张飞软硬开源基于STM32 BLDC直流无刷电机驱动器开发视频套件,👉戳此立抢👈

人工智能的落地有四个重要的环节需要解决

2018-11-06 09:13 次阅读
CSDN 出品的《2018-2019 中国人工智能产业路线图》V2.0 版即将重磅面世! V1.0 版发布以来,我们有幸得到了诸多读者朋友及行业专家的鼎力支持,在此表示由衷感谢。此次 V2.0 版路线图将进行新一轮大升级,力求为读者呈现更全面的中国人工智能产业发展概况和趋势判断。 此文为深度技术分析系列稿件第 6 篇,作者为 CSDN 特邀 AI 专家——探智立方产品总监宋煜。 人工智能会影响多个领域,甚至是那些非常传统的商业领域。而机器学习(这里指的是广义的机器学习)是人工智能的一个重要组成部分,它指的是对大数据集上的算法进行训练,以便他们学习如何更好地识别所需的模式。 近一年来,我们会看到在芯片领域,网络安全领域,语音助理领域,法律咨询领域,医疗诊断领域,制药领域,越来越多的AI技术在推动行业的发展和进步。同时,各种人工智能的比赛也层出不穷,而比赛的背后推动力实际上就是行业方案的落地能力。传统行业正越来越急迫地希望 AI 能够真正应用于实际的生产环节之中。 机器学习算法概述 随着对实际应用要求的呼声越来越大,算法层面的研究也慢慢变得清晰和细致。在今天,从技术的角度来看,人工智能的落地有四个重要的环节需要解决:数据标注问题,模型设计问题,模型训练性能问题和模型可解释性问题。 在算法层面,有大量的工作围绕这四个问题展开: ▌模型训练需要大量准确的标注数据 针对这种挑战,业界一直试图通过数学方法降低对大量数据的依赖。从减少标注的角度,非监督学习提供了不同的方法如协同训练,半监督字典学习,标签传播算法,半监督支持向量机以及阶梯(Ladder)网络。可以看到,大部分半监督学习的方法都建立在对数据分布的某种假设。如果训练数据的确真实反应了现实世界中数据分布的情况,那么就会从中受益,否则效果会大打折扣。 深度学习领域,阶梯网络试图通过一个网络把有标签的监督学习和同类但无标签数据进行共同训练,实现一个端到端的半监督深度模型。阶梯网络通过在反向传播的同时最小化有监督和无监督的损失,从而避免分层预训练的需求。通过 Skip Connection 使编码层的每一层都有一个到解码层的横向连接;同时在编码层,每一层都引入噪声以实现类似于降噪自编码器的能力。阶梯网络中,隐变量是整个模型的关键所在。分层隐变量模型可以保留较低级别的细节表示,允许更高级别的表示可以更多的关注那些不变,抽象的特征。随着技术的发展,阶梯网络也可以支持卷积神经网络。不过,技术领域从来没有万能钥匙。 当你用一个技术解决部分问题的时候,新的问题也会随之产生。在灰度和简单图像的情况下,阶梯网络效果是非常好的,但是当应用于医疗里的细胞切片分析时,性能会下降的比较厉害。类似的一些新的研究也有很多,比如 Self-Ensembling Graph Convolutional Networks 、主动学习(Active-Learning)以及 A cluster-then-label Semi-supervised learning Approach 就能够在部分标注的医学切片扫描图片上得到很好的成绩。 同时,业界也在试图利用生成对抗神经网络(GAN)生成更多的样本从而解决数据扩增问题。在低样本数据体系中,训练参数不确定,学习网络概括性差,而且带有很强的数据偏向性。使用数据扩充能够有效的来缓解这种情况。然而,标准数据增加仅产生有限的似乎合理的替代数据,并有可能引入人为指定的扩增算法的数据分布规律。对抗神经网络生成模型能够更加有效地做到数据扩增。从源数据获取、学习数据特征,然后将其推广以生成其他类内数据项。这个生成过程不依赖于类本身,因此它可以应用于新的、未曾见过的数据类。通常这种扩增可以使最后的训练结果提高10-15%。 第三个解决标注数据需求量问题的是元学习的方法。其中,One/Low-Shot Learning 变的越来越热。元学习(Meta Learning)目的并不是收敛学习的目标,如图像识别或者下棋,而是学习更高一层的内容,例如,参数设置、神经结构、神经元初始化、优化器的选择、损失函数的定义、数据空间的维度信息等。 One-Shot Learning旨在通过少数例子学习对象的概念。基于元学习的方法与生成数据模型结合,同时优化两个模型,从而提升小样本情况下的准确性。Low-Shot Learning 由一个学习器,两个 Learning Phase (Representation Learning Phase + Low-Shot Learning Phase)和一个 Testing Pase 构成。其中,学习器就是特征提取与分类的结合。 Learning Phase 的第一阶段是标准的训练过程,固定学习器的特征提取参数;去除最后的分类层,固定特征提取参数,使用少量的新类别(Noval Class)更新新类别的分类器参数;交替进行第二、三阶段。看起来似乎与迁移学习很像,但这里的关键是如何让第二阶段的表示层学习地更普适。其最大的改变是损失函数的设计,也就是让基于第二阶段的 Representation Learning 学到的权重使全局损失最小。那么,在原损失基础上加入梯度;梯度越小,说明 W(权重)的改变越小而得到的 W 也就越接近“普适”。从实际效果而言,第三种方法效果目前还不如前两种,但可以看到,第三种方法更接近人类的学习方式。 ▌模型设计和调参的难度 今天,除了数据标注的难度,在实际落地的项目中,会大量使用迁移学习方法加速模型与生产系统的对接。但是,很多时候,如果数据科学家经验不丰富或者理论理解不深入的情况下,调参和调整模型结构就进入了“玄学”范畴。实际上,从数学的角度而言,有很多新的方法试图解决这类问题。其中,最具代表性的就是自动机器学习(AutoML)。业界目前主流的几种AutoML 方法包括遗传学算法、元学习、强化学习与基于序列模型的优化(SMBO)。通常而言,数据特征抽取、模型结构优化与超参搜索是一个迭代过程。通过不停地调整从而在准确性和稳定性上达到生产环境的要求,通常这个过程占整个开发过程75%以上的时间。 作为一个新兴领域,AutoML旨在减少或消除所需的手动操作机器学习的专业知识。 基于图架构灵活地表示组合ML和DL模型的方法,提供了在极大搜索空间构建出基于树和基于堆叠的体系结构的模型的可能。加上遗传学算法的趋好性和多样性特点,AutoML能够获得在手工设计中难以获得的结构。而通常这种结果所需要的参数远小于常规模型所使用的参数数量。相比大模型剪枝后的模型,这种小参数模型移植到IoT设备上具有巨大的优势。有些AutoML系统会使用贝叶斯优化来搜索模型和超参数,确实在超参优化中有效。但是,在较大的架构搜索领域效率是很低的。而真正有效解决自动模型设计问题,遗传学演化算法会被更加频繁的使用。 相比增强学习来构建计算图的方法,遗传学算法在极大搜索空间中,效率会更高。遗传学算法会把父代中稳定的结构或者部分网络进行编码,并把这部分固化成一个片段传递给子代,让子代基于已得出的部分稳定结构继续生成网络。当然,遗传学算法也不是万能的,在模型演化过程中,如何预防整个群体的过早熟(大量子代来自于同一祖先,而导致无法跳出局部最优);如何快速从模型结构评估模型间的相似性而减少Loss 变化极小的采样;如何做有序度分析,从而找到适合遗传的部分结构这些都是实际工程化过程中要面临的问题。值得一提的是DARTS(Differentiable Architecture Search)把计算图边的选择变换成了一个连续空间求导的问题,从而大大加速了固定结构以后,边选择问题的求解。 同时我们也会看到,有大量新的专用模型的产生用于解决某一个领域的问题。强化学习,对抗神经网络和元学习,由于它们自身算法的特点会更为普遍的应用于不同的领域。 另外一些新的损失函数的研究,使得越来越多All-in-One或者All-You-Need模型解决一个甚至多个复杂问题变成可能。在强化学习方面, 通常分为RL理论,RL算法,RL网络架构,RL优化,RL探索,RL奖励,分布式RL,分层RL,多Agent,RL元学习等方向。元学习和强化学习的结合成为非常热的话题。 大部分强化学习的环境假设都是单一环境,而这种强假设就是环境固定不变,然后学习出针对这个环境的策略,但是现实环境却不是这样的,环境的变化是存在的,而且变化速度有时候会很快,比如量化交易和对抗(对手的策略也在变换)。而RL+Meta Learning的核心就是根据历史学习的经验包括策略和轨迹,来快速创建新的策略。MAML(Model-Agnostic Meta Learning)假设任务,策略和轨迹都是随机变量,上一时间步的策略和轨迹被用于当前时间步构建新的策略。使用训练数据做梯度下降更新当前网络,然后用测试数据在更新后的网络下计算损失函数,最后通过损失函数梯度下降更新前面使用的网络。这是一种适用于连续、简单、基于梯度的元学习方法,并且考虑非平稳性作为一系列固定任务和训练代理。在非平稳运动和竞争性多智能体的情况下,允许测试各种适应战略的各个方面。 生成对抗网络是另一种重要的深度学习模型。它可以用于图像优化、交互式图像生成、图像编辑、文本到图像或者图像到文本,对话生成等领域。LS-GAN(Loss-Sensitive GAN)是目前比较稳定的一种模型,能够比较好的解决梯度消失问题。另外Large-Scale GAN 通过两种简单生成架构变化以及正则化方式的修改使生成器水平得到极大的提高。当然,今天的GAN仍然面临很多问题,最严重的就是生成多样性的问题。在对话生成的过程中,随着训练的提升,生成的语言会越来越符合人的语法模式,但是同时,多样性在减少,大量能够骗过分辨器的雷同语句会被生成,而无法做到真正在NLP领域里面扩增数据内容。 在整个模型设计中,损失函数和优化器的创新恐怕是最难的而意义又是最大的。例如今年的“On the Convergence of Adam and Beyond”通过赋予Adam算法过去梯度的“长期记忆”,来解决在大输出空间,无法收敛到最优解的问题。这种算法层面的优化会直接解决大部分使用RMSPROP和ADAM优化器的网络收敛问题。 ▌模型训练的性能 模型训练一直对计算力的需求最旺盛。当数据集超过T 级或者设计了一个非常复杂的神经网络,GPU的并行化训练甚至集群的并行化训练就是不可或缺的。OpenAI的Dota 5v5模型使用了256块P100 GPU和128,000 CPU core进行训练。大规模分布式并行训练是解决这类问题的必选项。通过分级求导,在求导过程中传递不同层的梯度;通过设置双向环路,减少权重传递次数;优化参数汇聚算法;乃至模型并行化等手段都旨在不停地提高训练效率。这部分的研究工作与传统的HPC(高性能计算)其实非常相似。大家最后碰到的问题都是这种分布式难以线性叠加,当规模达到一定程度后,很难再有所提升;而收敛过程在后面的过程中,由于梯度下降本身速度已经放缓,大量的并行GPU所提升的效率就会更加不明显。由于模型并行化过于复杂,而且并行化方案难以通用,大部分并行化方案都还是训练数据并行化。 ▌模型可解释性 模型设计取得不错的性能后,解释模型又会变成一个新的挑战。今天大多数复杂的深度学习模型都是一个黑盒子。这也是深度学习在一些方面被人诟病的原因。随着业界对这个问题的争论,越来也多的可视化方法被提供试图解释模型。论文《The Building Blocks of Interpretability》将独立的神经元、分类器与可视化结合,提供一种观察方法来判断神经元可以被哪些图像激活、神经元判断这个图像属于哪一类,以及神经元的最终决策贡献值。这类方法在Attention模型中也得到比较广泛的使用。当使用LSTM 做输入文本的特征提取,用CNN 做图像特征提取后,研究人员也可以通过这种可视化的方法来分析,哪些文字让Attention单元对哪部分图像的特征图(Feature Map)敏感。从定性分析的角度看,这类方法的确可以提供对模型可解释性的指导,但是从定量分析的角度,特别是对于一些高维的数据特征,还有很长的路要走。 机器学习算法所面临的挑战及原因 今天,机器学习所面临的挑战有很多。从数据的角度来看,除了有效数据的高成本问题,还有数据不公平性问题。 通常,大家会觉得,如果算法或者模型用机器固化后,应用到实际场景会消除人为偏差,但是今天的数据如果在分布上本身就带有“歧视”,这种偏见是会被一直保持的。例如,如果训练数据表明男性比女性更有生产力,那么机器学到的判决模型很有可能将偏向选择男性候选人。而这种问题很难有一个明确的标准来衡量并纠错。从模型的角度来看,今天的大部分模型还是针对一个比较确定的环境和数据来解决问题的,这就导致了大量的实际应用不一定很快就能找到合适的模型,而是需要大量的数据科学家来对模型和真实数据做调整。 普惠AI的提出就是在试图打破这个瓶颈。而这个瓶颈最关键的问题是如何降低设计和使用模型的门槛。我们可以看到今天大部分AI的公有云服务,都在试图使用迁移学习来解决这部分问题,但是这些AI公有云服务忽略了一个问题,他们这次不是提供商品让最终消费者来选择买什么,而是需要提供一个互动的方式了解消费者要做什么之后提供对应的模型设计服务来完成这个目标。AutomML是解决这个方法的一条途径,不过同时有也很长的路要走。至于算法层面的问题,反而不是一个巨大的挑战。只要有明确的问题被提出,就一定会有新的数学方法来解决。只要我们不会进入《银河帝国》里所描述的科技发展衰退,算法层面的挑战永远不会是绊脚石。 机器学习算法的未来 未来,新的算法会层出不穷,但是深度学习不会被替代。不会替代并不意味着深度学习理论已经很完善,成为其他学科的基石。技术的发展有很强的延续性,少有被完全颠覆性的理论出现。如同今天的胶囊网络、元学习。从表面上看,他们和最初的深度学习网络模型有很大的差距。但是深入来看,实际上,它们是在使用深度学习的部分技术来构造新架构。今天大家不够满意的主要原因在于,目前的人工智能所做的仍只能停留在对单一问题的辅助,而不可能有真正的创新甚至成为复杂问题的辅助。接下来,还会有很多工作会基于不同的视角提出不同的算法。我们依然期待一个大一统的框架。然而目前的情况是视角越单一,做的效果可能会越好。毕竟视角的选择等价于人类的知识赋予,相当于简化了神经网络的学习难度。
原文标题:学习这么多算法到底在解决哪些问题?深度学习之外,我们要选择谁? 文章出处:【微信号:rgznai100,微信公众号:AI科技大本营】欢迎添加关注!文章转载请注明出处。
收藏 人收藏
分享:

评论

相关推荐

四轴机器人编程与应用

主题简介:本次直播主要讲解四轴机器人控制器基本原理及组成。四轴机器人的核心技术内嵌人工智能算法的工业级运动控制技术和伺服
发表于 10-30 00:00 11587次 阅读
四轴机器人编程与应用

随着大数据人工智能产业的初步成熟 安防行业面临着几个问题

在大数据发展已成趋势的情况下,今年两会声音再度聚焦大数据的背景下,大数据、人工智能发展成为众多行业关....
发表于 03-27 10:16 9次 阅读
随着大数据人工智能产业的初步成熟 安防行业面临着几个问题

百度公司发布内部邮件,宣布了新的人才梯队建设计划

感谢Robin给我这个机会,过去的五年,我有幸亲身经历和深度参与了从“移动互联”到“人工智能”、从“....
的头像 高工智能未来 发表于 03-27 10:15 6次 阅读
百度公司发布内部邮件,宣布了新的人才梯队建设计划

华为将推出一种5G和人工智能技术相结合的智能AI显示屏

近日有传华为将要做电视,现在有内部消息透露,华为研发的其实是一种智能显示屏产品,这将与华为5G、人工....
发表于 03-27 10:11 2次 阅读
华为将推出一种5G和人工智能技术相结合的智能AI显示屏

人工智能不断发展成熟,知识工作者成最大受益群体

这些工作者既需要经验又能够收集和分析决策和行动所需数据,他们正在获得能够大幅提升其表现的工具。
的头像 人工智能 发表于 03-27 09:25 31次 阅读
人工智能不断发展成熟,知识工作者成最大受益群体

什么是AI?AI转型指南

第一章主要介绍了与AI相关的一些概念, 例如机器学习, 数据科学,深度学习以及其他的一些工具,对于入....
的头像 电子发烧友网工程师 发表于 03-27 09:01 67次 阅读
什么是AI?AI转型指南

打造试医情况良好的产品是商业化的基础!产品云端化将成大趋势!

尽管一开始对快速大规模扩张充满了期待,影像医疗 AI 创业公司打磨产品与商业化的进程并不容易。高昂的....
的头像 电子发烧友网工程师 发表于 03-27 08:57 61次 阅读
打造试医情况良好的产品是商业化的基础!产品云端化将成大趋势!

解读2019生命科学领域的最新趋势,微生物的威力你想象的到吗?

因为在石炭纪的早期,植物迎来了极大发展,地球上所有生物都开始进化,植物的进化让植物变得非常繁盛,那个....
的头像 电子发烧友网工程师 发表于 03-27 08:52 64次 阅读
解读2019生命科学领域的最新趋势,微生物的威力你想象的到吗?

深刻认识全媒体时代的挑战和机遇!推动媒体融合向纵深发展

伴随着信息社会不断发展,新兴媒体影响越来越大。我国网民达到8.02亿,其中手机网民占比98.3%。新....
的头像 电子发烧友网工程师 发表于 03-27 08:46 60次 阅读
深刻认识全媒体时代的挑战和机遇!推动媒体融合向纵深发展

如何让这些乘加器高效地进行并行计算?

开发一款高性能加速器,需要投入大量人力物力,如果不能大规模使用,那么投入回报比会大大降低,甚至亏本。....
的头像 Arm芯闻 发表于 03-27 08:42 54次 阅读
如何让这些乘加器高效地进行并行计算?

为啥软件成了人工智能加速器致胜的法宝?

随着Arm生态系统的发展壮大,各种各样的应用场景层出不穷,针对特定应用场景的加速器市场也在蓬勃发展。
的头像 Arm芯闻 发表于 03-27 08:41 102次 阅读
为啥软件成了人工智能加速器致胜的法宝?

中国制造应该先从精益生产出发然后再走向智能制造

在这个充满挑战与机遇的时代里,对于制造业更是一个考验和选择。基本上每个企业都站在风口浪尖和十字路口,....
发表于 03-27 08:37 14次 阅读
中国制造应该先从精益生产出发然后再走向智能制造

六个阶段告诉你如何学好人工智能?

人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和....
发表于 03-26 17:02 29次 阅读
六个阶段告诉你如何学好人工智能?

逐个看看全球 18 件 AI 大事记

3 月 18 日,由李飞飞担任所长之一的「以人为本人工智能研究所」(HAI)自启动以来不短的时间后,....
发表于 03-26 16:41 58次 阅读
逐个看看全球 18 件 AI 大事记

生活中如何把个人隐私不知不觉“喂”给了人工智能?

据英国广播公司(BBC)报道,IBM 近日被指在未经用户同意的情况下,在图片分享网站 Flickr ....
发表于 03-26 16:37 35次 阅读
生活中如何把个人隐私不知不觉“喂”给了人工智能?

人工智能深度学习未必走进死胡同 值得商榷

深度学习作为一类机器学习方法,是实现人工智能的重要基础。近日有学者认为,随着人工智能的发展,深度学习....
发表于 03-26 16:32 25次 阅读
人工智能深度学习未必走进死胡同 值得商榷

比尔·盖茨:不要轻易给人工智能划定国界 是全球合作的结果

据新华社报道,比尔及梅琳达·盖茨基金会联席主席比尔·盖茨近日在出席斯坦福大学一个论坛时说,给人工智能....
发表于 03-26 16:28 48次 阅读
比尔·盖茨:不要轻易给人工智能划定国界 是全球合作的结果

比AlphaGO还厉害的人工智能算法来了!

人工智能是近年大火的话题。在AlphaGo陆续战胜人类围棋高手以后,人工智能仿佛一下子走入了生活的每....
发表于 03-26 16:25 29次 阅读
比AlphaGO还厉害的人工智能算法来了!

中国制造业会不会因为人工智能注入,进入由量到质的发展阶段?

“人工智能产生于60多年前,随着算法的突破、算力的提升、数据的积累,终于迎来了第三次浪潮”,中国电子....
发表于 03-26 16:11 46次 阅读
中国制造业会不会因为人工智能注入,进入由量到质的发展阶段?

甲骨文CEO赫德:AI会创造工作岗位,而不是摧毁工作岗位

在最近于拉斯维加斯举行的甲骨文(Oracle)现代商业体验大会(Modern Business Ex....
发表于 03-26 16:08 50次 阅读
甲骨文CEO赫德:AI会创造工作岗位,而不是摧毁工作岗位

高通与苹果专利审判战火持续,苹果被要求赔偿3100万美元

根据专利描述LG的镜面电视拥有三种模式,在显示模式下可以充当普通电视使用,而镜面模式就是充当一面镜子....
的头像 EDA365 发表于 03-26 15:56 592次 阅读
高通与苹果专利审判战火持续,苹果被要求赔偿3100万美元

不是码农,也能看懂的AI机器算法学习原理

根据数据类型的不同,对一个问题的建模有不同的方式。 在机器学习或者人工智能领域,人们首先会考虑算法....
发表于 03-26 15:55 20次 阅读
不是码农,也能看懂的AI机器算法学习原理

70年来,人们在AI领域“一直连续犯着同样的错误”

就像在棋类游戏中一样,研究人员总是试图让系统按照他们心目中的人类的思维方式工作,试图把这些知识放进计....
的头像 人工智能 发表于 03-26 15:42 155次 阅读
70年来,人们在AI领域“一直连续犯着同样的错误”

当人工智能遇到人类智能,如何才能选对未来人生赛道?

随着微软、谷歌、腾讯、阿里、百度等科技巨头纷纷入场人工智能领域,一大批人工智能技术实现落地:AI医疗....
的头像 人工智能爱好者社区 发表于 03-26 15:24 84次 阅读
当人工智能遇到人类智能,如何才能选对未来人生赛道?

人工智能正当时,银行大数据风控插上新翅膀 如何飞翔

3月5日上午,国务院总理李克强发表2017政府工作报告,指出要加快培育壮大包括人工智能在内的新兴产业....
发表于 03-26 14:12 12次 阅读
人工智能正当时,银行大数据风控插上新翅膀 如何飞翔

科技公司要预防AI快速发展带来的风险

正如富兰克林的那句名言--“没有准备的人,就是在准备失败”。为了避免科技进步所带来的倒退、并发症和法....
发表于 03-26 14:11 17次 阅读
科技公司要预防AI快速发展带来的风险

中集智谷作为中集集团斥资180亿元在东莞打造的四大产业基地之一

中集集团一直坚定不移地走转型升级、有质增长之路,加强自主创新能力,现已成为全球领先的物流装备和能源装....
的头像 高工锂电 发表于 03-26 14:10 301次 阅读
中集智谷作为中集集团斥资180亿元在东莞打造的四大产业基地之一

今年在两会上有哪些关于物联网的议题呢?

在《关于加快发展产业互联网 促进实体经济高质量发展的建议》中,马化腾建议,大力推进信息基础设施建设,....
的头像 重庆物联网 发表于 03-26 14:07 339次 阅读
今年在两会上有哪些关于物联网的议题呢?

AI安防碎片化为企业带来什么新变化?

我们所处的信息和数据环境正在发生深刻变革。这使得人工智能在传统行业拥有巨大应用价值。安防产业在市场与....
发表于 03-26 14:00 23次 阅读
AI安防碎片化为企业带来什么新变化?

为什么人类在人工智能研究偏向女机器人?

随着人工智能的不断发展,越来越多的人工智能机器人开始出现,而人工智能也被比喻成可能引发第4次工业革命....
发表于 03-26 13:55 47次 阅读
为什么人类在人工智能研究偏向女机器人?

AI赋能企业:人工智能在新零售场景的效率革命

2019年3月7日,由勤哲文化主办的CPG & NRS 2019第三届中国消费品CIO峰会暨中国新零....
发表于 03-26 13:50 17次 阅读
AI赋能企业:人工智能在新零售场景的效率革命

如何助力智能汽车、智慧城市、智能安防等领域实现边缘设备智能化

“在智能汽车上,Imagination的PowerVR 专用神经网络加速技术可以实现自动驾驶的路径规....
的头像 Imagination Tech 发表于 03-26 13:37 220次 阅读
如何助力智能汽车、智慧城市、智能安防等领域实现边缘设备智能化

设想未来AI机器人将会让你过上“衣来伸手,饭来张口”的生活

人工智能是计算机科学的一个分支,该领域的研究包括机器人、语言识别、图像识别自然语言处理和专家系统等。....
发表于 03-26 11:51 66次 阅读
设想未来AI机器人将会让你过上“衣来伸手,饭来张口”的生活

小编告诉你人工智能时代:最易被机器人淘汰的职业排名榜

去年,百度的「All in AI」将人工智能带入到大众的视线范围,之后迅速上升为全社会的讨论热点。
发表于 03-26 11:45 114次 阅读
小编告诉你人工智能时代:最易被机器人淘汰的职业排名榜

电话销售被机器人取代的可能性高达99%,这个岗位真的要凉凉了吗?

自从英国广播公司(BBC)依据被机器代替的可能性对职业进行了排序的报告发出后,引起一场轩然大波。未来....
发表于 03-26 11:39 41次 阅读
电话销售被机器人取代的可能性高达99%,这个岗位真的要凉凉了吗?

区块链在工业大数据智慧云链中的解决方案

‘工业大数据智慧云链平台’以人工智能和大数据为核心,以区块链为基础,提供数据与人工智能模型生态和分布....
发表于 03-26 10:50 34次 阅读
区块链在工业大数据智慧云链中的解决方案

我国首个遥感人工智能应用技术研究中心在重庆成立

该研究中心将以人工智能、大数据技术等新兴技术,促进地理信息、城市规划等业务技术升级拓展,用产学研合力....
的头像 传感器技术 发表于 03-26 10:46 346次 阅读
我国首个遥感人工智能应用技术研究中心在重庆成立

节能减排提升能效, IPM作用显着

IPM智能功率模块是先进的混合集成功率器件,高品质高可靠的IPM一直由日系、德系和美系厂商占据几乎所....
的头像 半导体投资联盟 发表于 03-26 09:42 179次 阅读
节能减排提升能效, IPM作用显着

人工智能如何节省开发90%的时间,获得直接可用的数据?

与大多数人的想象不同,在机器学习领域里,处理数据所耗费的精力占据着最多比例。通常情况下,每购买 1 ....
发表于 03-26 09:22 28次 阅读
人工智能如何节省开发90%的时间,获得直接可用的数据?

自建超算是AI公司做大的必经之路

3月19日,英特尔宣布将与高性能厂商Cray在美国能源部下属的阿贡国家实验室建造第一台每秒可进行百亿....
发表于 03-26 09:16 32次 阅读
自建超算是AI公司做大的必经之路

数据隐私保护下,AI大数据应如何发展?

随着国际国内数据隐私保护成为新趋势,数据共享变得更加困难,如何在保护数据隐私前提下开展AI大数据研究....
发表于 03-26 09:10 24次 阅读
数据隐私保护下,AI大数据应如何发展?

AI芯片企业可透过多元合作开发模式突围

半导体行业又被称作芯片行业,是一个成熟行业,传统芯片设计和晶圆制造封测的技术壁垒情况严重,少有新入场....
发表于 03-26 08:59 11次 阅读
AI芯片企业可透过多元合作开发模式突围

这些比较成功的人工智能应用,你用过吗?

说到人工智能,不得不提一些大火的科技影片。在很多电影中,人工智能机器人都被塑造成了一种会威胁人类的危....
发表于 03-25 17:54 71次 阅读
这些比较成功的人工智能应用,你用过吗?

人工智能机器人的出现,正因为有了这些“懒人”

天下是由懒人发明的,相信好多人都听过这句话,正因为有了这些“懒人”,因而我们有了电梯、CD,洗碗机,....
发表于 03-25 17:35 83次 阅读
人工智能机器人的出现,正因为有了这些“懒人”

中国芯整体崛起之日可期

谈到中国几家芯片巨头,首先要谈的非华为海思莫属。据业界消息,华为下半年将推出采用EUV微影技术的台积....
发表于 03-25 17:23 144次 阅读
中国芯整体崛起之日可期

孙正义谈人工智能、5G、打车服务等科技的发展

你知道,过去30年,在我们这个行业有三件事很重要。CPU计算能力、内存大小和通讯速度。这三件事改善了....
的头像 工业4俱乐部 发表于 03-25 16:34 971次 阅读
孙正义谈人工智能、5G、打车服务等科技的发展

随着5G技术的日臻成熟 人工智能杀人也将越来越“熟练”和频繁

人工智能杀人和人工智能伤人并不是相同的概念,人工智能在通过自身能力完成任务的过程中出现了对人类的伤害....
发表于 03-25 16:06 112次 阅读
随着5G技术的日臻成熟 人工智能杀人也将越来越“熟练”和频繁

“易航智能”宣布获得广汽资本旗下基金的1亿元人民币B+轮融资

在自动驾驶这个领域,主要有两种不同的路径,一种是像Waymo一样,直接做L4和L5的全自动驾驶,另一....
的头像 MEMS 发表于 03-25 15:44 837次 阅读
“易航智能”宣布获得广汽资本旗下基金的1亿元人民币B+轮融资

美国机器人界教授Arkin:深度剖析机器人欺骗的利与弊

AlphaGo打败柯洁和李世石后,人们开始担心:人工智能是否会取代人类?无论是《机械公敌》,还是《终....
发表于 03-25 15:27 39次 阅读
美国机器人界教授Arkin:深度剖析机器人欺骗的利与弊

人工智能时代:各个行业将迎来哪些重大变革?

近几年人工智能技术得到迅猛发展,主要得益于计算能力、大数据和算法上的突破,推动AI技术广泛应用至各行....
发表于 03-25 15:18 120次 阅读
人工智能时代:各个行业将迎来哪些重大变革?

【PYNQ-Z2试用体验】基于PYNQ-Z2的神经网络图形识别[结项]

前言前面我们简单讲解了神经网络的基本概念和工作原理,接下来,将通过具体的python代码来完成基于神经网络的图形识别。这里使用...
发表于 03-18 21:51 177次 阅读
【PYNQ-Z2试用体验】基于PYNQ-Z2的神经网络图形识别[结项]

深度学习在汽车中的应用

作者:德州仪器Joe Folkens    在未来的某个时候,人们必定能够相对自如地运用人工智能,安全地驾车出行。这个时刻...
发表于 03-13 06:45 137次 阅读
深度学习在汽车中的应用

深度学习在汽车中的应用

作者:德州仪器Joe Folkens    在未来的某个时候,人们必定能够相对自如地运用人工智能,安全地驾车出行。这个时刻...
发表于 03-13 06:45 137次 阅读
深度学习在汽车中的应用

【PYNQ-Z2试用体验】基于PYNQ的神经网络自动驾驶小车-搭建神经网络

在之前的帖子中,我们完成了神经网络自动驾驶小车的硬件搭建与底盘控制。当小车通过WiFi无线连接到网络后,已经可以对其进行远...
发表于 03-09 22:10 213次 阅读
【PYNQ-Z2试用体验】基于PYNQ的神经网络自动驾驶小车-搭建神经网络

第四次工业革命——区块链技术

第一次工业革命始于18世纪的水蒸汽动力,第二次工业革命始于电力,第三次工业革命始于互联网,后面两次工业革命都发生在20世纪。...
发表于 03-08 11:27 361次 阅读
第四次工业革命——区块链技术

AI工程师 10 个深度学习方法

过去十年里,人们对机器学习的兴趣经历了爆炸式的整长。我们几乎每天都可以在计算机程序、行业会议和媒体上看到机器学习的身影。...
发表于 03-07 20:17 111次 阅读
AI工程师 10 个深度学习方法

【PYNQ-Z2试用体验】基于PYNQ的神经网络自动驾驶小车-多路电机控制

在上一篇帖子中,我们完成了“基于PYNQ的神经网络自动驾驶小车”的硬件搭建。本文我们将继续完善小车的软件框架,为小车的底...
发表于 03-07 16:57 441次 阅读
【PYNQ-Z2试用体验】基于PYNQ的神经网络自动驾驶小车-多路电机控制

【PYNQ-Z2试用体验】基于PYNQ的神经网络自动驾驶小车 - 硬件搭建

根据项目规划,本篇帖子将详解“基于PYNQ的神经网络自动驾驶小车”的硬件搭建。 一、材料清单 制作小车所需的主要部件与...
发表于 03-05 18:11 344次 阅读
【PYNQ-Z2试用体验】基于PYNQ的神经网络自动驾驶小车 - 硬件搭建

深度学习应用和图像论文相关笔记

[水博文]论文杂读
发表于 03-05 14:24 44次 阅读
深度学习应用和图像论文相关笔记

【PYNQ-Z2试用体验】神经网络基础知识

前言前面我们通过notebook,完成了在PYNQ-Z2开发板上编写并运行python程序。我们的最终目的是基于神经网络,完成手写的数字...
发表于 03-03 22:10 272次 阅读
【PYNQ-Z2试用体验】神经网络基础知识