及其试图解决问题的人。为了帮助你组建一个理想的 AI 团队,以下是发展良好的企业中, AI 团队起到的十大关键角色。1.数据科学家数据科学家是任何 AI 团队的核心。他们处理和分析数据,构建机器学习 (ML) 模型,并得出结论以改进已投入生产的 ML 模型。TikTok 数据科学家 Mark Eltsefon 说,数据科学家是产品分析师和业务分析师的混合体,而且还需具备些许机器学习的知识。Eltsefon 说:“主要目的是了解,哪些因素会对业务产生重大影响、收集数据以分析可能遇到的瓶颈、将不同的用户群和指标可视化,并就如何提高这些指标提出相应解决方案,包括制作解决方案的原型在哪。在为 TikTok 用户开发新功能时,如果没有数据科学,就不可能了解该功能是使用户受益还是疏远了用户。他说:“你不明白你应该测试你的功能多长时间,以及你应该测量什么,对于这一切,你必须应用 AI 方法。”2.机器学习工程师数据科学家可能会构建 ML 模型,但真正实施它们的是 ML 工程师。技术服务公司 Persistent Systems 的创新和研发架构师Dattaraj Rao说:“这个人的任务是将 ML 模型打包到容器中,并部署到生产环节——通常是作为一个微服务。”Rao 说,这个角色需要专业的后端编程和服务器配置技能,以及容器、持续集成和交付部署的知识。“一名 ML工程师还会参与模型验证、A/B 测试和生产监控。”他还说到,在一个成熟的 ML 环境中,ML 工程师还需要对服务工具进行试验,以帮助在生产中尽快找到性能最佳的模型。3.数据工程师数据工程师充当构建和维护组织的一个数据基础系统的角色。德勤董事兼首席架构师 Erik Gfesser 表示,它们对 AI 计划至关重要,因为需要先收集数据并使其适合消费,然后才能用它做值得信赖的事情。他说:“数据工程师构建数据管道,来收集和组装数据以供下游使用,在 DevOps 环境中,他们构建管道来实现运行这些数据管道的基础设施”。他说,数据工程师是 ML 和非 ML 计划的基础。“例如,在其中一个公共云中实施数据管道时,数据工程师首先需要编写脚本来启动必要的云服务,这些服务为处理摄取数据提供所需的计算。”信息技术服务公司 SPR 的首席技术官 Matt Mead 表示,如果你是第一次组建团队,你应该明白数据科学是一个需要大量数据的迭代过程。假设你有足够的数据,“大约 80% 的工作将与数据工程任务相关,大约 20% 是与数据科学有关的实际工作”他说。他还说到,正因为如此,你的 AI 团队中只有一小部分人会从事数据科学工作。“团队的其他成员将确定正在解决的问题,帮助解释数据,帮助组织数据,将输出的数据整合到另一个生产系统中,或者以可演示的方式呈现数据。”4.数据维护员数据维护员负责监督公司数据的管理,并确保其可访问且具有高质量。这一重要角色确保数据在整个组织中的使用是一致的,并且公司遵守不断变化的数据法。技术公司 Insight 的数据和 AI 国家实践负责人 Ken Seier 表示,数据维护员确保数据科学家获得正确的数据,确保所有内容都是可重复的,并在数据目录中清晰标记出来。担任此职位的人员需要结合数据科学和沟通技巧,以便在各个团队之间进行协作,并与数据科学家和工程师合作,以确保利益相关者和业务用户能够访问数据。数据维护员还负责执行一个组织围绕数据使用和安全性的政策。Seier说:“数据维护员要确保只有应该获得安全数据访问权限的人,才能获得该访问权限。”5.领域专家领域专家是对特定行业或专一领域有深入的了解的角色。此人是该领域的权威人士,可以判断现有数据的质量,并可以与 AI 项目的预期业务用户进行沟通,以确保其具有现实价值。软件开发公司 SpdLoad 的首席执行官 Max Babych 表示,这些特定领域的专家是必不可少的,因为开发 AI 系统的技术专家很少具备可受益实际领域的专业知识。“领域专家可以提供关键意见,使 AI 系统发挥最佳性能。”“我主要想分享的建议是要考虑商业模式,然后吸引领域专家来了解,这在你的行业中是否是一个可行的赚钱方式——然后才尝试讨论更多技术性问题”, 他说。此外,教育技术平台 iSchoolConnect 的 AI 负责人 Ashish Tulsankar 表示,领域专家可以成为客户和 AI 团队之间的重要联络人。“这个人可以与客户沟通,了解他们的需求,并为 AI 团队提供下一组持续的方向。而且领域专家还可以跟踪 AI 是否以合乎道德的方式进行实施。”他说。6.AI 设计师AI 设计师是与开发人员合作,以确保他们了解人类用户的需求的角色。该角色设想用户将如何与 AI 互动,并创建原型以展示新 AI 功能的案例。AI 设计师还确保在人类用户和 AI 系统之间建立信任,并确保 AI 从用户反馈中学习和改进。来自咨询公司 BCG 在北美的 AI 业务的联合负责人 Shervin Khodabandeh 说:“企业在拓展 AI 方面的困难之一是,用户不能理解这个解决方案、不同意或无法与之交互。从 AI 中获得价值的企业——他们的秘诀就是解决了人与 AI 的交互问题。”BCG 是按照咨询公司 BCG 在北美的 AI 业务的联合负责人Shervin Khodabandeh 说10 – 20 - 70的规则来思考的,即 10% 的价值是算法,20% 是技术和数据平台,70% 的价值来自业务整合或与业务流程中的公司战略挂钩,他解释道。Khodabandeh 说:“人机交互绝对是关键,是这 70% 挑战的一个重要组成部分”,并补充说 AI 设计师将帮助你实现目标。7.产品经理产品经理充当识别客户需求,领导产品的开发和营销,同时确保 AI 团队做出有益的战略决策的角色。“在 AI 团队中,产品经理负责了解如何使用 AI 并解决客户问题,然后将其转化为产品战略”来自一家 AI 开发公司 Nexocode 的产品经理 Dorota Owczarek 说道。Owczarek 最近参与了一个项目,为制药业开发一个基于 AI 的产品,该产品将支持用自然语言处理以代替手动审查研究论文和文件。她说:“该项目需要与数据科学家、机器学习工程师和数据工程师密切合作,以开发为产品提供动力所需的模型和算法。”作为产品经理, Owczarek负责实施产品路线图、估算和控制预算,并处理产品技术、用户体验和业务方面之间的合作。“在这种特殊情况下,由于项目是由业务利益相关者发起的,因此,有一位能够确保满足他们需求,同时也关注项目总体目标的项目经理显得尤为重要。”她提出并补充道, AI 产品经理应该同时具备技术能力和商业头脑。她说:“他们需要与其他团队和利益相关者建立密切合作。在大多数情况下, AI 项目的成功将取决于业务、数据科学、机器学习工程和设计团队之间的协作。”Owczarek 补充到, AI 产品经理还需要了解与 AI 合作在伦理道德上带来的影响。“他们负责制定内部流程和指导方针,确保公司的产品遵循行业最佳实践。”8.AI 战略家AI 战略家需要了解公司在公司层面的运作方式,并与执行团队和外部利益相关者进行协调,以确保公司拥有合适的基础设施和人才,为其 AI 计划取得一个成功的结果。来自 EY Consulting 的全球 AI 负责人 Dan Diasio 表示,要想取得成功, AI 战略家必须深入了解他们的业务领域和机器学习的基础知识;他们还必须知道如何使用 AI 来解决业务问题。他说:“在几年前,技术属于需要攻克的部分,但现在是需要重新构思如何利用 AI 布局我们的业务线,以充分利用我们创造的AI 能力或 AI 资产。他还补充到, AI 战略家可以帮助公司进行如何利用 AI 转型等思考。”Diasio说:“要改变(公司做出)决策的方式,需要一个具备极大影响力和远见的人,来推动这一进程。”AI 战略家还可以帮助企业获得他们需要的数据,以有效地推动人工智能。9.首席AI官首席 AI 官是所有 AI 计划的主要决策者,负责将 AI 潜在的商业价值传达给利益相关者和客户。来自 iSchoolConnect 的 Tulsankar 说:“决策者是了解业务、商机和风险的人。首席 AI 官应该知道 AI 可以解决的案例,哪些可以带来显著的经济效益,他们应该能够向利益相关者阐述这些机会。他还提到:“他们还应该对如何迭代已实现这些机会,制定相关计划。如果有多个客户或多个产品需要应用 AI ,首席 AI 官要将与客户无关和客户特定的实施部分进行拆解。”10.执行主管执行主管是高级管理层中的一位经理,他在确保 AI 项目取得成果方面发挥积极作用,并负责为公司的 AI 计划获得资金。Diasio 表示,执行领导层在帮助推动 AI 项目取得成功方面,发挥着重要作用。他指出:“对于公司来说,最大的机会往往是他们突破特定职能的领域。”BCG 的 Shervin Khodabandeh说,不幸的是,许多公司的高级管理层并没有充分了解 AI 的潜力。他说:“他们对 AI 的理解非常有限,他们经常将其视为一个黑匣子。他们把它扔给数据科学家,但他们并不真正理解需要用 AI 的新工作方式。”他说,对于许多公司来说,使用 AI 是一个巨大的文化变革。他们不了解具备高级功能的 AI 团队如何工作、每个成员如何协作、以及如何被授权。“对于 99 %使用 AI 的传统公司来说,这是一件很难的事情。”本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
未来25年应该是利用现有可控可编程的所谓"人工智能"帮助人类全力研究生物领域的科技。突破基因工程奥秘和意识的保留与转移。强化还是有机生物体的人类自己,将来好和人工智能并存。利用人工智能在各行各业商业化应用,这很好。但是这种思维的观点是人工智能是人工的,是人类的创造物,是一种工具,应该被人所利用。但这并不智能。就像一把钳子,它是人工的产物,是一个工具。一段程式代码,是人工的,可预知用途的,是一个工具。但是智能是赋予一部机器逻辑思维的能力,让它拥有智慧可以思考。那么一把会思考的钳子为什么不会向往大海,为什么不会产生"世界这么大,我想去走走。"的想法?为什么一定要与人类约法三章履行一把钳子的作用?正如我们从出生都接受一样的教育,但成长是我们各不相同。创造人工智能就不可能用硬条件约束人工智能。目前所谓的人工智能商业实现,全部都只是建立在精密算法下的可编程代码而已,完全称不上智能。所谓的智还是来自于人类自己,来自于设计程序结构的工程师。能则来自于编写代码的人。应用范围仍然是输入信息,计算,输出人类想要的信息。深度学习只是简化庞大数据穷举的过程。真正的人工智能不单单是拥有人类创造的逻辑,还应该有自己的思考。为什么人类需要搜索这么一张图?而我为什么要给他一个这样的结果?一个新的智慧。怎么和人类共存。这是现在人需要研究的问题。猴子可能从来没有想到人类会把它们装在笼子里,或者摆在餐桌上。未来我们应该怎样强化自己去与人工智能共存。因为它注定不会只是个电子产品、只是个车机、只是个数据库、只是个app。它是一个能全方位替代人类的智慧体。按照Google自己的进度,恐怕这已经要不了25年的时间了。人类的终极问题是生存,更有效的自我延续。所以不断的发明技术提高生存质量,增加寿命,繁衍更多的种群对抗灾难,得以传承积累的知识。现今却活在商业化自我吞噬之中,陷入一个巨大的马尔萨斯陷阱当中。商业化加大剥削力度,出生人口减少,种群自我消耗。所以我认为从人工智能开始,我们应该摈弃掉这个思维,让技术回归本质,创造更强大的人类来应对更多的未知。而不是商业化来创造更多的价格歧视和剥削机会。况且我们尚且无法完全掌握自己的后代,又怎么可能有能力去掌握一个不吃不喝,思维能力超越人类的"生命体"。25年的时间通过人工智能来帮助人类了解一下自己。把我们是什么解析出来,我们能不能脱离肉体存在,我们能不能与人工智慧体结合,我们能不能自我人工智能化。AI,现在各位业界大咖以及媒体报道,更多是把人工智能作为外在于人的强大技术客体,而把人作为可能在未来会遭遇人工智能严重挑战甚至替代的主体,这是一种把人与科学技术严重割裂的认知。技术的革新会冲击现有的社会,驱动甚至逼迫社会以及生活在其中的人去与新的技术融合,但其实技术与人会有一种相互限制的可能性。对于未来的AI时代会是何种面貌,没有仔细畅想过,人类该如何准备应对AI时代,没有现成的答案,目前对AI大多是预测其可能会带来的影响,相信人类总能在技术与人之间找到一种平衡,不然人类文明也不会在一次一次的技术变革的冲击下绵延至今。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
大型、敏感的数据集经常被用于训练AI模型,从而产生隐私和数据泄露风险。人工智能的使用增加了组织的威胁向量,并扩大了其攻击面。人工智能进一步为良性错误创造了新的机会,对模式和业务结果产生不利影响。不了解的风险无法减轻。Gartner最近对首席信息安全官的一项调查显示,大多数组织没有考虑到人工智能带来的新的安全和业务风险,或者他们必须采取新的控制措施来降低这些风险。人工智能需要新型风险和安全管理措施以及缓解框架。以下是安全和风险领导者应该关注的五大优先事项,以有效管理其组织内的人工智能风险和安全:1、捕捉AI暴露程度机器学习模型对大多数用户来说是不透明的,并且与一般的软件系统不同,它们的内部工作原理甚至连最熟练的专家都不知道。数据科学家和模型开发人员通常理解他们的机器学习模型试图做什么,但他们不能总是破译模型处理数据的内部结构或算法手段。这种理解能力的缺乏严重限制了组织管理AI风险的能力。人工智能风险管理的第一步是列出组织中使用的所有人工智能模型,无论它们是第三方软件的组件、内部开发或通过软件即服务应用程序访问。这应该包括识别各种模型之间的相互依赖关系。然后根据运营影响对模型进行排序,并考虑到风险管理控制可以根据确定的优先级逐步应用。一旦模型被列出,下一步就是使它们尽可能的可解释或可解释性。“可解释性”意味着产生细节、原因或解释的能力,为特定的受众阐明模型的功能。这将为风险和安全管理者提供管理和减轻由模型结果带来的业务、社会、责任和安全风险的环境。2、通过人工智能风险教育活动提高员工意识员工意识是人工智能风险管理的一个重要组成部分。首先,让所有参与者,包括CISO、首席隐私官、首席数据官以及法律和合规官,重新调整他们对AI的心态。他们应该明白,人工智能“不像任何其他应用程序”——它会带来独特的风险,需要特定的控制来减轻此类风险。然后,与业务利益相关者联系,以扩大对需要管理的AI风险的认识。与这些利益相关者一起,确定跨团队和随着时间的推移构建AI知识的最佳方式。例如,看看是否可以在企业的学习管理系统中添加一门关于基本AI概念的课程。与应用程序和数据安全部门合作,帮助在所有组织成员中培养AI知识。3、通过隐私计划消除人工智能数据暴露根据Gartner最近的一项调查,隐私和安全一直被视为人工智能实现的主要障碍。采用数据保护和隐私程序可以有效地消除AI内部和共享数据的暴露。有一系列方法可以用于访问和共享基本数据,同时仍然满足隐私和数据保护要求。确定哪种数据隐私技术或技术组合,对组织的特定用例最有意义。例如,调查诸如数据屏蔽、合成数据生成或差分隐私等技术。在向外部组织导出或导入数据时,应满足数据隐私要求。在这些场景中,像完全同态加密和安全多方计算等技术,应该比保护数据不受内部用户和数据科学家的影响更有用。4、将风险管理纳入模型运营AI模型需要特殊用途的流程作为模型操作或ModelOps的一部分,以使人工智能可靠且高效。随着环境因素的不断变化,AI模型必须持续监测业务价值泄漏和不可预测的(有时是不利的)结果。有效的监控需要对AI模型的理解。专门的风险管理流程必须成为ModelOps的一个组成部分,以使AI更值得信任、准确、公平,并对对抗性攻击或良性错误更有弹性。控制措施应该持续应用——例如,贯穿模型开发、测试和部署以及持续运营的整个过程。有效的控制将检测到恶意行为、良性错误和AI数据或模型的意外变化,这些变化会导致不公平、损坏、不准确、模型性能和预测不佳,以及其他意想不到的后果。5、采用人工智能安全措施应对对抗性攻击检测和阻止对人工智能的攻击需要新的技术。对AI的恶意攻击可能导致重大的组织损害和损失,包括财务、声誉或与知识产权、敏感客户数据或专有数据相关的数据。与安全部门合作的应用程序负责人必须在他们的AI应用程序中添加控制,以检测异常数据输入、恶意攻击和良性输入错误。围绕AI模型和数据实施一整套传统的企业安全控制,以及针对AI的全新完整性措施,如容忍对抗性AI的训练模型。最后,使用欺诈、异常检测和机器人检测技术,防止AI数据中毒或输入错误检测。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
边缘计算已成为最受关注的技术趋势之一,伴随着所有这些话题,也许你会认为是时候为你的物联网网络投资智能边缘技术了。然而,在开始购买新的边缘设备之前,让我们讨论一下边缘计算到底是什么,它的作用是什么,以及应用是否能从边缘技术中受益。边缘计算可以为物联网网络增加大量的灵活性、速度和智能,但重要的是要了解边缘人工智能设备并不能解决智能网络应用面临的所有挑战。在本文的最后,在确定边缘技术是否适合应用之后,我们将讨论买家在评估边缘人工智能设备时应该考虑的主要特性和考虑因素。什么是边缘计算边缘计算在云的边缘将物联网提升到一个更高的层次,原始数据可以实时转化为价值。通过在整个网络中重新分配数据处理工作,提升了连接节点、端点和其他智能设备的重要性和治理。边缘计算几乎与云计算完全相反,在云计算中,数据从分布式网络流入,在集中的数据中心进行处理,结果通常被传输回原始的分布式网络,以触发动作或产生变化。然而,长距离传输大量数据会产生成本的。这些成本可以用金钱来衡量,但也可以用其他关键的方式来衡量,比如用权力或时间。这就是边缘计算的切入点。当功率、带宽和延迟真的很重要时,边缘计算可能是答案。与集中式云计算不同的是,在中心化云计算中,数据可能要穿越数百英里才能被处理,边缘计算使数据能够在数据被感知、创建或驻留的同一网络边缘位置处理。这意味着处理延迟几乎可以忽略不计,对功率和带宽的要求通常也大大降低。当今边缘计算的主要推动者之一是半导体制造商在不大幅增加功耗的情况下提高处理能力的方式。这意味着位于边缘的处理器可以在不消耗更多功率的情况下利用它们获取的数据做更多事情。这允许更多的数据停留在边缘,而不是被传输到核心。除了降低系统总功率外,这还增加了响应时间并改善了数据隐私。受益于这一发展的一些技术包括人工智能和机器学习,但这些也依赖于降低数据获取成本,同时提高数据隐私级别。通过边缘处理可以同时解决成本和隐私问题。就AI和ML等新兴趋势而言,这两种技术传统上都需要大量资源,远远超过端点或智能设备中通常可用的资源。现在,由于硬件和软件水平的进步,还可以将这些支持技术嵌入到位于网络边缘的更小、资源更有限的设备中。评估边缘人工智能选择能够执行边缘处理的平台,可能包括运行AI算法或ML推理引擎,这需要仔细评估。简单的传感器和执行器,即使是属于物联网的一部分,也可以通过相对较小的集成设备实现。增加边缘处理的数量将需要一个更强大的平台,可能使用高度并行的架构。通常情况下,这意味着GPU,但如果平台太强大,它将成为网络边缘有限资源的负担。同样重要的是要记住,边缘设备基本上是现实世界的接口,因此它可能需要支持一些常见的接口技术,如以太网,GPIO,CAN、串行和/或USB)。它也可能需要支持外围设备,如摄像头、键盘和显示器。边缘也可以是与舒适的气候控制数据中心截然不同的环境。边缘设备可能暴露在极端的温度,湿度,振动甚至高度。这将对设备的选择产生影响,以及如何包装或封装。另一个需要考虑的重要方面是监管要求。任何使用射频进行通信的设备都将受到法规的约束,并可能需要许可证才能运行。一些平台将“开箱即用”遵守规定,但其他平台可能需要付出更多努力。一旦投入使用,它们就不太可能得到硬件升级,因此必须在设计周期内仔细确定处理能力、内存和存储,以便为未来的性能提升提供空间。这包括软件升级。与硬件不同的是,可以在设备在现场时部署软件更新。这些无线更新现在非常常见,很可能任何边缘设备都需要设计为支持OTA更新。选择正确的解决方案将涉及对所有这些一般点的仔细评估,以及仔细研究应用程序的特定需求。比如设备是否需要处理视频数据,或者音频数据,亦或者只处理温度,还是也监测其他环境方面。这些问题中的许多适用于部署在前沿的所有技术,但随着加工水平的提高和对产出的期望的提高,将有必要扩大要求列表。边缘计算的好处现在,将AI和ML放入边缘设备和智能节点中在技术上是可能的,这将带来重大的机遇。这意味着处理引擎不仅更接近数据源,而且该引擎可以对它收集的数据做更多的事情。这样做确实有好处。首先,它可以提高生产力,或数据使用的效率。其次,它简化了网络架构,因为移动的数据更少。第三,它使接近数据中心变得不那么重要。如果数据中心在城市中,那么最后一点可能看起来不太重要,但是如果网络的边缘是一个偏远的位置,比如农场或水处理厂,那么这一点就会有很大的不同。不可否认的是,数据在互联网上快速移动。许多人可能会惊讶地发现,搜索查询可能会在结果出现在屏幕上之前在全球范围内传播两次。总经过的时间可能只有几分之一秒,而对我们来说,这几乎是瞬间的。但对于组成互联、智能且通常是自主的传感器和执行器的互联网的机器和其他智能设备来说,每一秒都感觉像是一个小时。这种往返延迟是实时系统的制造商和开发人员真正关心的问题。数据往返于数据中心所花费的时间并非无关紧要,当然也不是瞬间的。减少这种延迟是边缘计算的一个关键目标。它与更快的网络协同工作,这是5G发挥作用的地方。但是,随着更多的设备上线,推出更快的网络将无法弥补我们预期的累积网络延迟。分析人士预测,到2030年,联网设备的数量可能会达到500亿台。如果这些设备中的每一个都需要一个数据中心的宽频带,那么网络将永远拥塞。如果它们中的许多在管道中运行,等待上一阶段的数据到达,那么总延迟很快就会变得非常明显。边缘计算是缓解拥塞网络的唯一可行的解决方案。然而,虽然总体上对边缘计算有一定的需求,但边缘计算的具体好处仍然在很大程度上取决于应用,这就是边缘计算法则的应用。这些定律将帮助工程团队决定边缘计算是否适合特定应用。边缘计算的4大定律物理定律第一定律是物理定律,这个是不可变的。射频能量以光速传播,就像光纤网络中的光子一样。这是好消息。坏消息是它们不能再快了。因此,如果往返时间仍然不够快,那么边缘计算可能是正确的选择。Ping测试提供了一种简单的方法,可以测量数据包在网络连接的两个端点之间传输所需的时间。在线游戏通常托管在多个服务器上,玩家将ping服务器,直到他们找到延迟最低的服务器,这意味着数据可以以最快的速度传播。这就是时间敏感数据的关键,即使是几分之一秒。延迟也不完全依赖于传输机制。每一端都有编码器和解码器,这些物理层需要将电子转换成所使用的任何能量形式,然后再将它们转换回来。所有这些都需要时间,即使处理器以千兆赫的速度运行,时间也是有限的,而且取决于所移动的数据量。经济学定律这种方法可能更灵活一些,但随着处理和存储资源需求的飙升,它也更难以预测。利润总是微薄的,但如果在云计算中处理数据的成本突然上升,它可能证明盈利或亏损之间的差别。云服务的成本开始于购买或租用服务器、机架或刀片的成本。这取决于CPU内核的数量、所需的RAM或永久存储的数量以及服务级别。有保证的正常运行时间比没有保证的服务水平花费更多。网络带宽基本上是免费的,但是如果需要最低水平的带宽,那么应该为此付出代价,在评估成本时需要考虑到这一点。也就是说,在边缘处理数据不受这种可变成本的影响。一旦设备的初始成本已经产生,在边缘处理任何数量的数据的额外成本几乎为零。数据保护法数据之所以有价值,是因为它意味着或代表着某些东西。现在,捕获信息的任何人现在都可能受制于捕获该数据所在地区的数据隐私法。这意味着,即使是捕获数据的设备的合法所有者,也可能不允许跨越地理边界移动数据。例如,这将包括《欧盟数据保护指令》、《通用数据保护条例》和《亚太经济合作隐私框架》。加拿大的《个人信息保护与电子文档法》与欧盟的数据保护法相符合,而美国的《安全港安排》也与欧盟的数据保护法相符合。边缘处理可以克服这一点。通过在边缘处理数据,它不需要离开设备。在便携式消费设备中,数据隐私越来越重要,手机上的面部识别使用本地人工智能来处理摄像头图像,所以数据永远不会离开设备。闭路电视和其他安全监控系统也是如此。使用摄像头监控公共空间通常意味着图像由基于云的数据服务器传输和处理,这会带来数据隐私问题。在相机中处理数据既快又安全,可能消除或简化数据隐私措施的需要。墨菲定律最后,我们需要考虑墨菲定律,该定律指出,如果某件事可能出错,它就会出错。当然,即使在世界上最精心设计的系统中,也总会出现问题。边缘处理可以消除与通过网络移动数据相关的许多可能的故障点,将其存储在云中并依靠数据中心提供处理能力。如果一个应用程序在技术上可以从边缘处理中受益,那么还有一些问题要问。以下是一些最相关的建议:(1)应用运行在什么处理器架构上将软件移植到不同的指令集可能代价高昂,并会带来延迟,因此升级不应该意味着移出。(2)需要什么样的I/O这可以是任意数量的有线和/或无线接口。如果考虑不周会导致效率低下,因此需要尽早解决因此需要尽早解决这个问题。(3)运行环境是什么运行环境是冷是热,比如火星任务是边缘处理的一个很好的例子,如果是极端的,运行环境是巨大的变化。(4)硬件是否需要符合规定或需要认证答案几乎是肯定的,所以选择一个预认证平台可以节省时间和金钱。(5)需要多少功率就单位成本和安装而言,系统电源很昂贵,所以了解功率是非常有益的。(6)边缘设备是否受限于形状尺寸这在边缘处理中比许多其他部署更重要,因此需要在设计周期的早期考虑。(7)工作时间是多少这是进入可能需要运行多年的工业应用,还是以月为单位测量生命周期,这些都是需要我们考虑清楚的。(8)系统的性能要求是什么就处理能力而言,比如每秒帧数、内存要求、应用语言等等。(9)是否有成本考虑这是一个棘手的问题,因为答案总是“是”,但知道成本限制是什么将有助于选择过程。结论边缘处理是通过物联网实现的,但它的意义远不止于此。它是由比早期连接设备示例更高的期望驱动的。低层次,有共性;该设备可能需要低功耗,可能需要低成本,但现在它可能还需要在不与功耗和成本冲突的情况下提供更高水平的智能操作。通过选择合适的技术合作伙伴,可以更容易地选择合适的平台。进入一个围绕边缘计算开发的生态系统,为人工智能应用选择正确的边缘计算平台。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
近年来,人工智能飞速发展,并作为强大的创新工具广泛应用于各行各业的无数用例中。然而,巨大的责任通常需要巨大的能力。多亏了AI和机器学习,反欺诈技术变得愈加精确并且比以往发展地更加快速。实时的评分技术可以使商业领导立即分辨出欺诈行为。然而,AI-ML驱动决策的使用也引起了对透明度的关注。并且,当ML模型出现在高风险环境中时,对可解释性的需求也就出现了。随着由机器制定的关键决策的数量不断增加,可解释性和可理解性也变得越来越重要。技术研究员Tim Miller表示:可理解性是人类能够理解决策原因的程度。因此,发展ML模型的可解释性是至关重要的,它有助于可信任自动化解决方案的制定。开发人员、消费者以及领导者都应该了解防诈骗决策的意义和过程。但是参数稍微多一些的ML模型对大部分人来说是都难以理解的。然而,可解释AI研究社区一再声明:由于可理解性工具的发展,黑盒模型不再是黑盒。在这些工具的帮助下,用户能够理解并更加信任这些用来做出重要决策的ML模型。事物的SHAPSHAP (SHapley Additive exPlanations) 是如今最为常用的模型不可知论解释工具之一。它从合作博弈中计算Sharply值,均匀分担特征的影响。当我们基于表格数据并使用集成方法来打击欺诈时,SHAP的TreeExplainer算法提供了在多项式时间里获取的局部解释的机会。使用这种工具,仅有近似值也是可行的。与基于神经网络的解释相比,这是一个巨大的进展。白盒通常是指计算欺诈程度分值的规则引擎。就本质而言,黑盒和白盒得出的结果不同,因为黑盒是根据机器从数据中学习的内容得出结果,而白盒是根据预定义的规则来得出分值。我们可以根据这些差异来双向发展。例如,根据黑盒模型发现的欺诈环来调整规则。黑盒测试与SHAP结合,可以帮助我们理解该模型的全局行为,并揭示该模型用于检测欺诈活动的主要特征。同时,也可以揭示该模型中的不良偏差。例如,某个模型可能会歧视特定的人口统计数据。它可以通过全局模型解释来检测此类情况,从而防止不准确预测的出现。此外,它还可以帮助我们理解模型做出的单个预测。在ML模型调试的过程中,数据科学工作者可以独立地观察每个预测,并以此来解释它。它的特征贡献可以帮助我们察觉该模型正在做什么,我们可以从这些输入中进行进一步的开发。通过利用SHAP,最终用户不仅可以获得模型的基本特征,还可以了解每个特征(在哪个方向)是如何影响模型输出欺诈概率的。置信系数最后,在SHAP的帮助下,通过获取对成功模式的信任,置信可以从客户那里获得。一般来说,如果我们理解一个产品是如何运行的,那么我们就会对它更加有信心。人们不喜欢自己不理解的东西。在解释工具的帮助下,我们可以查看黑盒,更好地理解和信任它。并且,通过理解模型,我们还可以对它进行不断的改进。可解释的增强器(EBM)是使用SHAP梯度增强ML模型的一个替代方案。这是InterpretML(微软的人工智能公司)的旗舰产品,是一个所谓的玻璃盒子。玻璃盒子这个名字来源于这样一个事实:由于它的结构,它的本质是可解释的。根据原始文档,“EBM通常与最先进的黑盒模型一样准确,同时还保持完全的可解释性。虽然EBM的训练速度比其他现代算法慢,但它在预测时,却非常的紧凑和快速。”局部可解释的模型——模型不可知解释(LIME)也是一个可以用来进行黑盒解释的好工具。然而,它更受非结构化数据模型的欢迎。 通过利用上述工具以及透明的数据点,组织可以放心地做出决策。所有的利益相关者必须知道他们的工具是如何得出最佳结果的。了解黑盒ML以及与之相结合的各种技术可以帮助组织更好地了解它们是如何得出结果,从而帮助实现业务目标的。点评对于人来类说,未知的往往是可怕的,更是不可信任的。AI-ML驱动决策的算法模型正如一个“黑盒”,我们只能了解结构,却无法洞察其运行原理,更无法判断其给出结果的可靠性。尤其是在防欺诈领域这种高风险环境中,AI及ML技术的应用变得更加困难。而可解释性工具的引入,使得“黑盒”逐渐变得透明,很大程度上打消了用户的怀疑与担忧,同时也为“黑盒”本身的发展创造了条件。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
在2022年,很难想象有什么艺术是与科技隔绝的。AI、NFT、区块链和DAO这些技术的进步会显著影响创作过程,几乎所有这些技术都植根于让人类生活更美好、把人类从传统边界中解放出来的愿望。这就是为什么要观察和研究技术如何帮助艺术变得更不受限制、更容易接触的原因。什么解放了艺术家?艺术离不开艺术家,所以第一个问题是:是什么解放了他们?一个人不应该从匮乏的地方引导创造力,而应该从富足的地方引导创造力。传统观点认为艺术家应该饿着肚子,这并不正确。即使是最灰暗、最黑暗的艺术也不应该植根于空虚、贫穷、资源缺乏或者饥饿。艺术家获得解放最根本的因素之一是一份可观的收入。幸运的是,现在可以看到越来越多的人接受了这种观念,艺术家们正在寻找可以让他们生活富足、不断进行创作的新的收入方式。人工智能和区块链如何帮助艺术家?首先,区块链帮助艺术家验证他们作品的所有权和版权,这解决了今天乃至之后很长一段时间的巨大问题。根据日内瓦美术专家研究所(FAEI)的报告,超过50%的艺术品的真正作者与所标作者并不是同一人,甚至还有一些作品是伪造的。区块链还允许艺术家在一个与销售额直接相关的公平透明的版权分配生态系统中工作。它将使艺术家们能够在各种Web3市场和重要的拍卖会上出售他们的作品,包括苏富比和佳士得。早在之前,佳士得拍卖行就以6900万美元售出了Beeple的NFT作品《everyday: The First 5000 Days》。此外,区块链扩大了合作规模,这是音乐和艺术领域的一个关键因素,真诚的合作远比竞争要好。NFT刚出来的时候,很多艺人都说,“我现在可以一个人完成所有事情!我不需要策展人。”然而,事实证明,传统市场中由策展人处理的日常事务并没有消失。艺术家仍然需要确定如何、在哪里以及以何种价格出售他们的作品。在NFT和DAO的世界里,没有人是一座孤岛。出于这个原因,存在诸如Triptych之类的平台,这是一个处理数字艺术和实体艺术标记化的平台,让策展人发挥了至关重要的作用。如果没有他们,艺术家要从NFT和DAO项目和平台所提供的解放中受益将是一个挑战。人工智能允许艺术家创造令人难以置信的艺术作品。创作者可以建立自己的艺术风格,然后将其交给人工智能,进一步改变、扩展和完善这个艺术品。生成性技术是这一创作过程的基础,它使创作许多作品并使用有限的资源将其分发给广大观众成为可能,对于日常用户来说,这是一个突破。得益于这些技术,任何人都可以轻松获得音乐许可证,成为创作者并创建自己独特的内容。此外,生成性技术增加了游戏化的元素,有助于发展二级市场,使艺术更加有趣和受欢迎,并最终提高其价格。人工智能、区块链和艺术的未来是什么?截至2021年7月15日,前十大NFT平台的交易量已超过28亿美元。纵观2021年全年,美国在线艺术行业市场增长至56.5亿美元,比上年增长6.6%。预计到2022年,该市场将增长到58亿美元以上。以区块链为基础,利用人工智能创造的美术市场也将进一步扩大。随着艺术家的参与和科技的发展,销售额也在不断变化。以音乐为例,直到上世纪初,音乐的发展都是由乐器、流派和其他创造性元素的进步所推动的。随着录音技术的出现,音乐的制作、编辑和传播速度可以提高上百倍。无论是在分销,还是降低进入该行业的壁垒来看,新技术使音乐行业得以快速发展,以往要创作音乐,需要无数不同的乐器和设备,而现在只需要一台机器。由于新软件、插件和平台的不断开发和革新,许多人都在自己制作音乐,每天至少有50000首新歌上传到网上。现在的艺术方面的技术也面临着与音乐同样的挑战:降低进入门槛,简化发行流程。如果每个人都能创造音乐和视觉艺术,那将是不可思议的。艺术对我们的生活应该和对话一样重要,技术可以使这成为可能。但请记住:你必须从一个快乐和满足的地方创造艺术,而不是仅仅是为了快速致富。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
虽然制定法规是为了保护消费者和市场,但它们往往很复杂,成本高昂,并且难以遵守。金融服务和生命科学等高度监管的行业必须承担合规成本的代价。调研机构德勤公司估计,自从2008年发生金融危机以来,银行的合规性成本增加了60%,国际风险管理协会发现50%的金融机构将其收入的6%到10%用于合规。人工智能和智能自动化流程,例如机器人流程自动化(RPA)和自然语言处理(NLP)可以帮助提高效率并降低成本,以满足合规性。其方法如下:1、使用RPA和NLP管理法规变更在一年内,金融机构可能需要处理多达3亿页的新法规,这些法规从美国联邦、各州或市政当局通过各种渠道传播。收集、整理和理解这些更改并将其对应到适当的业务领域的人工工作非常耗时。虽然可以对机器人流程自动化进行编程以收集法规变更,但还需要了解法规并将其应用于业务流程。这就是复杂的光学字符识别、自然语言处理和人工智能模型发挥重要的地方。光学字符识别可以将监管文本转换为机器可读的文本。自然语言处理用于处理文本,理解复杂的句子和复杂的监管术语。接下来,人工智能模型可以利用输出为基于类似过去案例的政策变更提供选项,并通过新法规过滤以标记与业务相关的法规。所有这些功能都可以为分析师节省大量时间,从而降低成本。2、简化监管报告监管报告中最大的时间消耗之一是确定需要报告的内容、时间和方式。这要求分析师不仅要审查法规,还要对其进行解释,编写有关法规如何适用于其业务的文本,并将其翻译成代码以便检索相关数据。或者,人工智能可以快速解析非结构化监管数据以定义报告要求,根据过去的规则和情况对其进行解释,并生成代码以触发自动化流程,以访问多个公司资源以构建报告。这种监管情报方法正在获得支持,以支持金融服务报告以及需要提交新产品批准的生命科学相关企业。3、缩短营销材料的审核流程在高度监管的市场中销售的过程要求营销材料合规。然而,批准新营销材料持续流动的过程可能会很繁重。制药公司向个性化营销内容发展的趋势正在以指数速度推高合规成本,因为合规人员需要确保每条内容都符合药品标签和法规。由于增加人力来扩展这些策略会显著增加成本,因此现在使用人工智能来扫描内容并更快、更有效地确定合规性。在某些情况下,人工智能机器人甚至被用于编辑和编写符合法规的营销文案。4、减少交易监控中的错误金融服务中传统的基于规则的交易监控系统容易产生过多的误报。在某些情况下,误报率已达到90%,每个警报都需要由合规人员审查。通过将人工智能集成到传统交易监控系统中,可以最大限度地减少错误的合规警报,并降低审查成本。被认为是合法的高风险问题可以提升到合规人员,而这些不是可以自动解决的问题。由于合规人员只处理高风险标记的交易,这些资源可以重新部署到可以增加更多价值的地方。随着新趋势的确定,人工智能还可用于更新传统的规则引擎和监控系统。5、进行背景和法律检查为了限制犯罪活动和洗钱活动,银行需要进行尽职调查,以确保新客户遵守法律,并在整个关系中保持这种行为。根据某些个人的风险水平,背景调查可能需要2到24小时。大部分时间都花在收集文件、检查数据库和审查媒体上。人工智能和自动化可以简化这个过程。机器人可用于抓取网络内容并利用情绪分析来标记负面内容。自然语言处理技术可以扫描法庭文件,寻找非法活动的迹象和与分析最相关的媒体报道。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
智能家居技术增强了家用电器、家庭安全、照明和娱乐。许多行业已经开始将人工智能与智能设备相结合,以改善连通性。人工智能被描述为连接多个物联网设备的桥梁,以及具备改进处理和学习能力,以预测人类行为。支持人工智能的智能家居设备可能会相互交流,并收集新数据以帮助理解人类行为。这些数据用于预测用户行为和建立情境感知,或理解用户偏好并根据需要修改参数的能力。智能家居或自动化技术,通过互联网将家用电器与传感器和驱动器集成在一起,最后通过远程设备使家庭完全由技术驱动。然而,这些步骤肯定会涉及到人工智能,因为它正在这个行业迅速发展。灯光、风扇、电视、温度、娱乐系统和电器都可以使用现有的技术进行控制。照明控制、暖通空调、室外草坪灌溉、厨房电器和安全系统只是典型应用的几个例子。语音控制设备的成本从174美元到1万美元不等,通过物联网加强了控制家庭每个部分的过程,使繁琐的日常工作变得更容易,并大大降低了能源成本。然而,家庭自动化仍然局限于一些功能,如锁、安全摄像头和偶尔连接的设备等少数功能,而不是真正的智能和自动化。语音控制助手的崛起除了用于家庭安全系统外,人工智能还用于通过Alexa、Siri和GoogleAssistant等支持AI的设备的语音控制功能来操作智能设备。语音命令也可以用来管理先进的家庭安全系统。研究人员正集中精力开发新的语音识别技术,以提高语音控制设备的使用。由于家庭自动化系统的改进,蓝牙音箱的免提频道浏览和管理现在成为可能。语音助手的兴起带来了安全问题,因为一些研究人员已经成功地利用听不清的方法入侵了智能设备。利用人工智能主动分析潜在的家庭安全问题人工智能驱动的计算机可以利用模式/面孔识别能力快速识别物体或面孔。面部识别软件可以快速扫描并将颧骨、眼睛和下巴等面部特征与当前数据进行比较。此外,这些设备可能会向房主的智能手机提供有关前门来访者的通知。现代家庭安全摄像头能够识别家庭成员、朋友和宠物的面孔。人工智能可以帮助下一代家庭安全系统持续监测和评估潜在的安全威胁。人工智能逻辑被编码到这些设备中,从而能够建立一套定制的对策来保护房子。带有人工智能的智能相机将在家庭安全方面发挥重要作用。这些摄像头能够录制高清电影,并将其存储在云端以供后续观看。为了防御安全问题,个人可以使用智能连接的应用程序很好地了解自己的家。智能家居技术的好处有哪些(1) 统一管理智能家居可以让你通过单个设备来管理家里的一切。在某些情况下,可能只需要安装一个应用就可以打开安全摄像头、空调、电视和其他设备。(2) 设备与系统之间的连接更简单智能家居技术在采用新设备方面具有相当的适应性。无论是购买新设备还是更换旧设备,将其与系统连接起来都很简单。因此,能够将这些整合在一起将使房主更简单的操作。(3) 更加节约能源成本智能家居设备让一切都更加节能。例如,应用可以精确控制家里的制冷和供暖系统。因此,可以根据需要节省能源使用。此外,即使您忘记关闭家中的灯或其他电器,即使在旅途中也可以这样做!(4) 加强家庭安全将监控功能与智能家居技术相结合,可能会显著提高家庭整体安全性。例如,如果有人闯入你的房子,即使你离这个地方很远,你也会收到警报。此外,只要点击一下鼠标,就可以在家中出现危险情况时通知有关部门。最后,可以选择收到各种安全警告的提醒,并对家进行实时监控。(5) 优良的设备性能最后,智能家居技术可以帮助家电比以前更有效地运行。例如,智能电视可以帮助找到更好的频道和内容。另一方面,智能烤箱提供均匀的加热,将确保你的羊肉煮得完美。一个精心设计的家庭影院可以帮助整理电影和音乐收藏。有了智能家居,可能性似乎是无限的。然而,为了让生活更简单,我们必须了解如何充分利用一切。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
利用人工智能和大数据进行心理测量分析人工智能(AI)和大数据可以帮助招聘人员更好地了解一个人的个性和行为风格。或许,大数据的最大受益者是人工智能领域。结合起来,这两种技术可以将心理测量分析提升到一个新的水平。研究人工智能和大数据在心理测量学中的影响,对于该领域未来的改进至关重要。涉及心理测量评估可以产生影响的领域的数量之多,确实令人难以置信。从招聘期间评估求职者到在全国范围内竞选,从市场营销到执法,心理测量评估在了解大量人群的脉搏或个人的性格特征方面发挥着重要作用。如果组织,无论是政党还是企业,充分利用心理测量学的大数据能力,其可以在各自的战场上获得几乎无懈可击的优势。人工智能和大数据在心理测量学中的应用领域众所周知,数字化正在渗透到人们生活的几乎所有方面。因此,人工智能和大数据等技术自然也会在心理测量学领域产生影响。人工智能难以置信的数据处理和分析能力在当今时代是人尽皆知的。将这些属性与大数据的综合性结合起来,就像是为心理测量学的增长和发展提供了火箭燃料。想知道在心理测量学中,人工智能和大数据可以实现什么(或多大程度)吗?以下是一些答案:❶ 候选人招聘过去的心理测试通常使用逻辑回归分析的目的。虽然这些技术有其优势,但根本无法与人工智能(辅以大数据)在该领域取得的成就相提并论。例如,人力资源主管可以使用机器学习来确定候选人的优势和劣势。为此,人力资源主管会在面试或远程面试中向求职者提出一系列问题。当候选人回答问题时,其的举止、语气、面部表情都可以通过人工智能摄像头监控。面试结束后,招聘人员会使用人工智能来评估候选人的视角和判断力、同理心和情商,以及参与度、决策能力和监管能力。对这些属性进行判断和评估,以了解候选人如何参与协作解决问题,并在高压情况下发挥决定性作用。除了决策和解决问题的能力外,还可借助人工智能和大数据来评估候选人在严格期限内完成各自工作的能力。除了面试和招聘练习,其他技巧也可以用来评估候选人的性格。例如,招聘人员可以浏览应聘者的社交媒体页面,了解其的性格特征和对一般话题的看法。查看某人的社交媒体页面不应该是消极评价个人观点的一种方式。相反,这可以很好地衡量候选人如何使用语言或视觉表达自己的想法。总之,应聘者的沟通技巧,在一定程度上,可以通过这种方式确定。人工智能和大数据可以帮助招聘人员在网络上找到这些数据,然后通过模式和异常识别对其进行处理,找到求职者的潜在性格特征。除此之外,机器学习还可以进一步用于将增强现实工具整合到候选人招聘中。增强现实工具可以创建类似真实世界的模拟,以评估候选人处理实际运营危机的能力。人工智能利用大数据的海量信息库来评估候选人在这项测试中的表现。增强现实为候选人招聘和选拔增加了一个全新的维度,如果没有人工智能的能力和大数据的惊人范围,这是不可能实现的。❷ 选举活动可能都有听说过,Cambridge Analytica是如何帮助美国前总统唐纳德·特朗普赢得2016年大选的。特朗普先生的竞选活动是有史以来最受数据驱动的政治活动之一。然而在探索之前,必须先了解心理测量分析的主要目的。心理测试,首先是用来获取个人(或一群人)的信息,以及其对各种话题的好恶、看法和意见。数据收集器如何处理这些信息取决于所需的最终结果类型。在这种情况下,大数据和人工智能有助于扩大全州或全国范围的心理评估范围。事实证明,一个人的个性可以通过研究来说服他或她购买某些产品或服务。更重要的是,这些信息可以用来说服个人在选举中投票给特定的候选人或政党。下面来看看 Cambridge Analytica 在影响2016年美国总统大选中的作用。有迹象表明,在竞选活动之前,这家科技公司就与特朗普先生的竞选活动有一段时间的联系。该组织利用心理测量学的人工智能和大数据,在选举中获得了优势。这种方法特别具有开创性,因为以前的候选人主要利用人口统计学观点,并关注其他核心选民问题。 Cambridge Analytica 在组合中引入了先进的心理测量学,以产生积极的最终结果。为了在选举中取得成功,该组织使用了行为科学和选民监督,除了一些常见的工具,如OCEAN模型,通过人工智能驱动的系统和模型轰炸个人的概念,以及高级大数据分析。这过程的初始阶段,需要该组织从Facebook等知名组织的社交媒体页面上购买数百万个人的大量数据。除此类记录外,还收集并仔细分析待处理的维修帐单、土地及财产登记册、购物数据、产品及服务的购买历史等详细信息。如果这个信息是长而宽的,这意味着其涵盖了几个人以及每个人的几个方面。换句话说,就是大数据。在收集了所有这些信息之后,这家英国公司对数据进行了汇总和整理。此外,该组织还部署了人工智能工具,根据五大人格特征对每个人进行不同的分类。基于这些信息,共和党总统候选人在演讲中针对更脆弱、更容易被操纵的选民发表讲话。就连选举演讲也经过了精心的调整和定制,以引起社会各阶层的个人共鸣。该公司因其高度数据驱动的努力而获得了超过500万美元的收入。然而,在特朗普先生的压倒性胜利中,真正的英雄是人工智能和大数据。❸ 产品和服务的营销如上所述,人工智能和大数据可以用于了解潜在客户的特征、喜好和偏好,以便用特定的、有针对性的广告淹没他们的收件箱。出于营销的目的,组织使用大数据,包括客户的社交媒体页面,数字零售商的购买历史记录,甚至在某些情况下的短信。在心理测量学中使用大数据的挑战与人工智能相比,大数据在上述应用领域可以说更为重要。所以,既然已经看到了人工智能和大数据在心理测量学中的一些应用领域,下面是组织在使用大数据进行性格分析时可能面临的挑战:1、大数据带来的问题与提供人工智能系统进行分析的信息的可靠性有关。大数据的可靠性会受到现有数据、技术以及人工智能算法的严重影响。在进行预测和高层决策时,大数据的混乱和复杂可能会给人工智能系统带来问题。2、人工智能中的偏见一直是技术需要克服的问题。随着大数据的加入,人工智能输出的公平性可能仍然是一个问题。此外,也可以说,人工智能和大数据的影响范围在某种程度上受到了互联网这个封闭温室的限制。因此,在许多情况下,大数据不足以包括经济落后的个人或家庭的信息,因为这些人无法上网,无法购买计算设备。3、在可靠性和公平性之后,随之而来的是用户隐私的挑战。正如所见,人工智能和大数据大量使用用户数据(有时未经用户签字同意)来产生最终结果。因此,大数据和人工智能在这方面不断面临道德难题。人工智能和大数据的无数能力对心理测量学领域至关重要。然而,有一些挑战需要解决,以便进一步改善。但可以肯定的是,这些技术可以在未来进一步深化心理测量学的范围,因为其近乎持续发展。与此同时,大数据和人工智能将继续留在心理测量学研究领域,以实现上述目的以及更多目的的研究。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
据统计,2021年65岁及以上老年人口超过2亿人,占总人口比重14.2%,而国内服务机器人智能化、个性化水平快速提升,人口老龄化带来的需求十分旺盛,未来服务型机器人的市场空间也将进一步拓展。5月17日,全球移动通信协会(GSMA)组织主办的“5G城市:辅助科技 从无障碍通信到无障碍生活”线上研讨会如期进行。业内人士介绍,目前智能机器人在养老行业已有应用,在人工智能和智能柔性关节的支持之下,智能机器人已成为新型的 5G 服务。服务型机器人的分类服务型机器人主要可以分为两大类,家庭机器人和专业领域机器人。家庭机器人偏向于娱乐休闲、安全监视和残障辅助功能;常见的专业领域机器人有专业清洁机器人、建筑机器人、医疗机器人等。目前,我国市场上也涌现了各类服务机器人,包括物流配送机器人、清扫消毒机器人、帮助做康复训练的机器人、能做手术的机器人、能号脉的“中医机器人”、能做饭的“厨房机器人”等。服务机器人行业发展前景1、政策支持,服务机器人落地场景不断丰富随着计算机技术、信息通讯、大数据、智能传感等科学技术的不断发展、融合以及在机器人领域的不断应用,服务机器人产业将呈现出快速发展趋势。为推进我国服务机器人产业快速发展,政府及有关部门相继发布一系列政策,开展下一代机器人技术、智能机器人学习与认知、智能家庭服务机器人、智能公共服务机器人实现批量生产及应用,在一定程度上促进了服务机器人产业的发展。《“十四五”机器人产业发展规划》《“十四五”智能制造发展规划》《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》《关于促进快递业与制造业深度融合发展的意见》等政策不断鼓励服务机器人产业的创新发展。2、科技进步带动服务机器人产业发展随着现代科技的不断进步,家庭服务机器人通过不断融入智能语音、处理器、AI算法、通讯、大数据、物联网等新技术实现家庭服务机器人的自主性、适应性、智能化发展,更好地满足消费者家居智能化需求。另外,随着技术和产业的不断成熟,家庭服务机器人的生产成本有望进一步压缩,带动服务机器人市场规模高速增长。3、人力成本上涨,服务机器人迎来新机遇随着劳动力成本的不断升高,人力成本和服务机器人成本之间的差距在逐渐缩小,为降低劳动成本,增加服务机器人在多领域中的应用以替代人工正成为当前发展趋势。随着服务机器人在各行各业的不断渗透,预计服务机器人细分赛道的将得到进一步拓展。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
自1956年在大学里把人工智能作为一个研究领域加入以来,人工智能在同等程度上经历了乐观和悲观两个时期。毫无疑问,今天我们看到的是一种非常乐观的态度。数据科学是全球第三大热门职位。事实上,在我们最近关于西班牙边缘计算状态的研究中,数据科学家是西班牙公司最需要的专业人员,这个市场正在经历指数级增长,预计到2025年将达到1900亿美元。人工智能在市场行业中的突出地位,使其不再是一种单一的技术,而是为不同行业提供不同用途的众多分支。在被确定为最成熟和最接近生产阶段的趋势中,我们可以在日常生活中识别出这些趋势。例如,我们在与越来越像人类的聊天机器人交谈时使用的简单语言处理、使实时视频处理自动化成为可能的机器成像,以及带来更好搜索结果的语义搜索。在另一个极端,至少 10 年内不会出现更多的未来主义。一些有趣的例子是 AI TRISM(信任、风险和安全管理)技术,它可以规范 AI 模型,使其对安全和隐私攻击更具弹性,以及转换器,它可以调整 AI 模型以适应环境并将对改进翻译、自动文档创建或生物序列分析等应用程序产生重大影响。介于这两个极端之间的是其他使能技术,从部署到市场成熟需要两到五年的时间,这可以称为“人工智能的近期未来”。其中包括以人为本的人工智能、生成人工智能、人工智能的编排和自动化,以及在成熟度曲线上领先于所有其他人的边缘人工智能,也称为“边缘人工智能”(Edge AI)。 2021 年,Edge AI 即将成为成熟的技术。边缘人工智能和工业世界的分布式智能革命Edge AI 或 AI on the Edge 可以概括为在非常接近数据源的设备(物联网设备、边缘设备)上执行人工智能算法的能力。这项技术正在呈指数级增长,并得到一项令人生畏的统计数据的支持:超过 60% 的工业组织没有部署云基础设施来帮助他们有效地进行创新。那么,如果我们用放大镜观察 Edge AI 项目,我们将在 2022 年和 2023 年见证哪些最具颠覆性的趋势?以下是我们前 5 名的摘要:1、关键行业将成为主要驱动力:从 SCADA 到 Edge AI在 Barbara IoT,我们发现处于边缘 AI 前沿的行业中存在重复模式:所有这些都处理许多关键的分布式资产。换言之,这些行业面临着来自技术碎片化、可扩展性和网络安全的巨大挑战。这些可以通过在边缘执行 AI 算法来最小化。我们可以预测,这些行业将开发出非常雄心勃勃且具有变革性的用例。自 80 年代以来一直使用的 SCADA 系统在数据捕获和处理方面具有相似的目的。然而,SCADA 系统需要更现代的技术来补充,以便它们能够响应对互操作性、开放性和安全性日益苛刻的要求。这就是 Edge AI 可以提供帮助的地方:成倍增加这些系统的价值。2、薄边将与厚边互补当我们提到 Edge AI 时,对于“边缘”的含义有不同的解释。传统上,边缘被认为是离用户最近的网络运营商基础设施。例如,当我们谈论 5G 网络时,我们指的是运营商正在推出大量称为“多接入边缘计算”的节点,用于近距离数据处理。这些节点安装在与设计用于托管云服务的数据中心非常相似的服务器上,它们具有处理复杂人工智能算法的巨大潜力和能力。这就是一些分析师所说的“厚”边缘。然而,最近开始开发另一种类型的边缘节点:直接连接到传感器和交换机的边缘节点,当安装在网关或集中器等低功耗设备上时,用于运行更简单的人工智能算法,响应时间更短,更接近到实时。这种称为“瘦”边缘的新型边缘将使我们能够快速灵活地处理大型项目,这些项目包括远程位置或对高安全性和数据隔离的要求。3、 边缘网格作为实现分布式人工智能的新范式Edge AI 传统上基于使用大数据训练的决策模型。该模型由一系列数学公式组成,安装在边缘节点上。从那里,每个节点都能够根据它接收到的数据和已安装的模型做出自己的决定。这种被称为边缘网格的新范式使得一个节点的决策有可能受到另一个节点的决策的制约,就好像它是一个格状网络一样。了解这种新架构的强大功能的一个很好的例子是智能交通系统。边缘节点可以使用考虑到传感器检测到的汽车和人员数量的人工智能算法来决定交通信号灯的时间。然而,这个决定可以由附近街道的其他节点做出的决定来完美补充。Edge Mesh 的目的是在各个节点之间分配智能,以便提供比更传统架构更好的性能、响应时间和容错能力。4、使用 MLOps 进行生命周期管理变得越来越重要随着行业转向推出具有更多分布式节点和更复杂训练算法的 Edge AI,维持这些训练模型的生命周期以及执行它们的设备的能力将是这项技术未来的关键。从这个意义上说,将 DevOps 理念应用于 AI 算法的开发、推广和维护的项目和公司将得到加强。这种工作方式称为 MLOps,是机器学习和 DevOps 的结合。但它到底是什么?基本上,它旨在通过设备和开发环境、测试和操作的持续集成来减少边缘模型上 AI 的开发、测试和实施时间。5、 边缘人工智能实现主权数据交换毫无疑问,数据共享对于改进行业部门的流程至关重要,价值链中有许多利益相关者。让我们看看不久的将来的电网模型:智能电网。 为了能够获得或提供更好的服务,供应商必须能够分析和处理来自许多利益相关者(如产消者、运营商、分销商和聚合商)的信息。 如果没有透明、敏捷的数据交换,到 2050 年就不可能达到所需的网格优化。借助边缘人工智能 ,可以进行集中式数据处理,这将有助于克服行业目前面临的一些障碍,例如数据安全、隐私和主权。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
自闭症是一种发育障碍,伴随着社交、情感、交流和行为方面的挑战。被诊断为自闭症的儿童往往难以理解沟通和与他人相处,患有感官问题,并表现出重复性行为。自闭症无法治愈,但以不同疗法形式进行的干预可以促进受影响儿童的发育,极大地改善长期预后,并帮助这些儿童在社会上更好地发挥作用。根据疾病控制中心(CDC)的最新可用数据,在美国,大约每44名儿童中就有一名患有自闭症谱系障碍(ASD)。虽然每个孩子的 ASD原因、症状和严重程度可能不同,但这种障碍的一个特征似乎在整个谱系中是共同的:社会功能受损。机器人提供干预美国国立卫生研究院 (NIH) 指出,自闭症的早期诊断和干预更有可能产生重大的长期积极影响。为了使干预措施有效,它们需要包括重复性练习。虽然许多学区的特殊教育人员都接受过培训,可以为自闭症学生提供有效的干预措施,但这些教育工作者往往无法维持取得有意义进展所需的频繁或长时间课程。一些学区选择使用机器人辅助技术来丰富教学内容,以帮助孩子们以有趣的方式学习和练习技能。社交辅助机器人可以帮助自闭症儿童学习社交技能,练习保持眼神交流,并培养沟通技能。这些工具已经在许多教室中使用,其中一些还被用于家庭干预。社交机器人以独特的方式与儿童互动。它们与人工智能 (AI) 协作,对孩子的行为做出反应,并发现技能不足的地方。它们可以解决技能需要提高的领域。机器人使用人工智能来解读孩子的言语和手势,并从反馈中学习。儿童对机器人的反应与他们对其他疗法和方法的反应完全不同。这些机器人不会评判,但鼓励儿童。机器人被设计成与人类相似的形状,来自不同的制造商,有着活泼、儿童友好的名字,如Nao、Movia和Kasper。使用反馈驱动的技术对孩子们来说是有趣和激励性的。通过机器学习监控参与度南加州大学计算机科学系的研究人员开发了个性化学习机器人,并研究了这些机器人是否能够通过机器学习来衡量孩子对某项任务的兴趣。研究人员为17名自闭症儿童提供机器人,为期一个月。机器人将指令和反馈个性化,以适应个人的学习模式。他们发现,机器人能够以90%的准确率自主检测孩子是否参与其中。机器人的价格可能高达 2,000 美元,外加每月的软件订阅费。不过,从长远来看,它们可能是经济且具有成本效益的。以家庭为基础的疗法很昂贵,而且在学校里,特殊教育从业者的时间通常很紧张。与人类治疗师相比,使用社交辅助机器人可以带来注意力和一致性,以及更长的治疗时间,并且效果显著。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
PLOS ONE 的一项新研究使用机器学习分析了 4,438 名婴儿的“气质”数据,试图按性别和年龄对婴儿进行分类。结果表明,计算机算法根据婴儿出生后 48 周内的气质数据,确定婴儿的年龄要比来破译婴儿的性别容易得多。然而,一旦婴儿超过 48 周大,考虑到性别分类算法得到改善,婴儿期的性别差异在这段时间变得更加突出。该研究的主要作者、华盛顿州立大学心理学教授 Maria Gartstein 说:“这至少暗示了一幅图景,即在一岁左右,新生儿的性情开始以更强大的方式因性别而有所不同。以前的研究已经调查了婴儿的年龄和基于性别的气质差异,但很少有研究将这两个变量放在一起。Gartstein 说,这主要是由于单个实验室难以收集足够的婴儿行为数据,以使他们的发现在统计上可靠并与足够广泛的人群相关。为了克服这一挑战,Gartstein 和她的同事联系了更多科学家,汇总了 2006-2019 年间收集的婴儿行为问卷数据。该问卷是一种家长报告的气质测量方法,要求家长记录他们的孩子从 3 到 12 个月大时表现出的 191 种不同行为的频率。然后,这些数据可用于根据 14 个不同的气质维度对婴儿进行评分,例如微笑、活动水平、愤怒/沮丧和恐惧。尽管已经开发了许多用于测量儿童气质的方法,包括各种观察程序和生理技术,但总体而言,父母报告仍然是最广泛使用的。目前,罗斯巴特的心理生物学模型通常被认为是目前最广泛接受的气质理论或框架。这种方法将气质视为基于体质的反应和自我调节的个体差异,体质指的是个体相对持久的生物构成,受遗传、发育和经验的影响;反应性是指情绪、运动和注意力反应的可唤醒性,通过阈值、潜伏期、强度、达到峰值强度的时间和反应的恢复时间来评估;自我调节体现了可用于调节反应性的过程,例如舒缓性和抑制性控制。最终,Gartstein 及其同事收集了 2,298 名男孩和 2,093 名女孩的数据。为进行分析,爱达荷大学的合著者 Erich Seamon 使用机器学习算法将 0-24 周龄、24-48 周龄、超过 48 周的婴儿按照男性或女性,根据 14 个气质维度进行评分。准确率随着年龄的增长而增加,从年龄组 1 的 38% 到年龄组 3 的 57% 不等。Gartstein 表示,“这是一个很酷的机会,可以使用这些机器学习技术进行演示研究,这些技术需要非常大的数据集,并且在社会情感发展研究中并不常见,它让我们第一次有机会真正考虑性别差异在多大程度上受到婴儿年龄的影响。”研究人员的分析结果表明,恐惧是区分年龄最小和中等年龄组男孩和女孩的最重要特征。随着婴儿年龄的增长,反应能力下降,或者能够从高压力情况中迅速恢复,表现出更多的主动互动和与人和物体接触的意愿,变得更有影响力。对于 48 周以上的婴儿,低强度的娱乐或享受熟悉的平静活动(例如与父母玩躲猫猫)是区分男孩和女孩的最有影响的变量。总体而言,女孩在恐惧、反应下降和低强度快感方面表现更高,而男孩在对外接触方面表现更高。有趣的是,某些气质特征降低了机器学习算法在按性别对婴儿进行分类时的准确性,特别是最小年龄组的可爱、声音反应、微笑和笑声,以及最大年龄组的微笑、笑声、感知敏感性(例如注意到非常细微的变化)和活动。尽管许多因素可能会影响研究人员的结果模式,但他们的工作与之前的研究结果一致,即社会化的影响确实在一岁左右开始发挥作用。Gartstein 表示, “母亲对他们的儿子和女儿采取不同的社会化方法,随着时间的推移,这种差异会导致在气质方面的不同轨迹。具体来说,父母可能会优先考虑女儿的关系取向,而优先考虑儿子的能力和自主权。”展望未来,Gartstein 表示,接下来她和她的合作者将用当前研究开发的机器学习方法,来调查其他关于婴儿社会情绪发展的难以回答的问题。Gartstein 说,“我现在真正感兴趣的是,看看是否可以根据孩子的大脑活动来预测看护质量的差异。我们为这项研究开发的分析方法在回答依赖多个输入变量来解决分类问题的问题时特别强大。”本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
据日本《朝日新闻》5月10日报道,科研人员正在利用人工智能研发“万能疫苗”。报道说,由于新冠病毒不断变异,人们开始担心之前使用的新冠疫苗是否依然有效。有没有一种能够应对各种新冠病毒变异株和其他冠状病毒的“万能疫苗”?为了防范下一场全球大流行病,很多国家都在推进相关研究。白宫冠状病毒工作组成员、美国总统首席医疗顾问安东尼·福奇等人在今年1月底发表于美国医学期刊的文章中就主张,当务之急是研发“万能疫苗”。文章还指出,新冠疫情无法根绝,可能会定期出现。除此以外,人类还可能遭遇来自动物的未知冠状病毒。很难预测下一次会出现什么样的病毒。“万能疫苗”的效果即便比不上针对特定病毒的疫苗,但对其他冠状病毒仍有一定的防护效果。人们正在尝试提前研制出这样的疫苗。电气设备制造巨头日本电气公司开始利用人工智能(AI)技术研发下一代疫苗。目前使用的针对新冠病毒的信使核糖核酸(mRNA)疫苗会将含有编码抗原蛋白的mRNA导入人体,形成相应的抗原蛋白,从而诱导机体产生特异性免疫反应,达到预防免疫的效果。但是奥密克戎毒株的刺突中出现大量变异,导致疫苗的防护效果下降。所以日本电气公司的战略是,将刺突以外的病毒蛋白都作为候选抗原,排除那些容易变异的部分。该公司甚至还在设法研发能有效驱动“细胞性免疫”的方法。研究人员通过让AI学习免疫反应的实验数据来确定候选抗原。也就是说,将信息科学与疫苗科学结合起来。美国沃尔特·里德陆军研究所研发出一种名为“刺突铁蛋白纳米粒子”的疫苗,简称SpFN疫苗。报道说,研究人员在猴子身上做试验后确认,该疫苗能够对严重急性呼吸综合征(SARS)病毒和新冠病毒变异株产生预防效果。目前已经着手开展临床试验。铁蛋白是一种结构呈球形的蛋白质,大小和形状都与真正的病毒粒子相似,甚至也带有病毒在感染细胞时使用的突起的结构。日本弘前大学病毒学副教授森田英嗣列举了这种疫苗的优点:“这是一种稳定的蛋白,而且外形酷似病毒,能够长时间、极为高效地发挥免疫效力。”日本大阪大学免疫学前沿研究中心特聘教授黑崎知博等人组成的研究小组将目光投向新冠病毒的刺突蛋白。他们认为,那些不容易变异的部分与其他具有亲缘关系的病毒存在较高的共性。这种思路的核心不是针对某一种冠状病毒的特性,而是找准共性、一举击破。经确认,利用这种方法找到的抗体能够有效遏制SARS和从蝙蝠体内找到的冠状病毒。也就是说,如果能够研发出可在人体内生成这种抗体的疫苗就再好不过了。黑崎教授认为:“未来如果利用这一原理研发疫苗,或许能够有效防范其他冠状病毒导致的疫情大面积暴发。”备受期待的“万能疫苗”是否能够马上问世还是未知数。世卫组织虽然表示研发“万能疫苗”是一个值得期待的选项,但围绕究竟需要多少时间这一问题却难下定论。不过,即便赶不上新冠病毒下一个变异株的出现,也可能成为预防其他冠状病毒引发的下一场大流行病的有力候选工具。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
目前来看,相关研究仅仅只是在一定程度上实现了人与动物之间简单的信息传递,离实现真正的跨物种交流,恐怕还有很长的一段路要走。从短期来看,要想实现跨物种交流还很难,但越来越多的研究无疑正在为其打开一扇扇大门。在《安徒生童话》等文学作品,以及不少优秀的影视作品中都反映了同一个主题——人与动物的交流互动。如今,世界各地的学者们试图通过人工智能等途径打破人与动物的语言屏障,真正实现跨物种的沟通,甚至情感交流。近日,一个由丹麦哥本哈根大学、瑞士苏黎世联邦理工学院,以及法国国家农业、食品和环境研究所等研究人员组成的国际研究小组,开发出一款人工智能产品,可以翻译家猪在各种场景中发出的声音,成功解码了其叫声中所传递的“喜怒哀乐”。该研究成果发表在最新一期的《科学报道》期刊上。那么,人工智能是否可以实现人与动物的沟通?算法具体是如何分辨动物情绪的?目前,人类要通过AI理解动物语言,还需克服哪些困难?已通过算法研究多种动物语言动物和人一样也会有自己的情绪。它们会快乐、难过、恐惧、愤怒,但受限于语言和表达方式,动物的情绪较难为人所知。其实,在我们听起来大同小异的动物叫声中,或许隐藏着它们不一样的情绪。上述论文显示,研究人员为了训练AI翻译猪的语言,专门录下了411头家猪发生于19种不同场景中的7000多次叫声。算法执行结果表明,猪积极情绪的呼叫声比负面情绪的呼叫声更短且振幅更低。研究人员称,这种算法的准确率高达92%,可以基本准确地从猪叫声中辨别其情绪。无独有偶,此前剑桥大学一个科研团队让AI仅根据绵羊的面部表情来识别这只羊是否处于困境之中。AI系统首先根据绵羊疼痛的面部表情,列出与不同疼痛程度相关的几个“面部动作单元”(AU),然后在480张绵羊照片中标记了这些AU——鼻孔变形、每只耳朵的旋转和眼睛的缩小等,以此来判断绵羊的处境。“其实,借助算法研究动物的语言,以及人与动物之间的沟通,早有先例。之前就有研究宠物狗、猫的项目,这些研究的目的在于让人类便于跟它们更好地相处。”5月4日,远望智库人工智能事业部部长、图灵机器人首席战略官谭茗洲在接受科技日报记者采访时指出。例如,为了实现人宠沟通,日本著名声学专家铃木松美博士利用基于机器学习的动物翻译技术,曾经发明过一款“宠物狗翻译器”。宠物主人只需要将一枚迷你麦克风别在衣领上,所收集到的宠物叫声便会传输到翻译器中进行语音识别和转换,进而向主人传达宠物想要表达的意思,了解它们的情绪。“此外,还有研究人员研究简单动物的群体智慧,如蜜蜂、蚂蚁的沟通方式,这些研究对于军事战术、设备等有一定的仿生借鉴意义;还有对海豚、鲸鱼这类动物组织化能力的跨学科研究,这类研究对于探究生物进化史非常有价值。”谭茗洲进一步解释。不懂语言也能获得翻译能力动物有自己的语言吗?如果有的话,它们会聊些什么?了解动物可以说是人类的一个长久研究课题,目前AI正在帮我们探寻答案。谭茗洲表示:“动物没有人类所特有的语言系统,所以研究人员可以通过结合它们的叫声、行为、习性来分析其诉求,以便更好地了解它们。”一位研究人员曾经旁听了两只位置相对静止的抹香鲸之间断断续续长达40分钟的“对话”,它们的“对话”几乎每一句都不重样,并且伴有各种动作。这令人不禁猜测:是否这两只母鲸在“拉家常”、分享育儿心得?对抹香鲸“对话”内容的研究,正是近几年由国际科学家团队发起、《国家地理》支持的“鲸语翻译计划”(Project CETI)中的研究内容之一。 据报道,研究人员正在使用自然语言处理系统(NLP)分析抹香鲸的40亿个交流代码。NLP是人工智能的一个子领域,专注于处理人类的书面和口头语言。研究团队计划让人工智能将每个声音与特定的背景联系起来,这一过程预计至少需要5年时间。如果该团队实现了这些目标,下一步将是开发和部署一个互动聊天机器人,与生活在野外的抹香鲸进行对话。发表在《自然》期刊的科学研究证明,人工智能在破译古代人类语言方面非常有效。这为使用AI探索动物语言开辟了可能性。该研究称,机器学习技术提供了新的工具,可以帮助考古学家更快地了解过去,特别是在破译古代文字时。该AI系统采用了古希腊语言和整个古代地中海世界的铭文进行训练,训练数据来自相关人文学院提供的最大的希腊铭文数字数据集,而且这些铭文中的每一条都标注了元数据,其中描述了由历史学家考察出来的铭文的书写地点和时间。有了这些数据,AI就能在这些信息中寻找模式和规律,并利用复杂的数学模型来对这些信息进行编码,然后进一步使用这些推测出的信息来对其他铭文的内容、编写地点和年限进行推断。研究显示,该AI在修复受损文字方面达到了62%的准确率。这也为翻译动物语言提供了灵感。人工智能在破解古文字和翻译动物语言上往往遵循同样的方法和准则。谭茗洲表示:“在翻译这一经典任务上,机器不需要理解语言,而是仅靠单一语言的语料,即可掌握该语言的句法、语法等关键要素。也就是说,深度学习不懂英语和中文,但是通过大量学习语料即可获得中英互译的能力。”“归根到底,AI能够翻译、理解动物语言,其背后依然是基于人类对语言进行的有效解读。” 谭茗洲说。实现跨物种交流尚有很长的路要走“人类的语言有规律可循,因而不同国家的语言是可以遵循规律去学习的。但动物的语言规则存在未知壁垒,因此AI要实现跨物种语言翻译,尚有一段很长的路要走,需要克服一些困难。”谭茗洲表示。首先,事实证明,利用受人为偏见影响的数据进行训练的算法很容易将结果导向“歧途”。比如,狗会发出急促的叫声,可能是因为想要向主人乞食,也可能是因为提醒主人警惕陌生人,还可能是对主人不陪自己玩的责怪。但如果研究人员仅基于自己的认知,在对这种叫声数据进行标记的时候,认为这种叫声只表达宠物向主人要食物的需求,从而对数据进行单一标记处理,那么人工智能在学习数据、翻译的时候往往就会产生很大的局限性。这种翻译很容易导致人和宠物的沟通障碍,从而丧失宠语翻译的意义。“在研究中,科研人员需要去‘人类中心’,也就是说,借助于算法实现的跨物种沟通,需要算法避免人类某些偏见。”谭茗洲指出。其次,通过AI算法将人类语言与动物语言对应,需要大量、广泛、完善的数据采集和场景训练,以完成对动物语言的解读,实现对“规则”的总结。这需要广泛同步采集动物叫声和脑电波数据并进行比对,再将其纳入数据库。然而不同犬种声带特点不同,面对同一场景的发声表现也不同,而这样的场景和叫声的组合有无数个,这为数据采集工作带来了巨大的挑战。谭茗洲说,在技术方面,一个AI翻译产品做到精确翻译至少需攻破几个难题:在形式端,如果使用拍译的形式要攻克图像识别相关问题,同声翻译形式则要攻克语音识别相关问题;在内容端,AI翻译产品还要攻克文本语言分析、大数据采集等问题。由于AI缺乏对视觉场景、听觉场景、自然语言处理的常识判断,这还需要AI发展到能够极为精确地处理这些问题的阶段。此外,有学者指出,动物语言和人语之间的代沟是客观存在的,AI所能做的,只能是不断改进自身的功能,用科学手段完善数据库、内容、语料和场景;形式和内容双管齐下,才能将这条横亘在动物和人之间的语言鸿沟填平,在坚实的地基上实现人和动物的有效沟通。“尽管有些研究也曾获得了很大的进展,但是其中的问题也无法被忽视。目前来看,相关研究仅仅只是在一定程度上实现了人与动物之间简单的信息传递,离实现真正的跨物种交流,恐怕还有很长的一段路要走。从短期来看,要想实现跨物种交流还很难,但越来越多的研究无疑正在为其打开一扇扇大门。”谭茗洲表示。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
现今,不管是中国制造业,还是农业、餐饮业以及企事业单位等,都在积极从自动化向智能化、数字化转型升级过程中。基于此,愈来愈多的新兴行业、场景以及智能工厂对机器人的需求规模不断扩增,机器人产业多点开花。消杀机器人、咖啡机器人、反诈机器人、巡检机器人、陪练机器人.......一大批智能机器人正在向你靠近!消杀机器人由于疫情跌宕反复,全国多地都紧急按下了 “暂停键”。在防控的工作中,消杀机器人有着很大的作用,主要的消杀场景痛点有很多,很多环境都非常需要消杀机器人来提高效率,缓解地面清洁与环境消杀压力,保障人员安全,全力托举起 “生命方舟”。据说,许多地方公共场所、方舱医院都出现了“清洁消杀机器人”。清洁消杀机器人可携带消毒液大约19升,消杀效率2932立方米/小时,并且具有远程遥控、自主导航、行进路线设计等功能,可对区域进行零接触和无死角消杀,解决保洁人员供给紧张现状的同时,更减少了人工作业的高密度接触风险。咖啡机器人咖啡不仅是功能性饮品,更是被赋予了年轻、时尚,现代化的精神内涵,写字楼白领、商务人员和高等学府师生已成为咖啡的深度用户。然而,受到特殊事件的影响,从前触手可得的咖啡饮品等各类生活服务变得稀缺。这也随之催生了“无接触式”服务需求,咖啡机器人的价值日益凸显。目前,市场上涌现出很多像cofe+机器人咖啡亭,在当下开始发挥着不可替代的作用。据了解,咖啡机器人硬件以协作机器人和高品质咖啡机为主体,可以全自动制作口感醇香的现磨咖啡。另外,内部搭载智能化系统,能够实现定制咖啡口味和复杂花型的制作,全自动作业无需人工协作,更加保障了咖啡饮品的卫生安全。反诈机器人近年,许多地方在做好传统阵地反诈宣传工作的基础上,通过反诈机器人等科技手段精心组织、持续发力,打好反诈宣防“组合拳”,切实提高辖区群众反诈防骗意识和能力,积极营造“全覆盖、强提醒”的反诈宣防氛围,有效遏制电信网络诈骗犯罪的高发势头,全力守护群众的财产安全。例如,东新派出所通过新上线的反诈好帮手“芸擎”反诈机器人助力成功阻止多起网络电信诈骗案件的发生;张掖市公安局请来了反电诈宣传机器人“祁祁”;江宁派出所推出“反诈AI智能外呼服务机器人”等,大幅提升工作效能,进一步提升辖区反诈宣传覆盖面,有效筑牢反诈宣防阵线。巡检机器人巡线机器人是以移动机器人作为载体,以可见光摄像机、红外热成像仪以及温度检测、声音检测、气体检测等其它检测仪器作为载荷系统,以机器视觉—电磁场—GPS——GIS的多场信息融合作为机器人自主移动与自主巡检的导航系统,已在电力、煤矿、城建等行业得到广泛应用。电力巡检机器人可以及时发现电力设备运行的事故隐患和故障先兆,确保设备安全可靠运行,实现检测、监控、安防、管理,实现了变电站无人值;煤矿巡检机器人能按照设置好的路线自动巡检,并将运行数据实时上传到地面自动化中心,工作人员可以实时监测变电所运行情况,提升主煤流运输系统的安全系数及工作效率。陪练机器人近年来,以家用扫地机器人、教育机器人、陪练机器人等为代表的服务机器人已逐渐渗透到人们的日常生活中,用户认可度不断提升。近年来,随着全民健身国家战略深入实施,群众体育活动日益丰富,在此背景下,陪练机器人前景十分广阔,为亚健康人群定制“运动处方”。据说,国外开发排球陪练机器人, 这是一款由日本排球协会和日本筑波大学联合研发的排球训练机器人,以帮助日本国家排球队训练。再如上海庞勃特科技研发出针对乒乓球训练的AI乒乓球机器人——发球机器人,可以实现诸如远程乒乓球教学、娱乐对战等场景需求。教育机器人近年来,青少年教育机器人(也称教育机器人)成为孩子们的新宠,其对于普及科学知识,提升青少年科技素养以及激发学生学习兴趣、培养学生动手能力和学生综合能力起到了一定作用。例如积木机器人可以给孩子们丰富的想象力,让他们在完成机器人作品的同时还可以自由发挥。除了青少年教育机器人,作为教育机器人的一种,工业教学机器人也随着加大培养智能制造人才应运而生。据了解,华成工控推出了6轴到8轴桌面工业教学机器人控制系统,即融合了运动控制算法、驱控一体技术、机器视觉、编码器跟随等技术,能够帮助培训学院打造机器人实训平台。对于学生来说,只要通过该实训台完成工业机器人上下料、搬运码垛、喷涂、抛光打磨、机床上下料等生产线的综合模拟训练,这有助于提高学生对工业机器人综合应用的复杂操作及编程能力,让学生掌握工业机器人基本技能后可将其应用于实际需求,增加工业机器人操作应用经验。办公机器人在物联网、大数据、云计算以及人工智能和5G等技术迅速发展的背景下,政企办公的智慧化水平快速提高。当下,不少政企通过智能感知、移动互联、大数据挖掘等手段,实现办公业务智能化、经营管理、单位各种资源获得智能调配和优化利用,以及填写邮单、打印邮单、查询不动产信息、打印不动产信息反馈表智能化。像南宁市江南区人民法院执行局迎来一名特殊的工作人员——办公机器人,即使在非工作时间,机器人也能自动完成信息提取及查询工作,实现24小时自动化办公,省时省力效率高;有证券企业引入办公机器人,实现流程自动化(RPA)、文档智能审阅、企业级垂直搜索、智能推荐等,大幅度提高企业效率与智能化水平。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
今天给大家介绍下人工只能发展的几个关键技术。从语音识别到智能家居,从人机大战到没人驾驶,人工智能的“演化”给我们社会上的一些生活细节,带来了一次又一次的惊喜,前景更多智能产品依托的人工智能技术会开展成什么样呢?让我们来看看人工智能规范化白皮书里面,对人工智能重要关键技术的定义。人工智能技术关系到人工智能产品是否能够顺利应用到我们的生活场景中。在人工智能领域,它普遍包括了机器进修、知识图谱、自然语言处理、人机交互、计算机视觉、生物特征识别、AR/VR七个重要关键技术。一、机器进修机器进修(Machine Learning)是一门波及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科,钻研计算机怎样模拟或达到人类的进修行为,以获取新的知识或技能,重新组织已有的知识构造使之不断改善自身的性能,是人工智能技术的核心。基于数据的机器进修是现代智能技术中的重要方法之一,钻研从观测数据(样本)出发寻找规律,利用这些规律对前景数据或没法观测的数据进行预测。依据进修模式、进修方法以及算法的不同,机器进修存在不同的分类方法。依据进修模式将机器进修分类为监督进修、没监督进修和强化进修等。依据进修方法能够将机器进修分为传统机器进修和深度进修。二、知识图谱知识图谱本质上是构造化的语义知识库,是一种由节点和边组成的图数据构造,以符号形式描述物理世界中的概念及其互有关系,其根本组成单位是“实体—关系—实体”三元组,以及实体及其有关“属性—值”对。不同实体之间通过关系互相联结,构成网状的知识构造。在知识图谱中,每个节点表示现实世界的“实体”,每条边为实体与实体之间的“关系”。通俗地讲,知识图谱就是把所有不同品种的信息连接在一起而得到的一个关系网络,提供了从“关系”的角度去分析问题的才能。知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域,须要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地,知识图谱在搜索引擎、可视化展现和精准营销方面有很大的优势,已成为业界的热门工具。但是,知识图谱的开展还有很大的挑战,如数据的噪声问题,即数据自身有错误或者数据存在冗余。随着知识图谱应用的不断深层,还有一系列重要关键技术须要突破。三、自然语言处理自然语言处理是计算机科学领域与人工智能领域中的一个重要方向,钻研能达到人与计算机之间用自然语言进行有效通信的各种理论和方法,波及的领域较多,主要包含机器翻译、机器浏览了解和问答系统等。机器翻译机器翻译技术是指利用计算机技术达到从一种自然语言到另外一种自然语言的翻译过程。基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性,翻译性能取得宏大提升。基于深度神经网络的机器翻译在日常口语等一些场景的成功应用已经显现出了宏大的潜力。随着高低文的语境表征和知识逻辑推理才能的开展,自然语言知识图谱不断扩充,机器翻译将会在多轮对话翻译及篇章翻译等领域取得更大进展。语义了解语义了解技术是指利用计算机技术达到对文本篇章的了解,并且答复与篇章有关问题的过程。语义了解更注重于对高低文的了解以及对答案精准程度的把控。随着 MCTest 数据集的发布,语义了解受到更多关注,取得了快捷开展,有关数据集和对应的神经网络模型层出不穷。语义了解技术将在智能客服、产品自动问答等有关领域发挥重要作用,进一步提高问答与对话系统的精度。问答系统问答系统分为开放领域的对话系统和特定领域的问答系统。问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们能够向问答系统提交用自然语言表达的问题,系统会返回关联性较高的答案。只管问答系统目前已经有了不少应用产品出现,但大多是在现实中信息效劳系统和智能手机助手等领域中的应用,在问答系统鲁棒性方面依然存在着问题和挑战。自然语言处理面临四大挑战:一是在词法、句法、语义、语用和语音等不同层面存在不确定性;二是新的词汇、术语、语义和语法导致未知语言现象的不可预测性;三是数据资源的不充分使其难以笼罩复杂的语言现象;四是语义知识的含糊性和扑朔迷离的关联性难以用简略的数学模型描述,语义计算须要参数庞大的非线性计算四、人机交互人机交互主要研究人和计算机之间的信息交换,主要包括人到计算机和计算机到人的两部分信息交换,是人工智能领域的重要的外围技术。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行,主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备,以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外,还包括语音交互、情感交互、体感交互及脑机交互等技术。五、计算机视觉计算机视觉是运用计算机模仿人类视觉系统的科学,让计算机拥有类似人类提取、处理、了解和分析图像以及图像序列的才能。自动驾驶、机器人、智能医疗等领域均须要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度进修的开展,预处理、特征提取与算法处理慢慢融合,构成端到端的人工智能算法技术。依据攻克的问题,计算机视觉可分为计算成像学、图像了解、三维视觉、动态视觉和视频编解码五大类。目前,计算机视觉技术开展迅速,已具备初步的产业规模。前景计算机视觉技术的开展主要面临以下挑战:一是怎么样在不同的应用领域和其他技术更好的联合,计算机视觉在攻克某些问题时能够广泛利用大数据,已经渐渐成熟并且能够超过人类,而在某些问题上却没法到达很高的精度;二是怎么样降低计算机视觉算法的开发时长和人力老本,目前计算机视觉算法须要大量的数据与人工标注,须要较长的研发周期以到达应用领域所要求的精度与耗时;三是怎么样加快新型算法的设计开发,随着新的成像硬件与人工智能芯片的出现,针对不同芯片与数据采集设备的计算机视觉算法的设计与开发也是挑战之一。六、生物特征识别生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看,生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集,如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集,利用数据预处理以及特征提取技术对采集的数据进行处理,得到相应的特征进行存储。识别过程采用与注册过程一致的信息采集方式对待识他人进行信息采集、数据预处理和特征提取,其次将提取的特征与存储的特征进行比对分析,完成识别。从应用任务看,生物特征识别一般分为辨认与确认两种任务,辨认是指从存储库中确定待识他人身份的过程,是一对多的问题;确认是指将待识他人信息与存储库中特定单人信息进行比对,确定身份的过程,是一对一的问题。生物特征识别技术波及的内容十分广泛,包含指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征,其识别过程波及到图像处理、计算机视觉、语音识别、机器进修等多项技术。目前生物特征识别作为重要的智能化身份认证技术,在金融、公共安全、教育、交通等领域得到广泛的应用。七、VR/AR虚拟现实(VR)/增强现实(AR)是以计算机为核心的新型视听技术。联合有关科学技术,在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互,互相影响,获得近似真实环境的感受和体验,通过显示设备、跟踪定位设备、触力觉交互设备、数据获取设备、专用芯片等达到。虚拟现实/增强现实从技术特征角度,依照不同处理阶段,能够分为获取与建模技术、分析与利用技术、替换与分发技术、展现与交互技术以及技术规范与评价体系五个方面。获取与建模技术钻研怎么样把物理世界或者人类的创意进行数字化和模型化,难点是三维物理世界的数字化和模型化技术;分析与利用技术重点钻研对数字内容进行分析、了解、搜索和知识化方法,其难点是在于内容的语义表示和分析;替换与分发技术主要强调各种网络环境下大规模的数字化内容流通、转换、集成和面向不同终端用户的个性化效劳等,其核心是开放的内容替换和版权管理技术;展现与替换技术重点钻研合乎人类习惯数字内容的各种显示技术及交互方法,以期提高人对复杂信息的认知才能,其难点在于建设自然和谐的人机交互环境;规范与评价体系重点钻研虚拟现实/增强现实根底资源、内容编目、信源编码等的规范规范以及相应的评估技术。目前虚拟现实/增强现实面临的挑战主要体此时智能获取、普适设备、自由交互和感知融合四个方面。在硬件平台与装置、核心芯片与器件、软件平台与工具、有关规范与规范等方面存在一系列科学技术问题。总体来说虚拟现实/增强现实呈现虚拟现实系统智能化、虚实环境对象没缝融合、自然交互全方位与温馨化的开展趋势。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
难以检测到的机器故障是最昂贵的,这就是为什么资深的维修技师那么抢手的原因。如今许多制造公司正在寻找自动化和降低维护成本的解决方案。随着自动化和数字化进程深入,新设备依靠传统的振动诊断方法可能为时过晚,因为大多数维修人员可能无法提前发现故障。来自德勤报告称,在工业4.0环境下,预测性维护的好处取决于行业或其应用的特定流程。德勤当时的分析已经得出结论,材料成本平均节省了5%至10%;设备正常运行时间增加10- 20%;整体维护成本降低5 - 10%;维护计划时间甚至减少20 - 50%!诸如Neuron Soundware这样的公司开发人工智能技术,用于预测性维护。合格维修工人缺乏开始数字化旅程的公司经常需要面对市场上熟练劳动力短缺的现实。通常是机械维修工,定期巡视所有的机器,通过听机器的声音来诊断它们的状况。一些公司现在正在寻找新的维修技术来替代。没有及早识别的故障意味着更换整个设备或其部件。整个维修时间还包括等待备件,因为可能储存替换设备很昂贵,没有库存。它将表示多达数十小时的停机时间。损失可能高达数万甚至数百万。机器实时监控是一种趋势如果维修技术除了机器的机械知识外,还配备了人工智能。它将这些知识本身应用于机器的当前状态。它还能够识别机器上当前发生的异常行为。在此基础上,发送相应的报警和精确的维护指示。例如,电梯、自动扶梯和移动设备等机械设备的制造商今天就在使用这种技术。人工智能可以在生产的各个阶段提供帮助当然,预测性维护技术有更广泛的应用。由于人工智能的学习能力,它们可以多才多艺。例如,该技术能够帮助质检测试。识别产品中肉眼看不见且随机出现的缺陷部分。另外应用领域是对生产过程的监控。以碎石机为例来想象这一点。传送带将不同大小的石头输送到磨床,磨床产生给定颗粒度的砾石。以前,制造商会运行破碎机预定的时间。为了确保即使在最大的岩石块存在的情况下,也能发生足够的破碎。用人工智能“倾听”砾石的大小。他可以在正确的位置停止碾压过程。这意味着不仅可以节省破碎设备的磨损,更重要的是,可以节省时间,增加每班的砾石输送量。这给生产者带来了巨大的经济利益。那些拥有大量同质设备资产的公司效益更大在实施预测性维护技术时,公司的规模有多大并不重要。最常见的决策标准是部署的解决方案的可伸缩性。在拥有大量相似机械装置的公司中,可以迅速收集代表个别问题的样本。神经网络从中学习。然后它可以同时处理任意数量的机器。机器越多,神经网络学习和检测的效率越高。预测性维护的未来:可用性和适应性状态监测技术通常是为大型工厂设计的,而不是为只有少量机床的车间设计的。然而,随着硬件、数据传输和处理变得越来越便宜,这项技术也在逐步实现更广泛的应用场景。因此,即使是一个自制果酱的制造商也会很快有信心,相信他的机器能生产出足够的产品,按时将订单送到客户手中,而不会毁了自己的声誉。在未来,预测性维护将是必要的。不仅是在工业制造上,还包括我们日常生活中的那些设备(比如汽车、各种家用电器等)。随着人工智能驱动的自动检测设备的安装,我们将及时了解即将发生的故障,并能够及时解决问题,而不是在设备停机时给服务商打电话,焦急的等待上门维修服务。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
数字哨兵现在上海很多场所都已经部署数字哨兵,进出人员仅需扫健康码或刷身份证,就能实时核验核酸检测结果、人员身份和体温等具体信息。比如,商汤科技推出的集“佩戴口罩识别+人体测温+验健康码+疫苗接种信息+核酸查询+电子证照”六种功能为一体的商汤数字哨兵便捷通行系统。该“六合一”数字哨兵可助力疫情防控信息的快速验证,省去上海市民查找检测报告的复杂操作。目前该系统现已部署至上海长宁区多处市民访问量较大的公共活动场所出入口,如菜场、事务受理中心、图书馆、文化艺术中心、少年儿童图书馆等,以及各类社区活动中心、市民中心、养老院、街道综治中心、婚姻登记处等地。智能消毒机器人在医院、商场及一些科技园区,我们经常可以看到智能消毒机器人的身影,尤其在医院,医院是许多抗议战场中的第一线,为保障更安全的就诊环境,当前上海多家医院都用到了智能消毒机器人。比如来自上海擎朗智能科技有限公司的消毒机器人,据介绍,擎朗消毒机器人搭载短波UVC紫外线杀菌灯与雾化喷头,可喷出10μm以下超干雾颗粒,出雾细腻均匀可以进行无死角消毒,其集成的多种消毒模式,能够有效消除空气+物体表面的病毒和细菌。重点是智能消毒机器人的效率远高于人工,采用机器人工作,就不需要工作人员穿上厚重的防护服,也不用担心成为病毒载体,而且只需要十几分钟就可以完成1000㎡的消毒杀菌工作。并且,在消毒完成后,机器人还自动储存至云端平台,完整记录消毒程序。智能语音机器人目前上海部分地区正实施封闭式管理,如果仅靠社区工作人员人工排查,逐门逐户完成核酸检测、健康状态回访、外来人员行程流调等工作,要耗费大量人力物力,还可能交叉感染。上海联通和科大讯飞成立了专项攻关团队,根据实际需求进行智能语音机器人的话术设计,利用智医助理辅佐相关的防疫、战疫行动,仅仅48小时就完成“智能语音机器人”上线。在不到3个小时的时间里,“智能语音机器人”完成了对嘉定地区重点人群的核酸检测排查。据某区疫情防控指挥部的相关负责人介绍,“在市民接到呼叫电话后,系统可根据每名市民的不同回答自动生成表格,随后工作人员可从系统自动统计反馈的情况,重点跟进核酸未做人员的信息并进行对应的反馈。与传统人工呼叫相比,‘智能语音外呼助手’呼叫提升效率,而且避免了人与人接触的疫情防控风险。”AI 通过声音诊断新冠近日有消息称,美国辉瑞公司(Pfizer)将收购ResApp,ResAPP目前开发了一款通过分析咳嗽声来诊断是否感染新冠病毒的应用程序。有研究显示,受新冠肺炎病毒感染的患者,肺部会发生一些病变,其呼吸模式等参数会受到影响,导致发出的声音(呼吸间隔、咳嗽声等)出现一些异常特征,算法通过学习数据能够抓取识别出这些病症。ResApp表示,在印度和美国对741名患者进行的临床试验中,该算法正确地检测出了92% 的新冠病毒感染者。ResAppDx目前在欧洲通过了CE市场认证,在澳大利亚获得了TGA许可批准。不过,应用程序筛查并不能完全代替临床医生的诊断,但可用作COVID-19的早期预警,或者说是筛查,而不是诊断。ResAPP方面表示,其设计的流程是如果检测结果并没有感染,那么就无需做快速抗原测试或者PCR检测,但如果程序诊断感染了新冠病毒,那么人们就应该继续正常的检测。AI加速疫苗和药物研发新药研发过程复杂漫长,面对突然爆发的疫情,人工智能技术的应用变得非常重要。比如,此前百度研究院与斯微生物就新冠mRNA疫苗的开发展开了AI序列优化算法的合作,开发了专门用于设计优化 mRNA 序列的高效算法。斯微生物完成了这种高效算法在新冠病毒 mRNA 疫苗分子设计上的生物学验证。结果显示,在稳定性、蛋白质表达水平以及免疫原性等多个衡量疫苗的指标上,通过这种算法设计的新冠疫苗序列优于传统方法设计的基准序列,疫苗序列中和抗体滴度是传统基准序列的20倍。自疫情爆发以来,已公开了大量关于利用人工智能和大数据发现有效药物的研究报道,这些研究主要集中在靶点发现、疾病网络构建和药物筛选。除此之外,也有利用人工智能技术生成新的小分子,AI新药研发公司Insilico Medicine此前在官网上公开了其AI算法设计的6种可以阻止病毒复制的新分子结构。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
鼠标点击式编程历来是编程界的新趋势。简而言之,这是一种编程方法,将现成的代码模块组合起来、形成一个新的软件。不用说,这种编写程序的方法远非完美。首先,从事这种编程的程序员可能甚至不知道那些模块中有什么。这导致了两个基本问题:一是无意或有意的错误或缺陷(bug),二是无法正常运行的糟糕代码。前者归因于模块可能针对不同的场景编写,会导致程序在有别于预定场景的场景中运行缓慢。如果是操作型负载,尤为如此。后者归结为这样事实:程序员查看代码块可能不够仔细,这为隐藏的后门允许黑客黑入系统埋下了隐患。如果缺少适当的测试,它们大部分时间不会被人注意到。目前,我们拥有GitHub、Copilot、DeepMind和AlphaCode之类的开源代码库。它们充当代码数据库,人工智能(AI)可以使用它们来编译自己的代码。AI在编程方面能提供什么帮助?AI在这里可以做什么呢?首先,AI可以编写测试,分阶段对流行威胁进行建模。其次,AI可以编写自己的代码块,从含有数千个代码块(许多代码块不够好)的代码库编译适当的代码块。最终,这将节省时间和金钱。视AI而定,有时AI可以自行编写优化的代码,这些代码在操作中清晰且高效。这种代码以后处理起来更容易,因为它编写得很好;如果将来需要实施某些更新,这将节省时间。此外,AI在通过某些参数调整代码数据库中的开源代码方面效率高得多。这使其能够迅速分析和过滤代码,并采用最佳实践以帮助创建将在产品中使用的节省操作资源的代码。软件开发的另一个问题是对客户及其需求缺乏清晰的了解。由于工作范围和最终产品的具体细节缺乏明确性,程序员常常不得不进行解释。AI则让客户可以从目录中选择所需的参数,创建程序员和项目经理更容易理解的工作范围。AI可以取代人类程序员吗?这个问题的答案分两方面。AI可以在一定程度上取代人类程序员,处理复杂性有限的任务。如果您需要使用现有开源代码数据库就能复制的简单产品,可以轻松地依靠AI为您编写完整代码。但是面对大型项目,您不能依靠AI为自己做所有工作。在这种情况下,就只能依靠AI作为辅助工具,而不是负责整个开发过程。这意味着大型项目仍需要项目经理和专业人员来监督用户体验和前端等方面的工作。AI 的智力能力在很大程度上不足以解决软件开发过程中出现的创造性任务,它也无法管理完成产品需要从事的创造性工作量具有的复杂性。但AI肯定会引发IT专家之间的竞争,因为它在基础任务(比如使用代码块)方面能够与IT专家一较高下。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
当代年轻人习惯把「emo」当口头禅挂在嘴边,而忽略了真正的「抑郁」代表什么。假如人的情绪也有「值」,那么如何让情绪测试能像测量体温、血压一样简单?人工智能技术正在通过声音来探索其释放的情绪信息,比如杨紫主演的《女心理师》有一幕场景是 AI 系统分析/干预来电者的自杀倾向。从呼吸系统疾病到帕金森病、慢性老年病这类生理疾病,以及抑郁症、产后抑郁、认知障碍和脑震荡等精神疾病,这些正是 AI 的探索方向——「语音生物标志物」(Vocal Biomarker)。IT 桔子注意到近日一则「AI 通过声音来诊断新冠」相关的重磅新闻:美国辉瑞公司(Pfizer)已同意以每股 0.115 澳元、总价 1 亿澳元的价格收购 ResApp 股票,但交易仍需法院和股东的批准。ResAPP 目前开发了一款通过分析咳嗽声来诊断是否感染新冠病毒的应用程序。追本溯源,说到通过听患者的声音来辅助医生判断病情这件事一点也不奇怪,中医自古强调的「望闻问切」中的「闻」就是指听声音、气息;现代医学领域中的听诊器更是发布于 1819 年。可见,除了影像数据,声音数据也是医学范畴内的必要的医疗数据。不过,不同于传统就医方式下的面诊、医生判断,人工智能加持下的医学使得远程医疗、机器诊断成为可能。在新冠疫情大爆发、全球医疗资源紧张的今天,这种方式或是得以解「燃眉之急」。本文着眼于科普,并能简要回答以下四个问题:AI 语音识别筛查新冠病毒和抑郁症是如何实现的?辉瑞制药拟收购的 ResApp 这家公司有何特殊之处?全球范围内获得投资的同类公司还有哪些?国内公司在这方面进行了什么样的尝试探索?通过语音判断是否感染病毒是如何实现的通过声音检测新冠病毒感染靠谱吗?要回到这个问题,需要回归科学层面。研究表明,人体发声时会产生相应的生物标记物,当身体出现健康问题时,疾病的特异性干扰会对人体某个系统或多个系统产生细微、肉眼难以察觉、但具有特性的变化,生物标记物含量由此产生变化。而这种变化,可以利用机器来进行检测和分析计算。其实,相比 AI 语音识别是否感染近 2 年才出现的新冠病毒,AI 更早之前还被运用于判断和识别 PTSD(创伤后应激障碍)、抑郁症以及其他心理疾病。比如,抑郁症患者往往会表现出言语迟缓、音量不稳定、发声颤抖、语言韵律异常等症状。2015 年,纽约大学 Langone 医学中心的研究人员使用神经网络发现了 30 种语音特征,比如,机器学习算法显示,在 250 多名患有创伤后应激障碍的个体中,发音中的元音间隔明显缩短等。这些特征可能区分出创伤后应激障碍的退伍军人和未受影响的退伍军人(或健康对照组),这个方法被用于一项为期 5 年的前瞻性大型队列研究。在开发的早期阶段,研究人员就发现该系统可以诊断 PTSD 的准确性为 77%。那么,继听声辅助心理诊断后,AI 在通过声音来判断是否感染新冠病毒也有了用武之地。卡内基梅隆大学(CMU)一支研究团队长期致力于语音取证技术的研究,他们研究发现人的声音受到器官机构状况和健康程度的影响,能揭示生理/心理甚至医学数据。受新冠肺炎病毒感染的患者,肺部会发生一些病变,其呼吸模式等参数会受到影响,导致发出的声音(呼吸间隔、咳嗽声等)出现一些异常特征,算法通过学习数据能够抓取识别出这些病症。时频谱示意图早在 2020 年 4 月,卡内基梅隆大学就发布过简易的测试程序 COVID Voice Detector 中,受试者需要填写个人健康相关信息,并录制咳嗽、英文元音的发音,数字和字母表朗读等语音信息。系统最后会返回一个分数,表明所录制的声音和收集到的 COVID-19 患者数据相比,其感染特征相符合的程度。整个过程的实现是需要经过前期数据采集,中期的构建数据分析模型、机器学习,到后期的数据采样、数据匹配与结果反馈。首先,研究者需要采集到新冠阳性确诊者和阴性人群的大量录音测试数据,然后将这些语音生物标志物生成频谱图;机器模型经过训练和学习来感知和分析其中的细微变化;在最后的应用期,人工智能将用户提交的录音与基于临床试验中 COVID-19 阳性参与者的录音的合成图像进行比较,以确定它们之间的相关性。最后,机器反馈输出一个结果。所以,机器识别的准确率很大程度上取决于数据信息的丰富度,当训练的样本数据足够多,足够丰富,机器判断的准确率也能提高。ResApp 表示,在印度和美国对 741 名患者进行的临床试验中,该算法正确地检测出了 92% 的新冠病毒感染者。ResAppDx 目前在欧洲通过了 CE 市场认证,在澳大利亚获得了 TGA 许可批准。值得注意的是,应用程序筛查并不能完全代替临床医生的诊断,但可用作 COVID-19 的早期预警,或者说是筛查,而不是诊断。ResAPP 方面也表示,「其设计的流程是如果检测结果并没有感染那么就无需做快速抗原测试或者 PCR 检测,但如果程序诊断感染了新冠病毒,那么人们就应该继续正常的检测。」ResApp 是一家什么样的公司通过 Google 搜索和官网公开信息,我们发现 ResApp Health 是一家「重生」的新公司——ResApp Diagnostics 通过反向收购 2005 年在澳大利亚证券交易所上市的生物公司 Narhex Life Sciences 实现上市,2014 年双方组建了 ResApp Health,公司总部位于澳大利亚布里斯班。其背后核心团队成员背景也比较多元:非执行主席 Roger Aston 博士具有生物学背景,在多家大型制药公司董事会任职;CEO、总经理 Tony Keatin 拥有昆士兰大学的机械工程博士学位(Ph.D.),创业前曾在 UniQuest 工作,主要负责技术商业化方面;联合创始人 Brian Leedman 是一位连续创业者,曾创办多家医疗公司,主要负责营销和投资者关系。ResApp 专注于提供呼吸道疾病领域的数字化诊断筛查服务——利用机器学习算法分析咳嗽声对哮喘,肺炎和毛细支气管炎等疾病进行判断。这种服务既可以集成在远程医疗解决方案系统中为医生提供便利,也可以运行在独立的 APP 中面向患者使用。ResApp 公司旗下有三大产品体系,分别应用于急性呼吸疾病诊断、慢性呼吸疾病管理和睡眠健康管理领域。值得一提的是,睡眠健康管理主要是帮助具有睡眠呼吸障碍的人群。ResApp 开发了一种阻塞性睡眠呼吸暂停筛查测试程序,通过床头的智能手机来记录夜间呼吸和打鼾声以识别阻塞性睡眠呼吸暂停 (OSA)。传统方式的睡眠呼吸暂停诊断需要在实验室使用多个传感器,进而生成多导睡眠图 (PSG),而 AI 分析检测的方式几乎「无感知」,将对人体的干扰降为最低。图片来源 ResApp 官网,经谷歌翻译另外,ResApp 近期开发了一款通过听咳嗽声音判断是否感染新冠病毒的 APP,并声称其 APP 新冠检测准确率「已经超过了快速抗原测试的实际准确率」。ResApp 还表示,除了表示收购意向外,辉瑞与公司宣布将就新冠病毒问题签订研发许可协议。目前 ResApp 在澳交所的股价为 0.11 澳元,总市值约 1 亿澳元;同时,还在美股 OTC(场外柜台交易)板块可交易。像这样分析声音的 AI 医疗公司还有哪些致力于语音生物标志物」(Vocal Biomarker)研究的商业公司都有谁呢?可参见下表:除了上文说到的 ResApp,IT 桔子观察到全球范围内另有其他一些使用声音做诊断的公司获得了融资。比如美国抑郁症诊断语音分析领域的 Ellipsis Health 完成了 2600 万美元 A 轮融资,加拿大 AI 语音诊断技术研发商 Winterlight Labs,以及专注识别焦虑和抑郁等疾病的美国初创公司 Kintsugi 在近半年内分别完成 800 万美元的种子轮融资和 2000 万美元的 A 轮融资。还有两家以色列健康科技公司 Beyond Verbal 和 Healthymize 合并设立的 Vocalis Health 在 2019 年底获得了以色列健康技术和生命科学风险投资公司 Amoon 牵头的 900 万美元融资。在 2021 年 2 月,Vocalis 宣布其 COVID-19 筛查工具 Vocalis Check 在大型临床研究中成功验证,并已获得 CE 标志,成为首个获得 CE 批准的新冠筛查医疗设备。以上公司虽然可能是语音生物标志物」领域部分获投公司,但不管从布局的资方数量上看,还是公司所获融资阶段等各方面来看,这个细分市场是一个很前沿的赛道,目前还非常早期,商业化落地短期内更是无望。尤其是在国内,虽然国内在智能语音领域拥有不少成熟的头部 AI 公司,但无论是老牌的科大讯飞,还是新秀的云知声、思必驰,目前还没有公开可行的 AI 语音生物标志物产品/方案。不过国内也有两家初创公司曾经或正在探索这个方向。想象科技成立于 2014 年,提供语音情感分析与心理测评服务;尝试过社交方向。2017 年专注「情绪体检」的 Wonder AI Lab 成立,探索 AI+心理健康的可能性。其感知 AI 模型通过实时识别个人情绪,再综合心理、精神疾病等多学科知识交叉运用,基于 EQ 专家所标记的 350 多万个情感音频数据,最后应用到智能语音心理健康平台上。科慧健远成立于 2019 年,在某次创业大赛中展示了其研发的一款儿童语言发育障碍 AI 病理机器人,利用 AI 人脸识别技术、眼线眼动数据分析技术、病理语音数字分析技术、自闭症及语言相关障碍筛查系统,对语言发育迟缓、儿童构音障碍、自闭症、语言发育迟缓等疾病进行筛查和识别。不过,该项目是否真正落地和推向市场,暂不得而知。AI 加持下的普惠、个性化医疗让现代医学诊断不再止步于临床应用,而是走进千家万户,更加便利可取。这条道路虽任重而道远,但其价值无限,亦值得出发。本文转载自51CTO,本文一切观点和机器智能技术圈子无关。原文链接免费体验百种AI能力以及试用热门离线SDK:【点此跳转】
2022年09月
2022年08月
2022年07月
2022年06月
2022年05月