8 人工智能步将深度学习应用到你的商业中.docx
《8 人工智能步将深度学习应用到你的商业中.docx》由会员分享，可在线阅读，更多相关《8 人工智能步将深度学习应用到你的商业中.docx（9页珍藏版）》请在冰豆网上搜索。
8人工智能步将深度学习应用到你的商业中
【人工智能】3步将深度学习使用到你的商业中
THU数据派
微信号ai-cps
功能引见OT技术（工艺+精益+自动化+机器人）和IT技术（云计算+大数据+物联网+人工智能）深度融合，在场景中构建：
外形感知-实时分析-自主决策-精准执行-学习提升的机器智能认知系统，实现产业转型升级、DT驱动业务、价值创新制造的产业互联生态链。
2018-01-31原文
收录于话题
原文标题：
Here'showyoucanlevergeDeepLearninginyourbussiness
翻译：
申利彬
校对：
白静
作者：
GeorgeSeif
本文带大家三步了解深度学习在商业中的使用方法。
深度学习是大家谈论的抢手话题，利用深度学习不只处理了很多现实难题，还让很多新的创新成为可能。
强无力的盈利商业模式正是以给人们处理问题、为客户带来价值为基础的。
深度学习在很多任务上表现的很好，例如，语音识别、图像分类、谈天机器人，等等。
但是，我们该怎样使用这种技术？
如何把它使用在本人的商业中呢？
下面我会教导你如何做到，并用流程图直观表达这个过程。
第一步：
猎取数据
深度学习融入商业的第一步是猎取极其重要的数据。
深度学习发挥作用，能够很好处理有价值的问题，次要归功于数据。
最好的深度学习模型是基于监督学习，也就是说，这些模型达到很好的功能需要大量标记数据。
简而言之，我们需要给深度学习“机器”很多“燃料”，它才能很好的工作，这种“燃料”就是数据。
告知你一个好消息，大多数情况下数据都是现成的。
有很多公开可用的标记数据集，这些数据集被收集起来用于训练深度学习模型，再使用到一般的使用程序。
有很多关于图像分类、言语翻译、谈天机器人、自动驾驶的数据，可以用在使用程序上。
这是深度学习数据集的快速学习资源：
http:
//bit.do/Deep-Learning-Datasets（材料很全，值得保藏）
假如你遇到不常见的情形，有个特定的使用，很具体，但是没有公开的大数据集，该怎样办呢？
我们可以制造本人的数据集，数据收集不再像以前那么具有挑战性。
在这种情况下，网络爬虫工具可以发挥绝佳作用。
AdrianRosebrock有一个很好的教程，关于如何自动爬取Google图片并建立本人的数据集。
http:
//bit.do/Scrape-Your-Dataset.（教程地址）
可以用群智工具标记大量数据，例如，亚马逊的MechanicalTurk，它的目标是猎取足够的数据，建立一个极简可用的产品（MVP）。
你确定奇异 ，到底需要多少数据。
这儿有一个不错的方法可以做出估量：
找一个相像的任务，看看别人处理问题用了多少数据。
除此之外，通常情况下数据越多越好，只需你不是得到负反馈。
其次步：
开发深度学习产品
有了标记数据，可以全力开发产品。
使用之前的数据训练深度学习模型，并用该模型完成特定任务，最终给客户带来价值。
深度学习最擅特长理那些反复的任务，这些任务呈现出多种多样的模式。
因此需要关注在必要学问和执行方面反复率都很高的自动化任务，通常情况下这些任务还需要大量人类努力或特定技能。
这样，你把供应应客户的价值最大化，假如客户不使用你的深度学习产品，那就不能享遭到这些价值。
第三步：
客户驱动的正反馈循环
在这个阶段，通过几个关键步骤把深度学习使用在商业中。
你已经收集了数据并用它来训练一个深度学习模型，然后用这个模型助力产品，产品功能表现很好并给客户带来价值。
现在是最重要的部分，正反馈循环。
开头把产品交付客户使用，有的客户宠爱用，也有的不宠爱，但这都是一个学习过程。
格外重要的是，一个新的客户也就是一个新的数据来源，它可以进一步提高深度学习模型的精确 率，进而优化产品。
所以，关键是无效率的猎取新数据。
第一次开发一个极简可用的产品（MVP）时,你可能会为你的定制产品使用公开的数据集或本人爬取数据集，不管是哪种情况，你的数据都足够训练一个好的模型并开发出MVP。
但假如想优化产品，数据可能是不够的。
比如，你使用了公开的数据集，这些数据可能不包含特殊场景。
你可能在家里安装了人脸识别系统，系统识别出人脸时才会把门打开。
假如你使用的数据集只需清楚的人脸图片，那系统可能会在雨天或者晚上失效，顾客也就会被锁在门外。
另一种情况是你本人爬取数据集，你的目标是获得足够数据，开发出一款极简可用产品（MVP）。
这两种情况都表明：
更多的数据有可能优化你的模型。
也有争辩证明，更多的数据有助于改进深度学习模型：
https:
//arxiv.org/abs/1707.02968v2（论文地址）
既然你的产品把握在付费客户手中，那么他们就是你猎取新数据的最佳资源。
客户会定期使用产品，这样就可以获得更多的数据。
还记得那个在雨中人脸识别失败的例子吗？
为什么不把这些失败的数据加入训练集，挂念训练提高深度学习模型的精度！
可以收集那些在雨中和夜晚失败的数据，并标记它们，用这些新数据优化模型。
每当系统出错，就有得到新数据的机会，标记这些新数据，重新训练模型，可以实现从错误中学习。
当然。
也可以在成功的数据中运用这些方法，收集数据并使模型在那些情况下的表现愈加稳定。
整个流程制造了正反馈循环，顾客就是驱动循环的人。
数据越多，产品越好。
产品越好，客户越多，客户制造更多有价值的数据助力深度学习产品。
结束语
现在了解了整个流程，可以开发一个产品，既能实现自我防备，还能由连续循环的数据和深度学习驱动，给客户带来巨大的价值。
原文地址：
申利彬，争辩生在读，次要争辩方向大数据机器学习。
目前在学习深度学习在NLP上的使用，期望在THU数据派平台与爱好大数据的伴侣一起学习进步。
张钹院士：
浅谈人工智能与大数据的关系
来源：
联合时报
本文次要浅谈了人工智能和大数据的关系以及中国在人工只能领域对世界的超越。
中国科学院院士张钹对国内外人工智能产业进呈现状，提出我国仅靠跟随性的使用深度学习进展人工智能，是无法引领这项技术实现革命性突破的。
语音也在里面学，文字也在里面学，图像也在里面学，会不会相互干扰呢？
其实不只不会相互干扰，在确定程度上还略微有挂念。
北美已在引领这些进展，假如中国只低头用深度学习去处理使用问题，不去争辩一个目的背后需要处理的问题，要做到“引领”则是不行能的。
为什么机器下围棋能超过人类;为什么在图像识别的某些方面会超过人类，成功的要素是什么?
我认为有三大法宝：
数据、计算资源和算法。
这就是深度学习成功的三大法宝。
大家对于前两个方面比较留意、有体会，很多人还没有体会到算法的重要性。
在这里次要是谈人工智能和大数据的关系，以及中国在人工智能领域如何赶上和超过世界的先进水平。
深度学习有三大法宝
首先生疏一下基于大数据的深度学习。
深度学习的提出，在人工智能领域中是一个严峻突破。
以往，人工智能只能用来处理人们对它格外了解，而且能够清楚地将它表达出来的问题。
但深度学习拓展了人工智能所能处理问题的边界。
其次，深度学习具有确定的通用性。
比如，人们用深度学习做图像识别，不愿定要具备格外丰富、专业的图像学问。
即便你不是这个领域的专家，也能把深度学习使用到这个领域。
所以，深度学习是一种大众化的工具，它把处理问题的领域大大延展了。
对大众而言，这些奇观引发人们生疏到了深度学习的威力。
就是在图像识别领域，在某一个图像库里，机器识别精确 度略微超过人类，或者机器的误识率低于人类，微软做的工作、XX在语音识别上的工作，识别错误率略低于人类，在两个领域的识别上机器都超过了人类。
现在要分析两个问题：
第一，大家都期望把深度学习的方法用到其他领域可能会产生新的奇观，这些奇观会不会发生，在什么样的情况下会发生；
其次，如何推动深度学习连续向前进展。
这些奇观来自何处?
为什么机器下围棋能超过人类，为什么在图像识别的某些方面会超过人类，成功的要素是什么?
我认为有三大法宝：
数据、计算资源和算法。
这就是深度学习成功的三大法宝。
大家对于前两个方面比较留意、有体会，很多人还没有体会到算法的重要性。
我用阿尔法棋作为例子，具体谈谈它怎样来使用这三个法宝。
阿尔法棋用了两个多星期的时间，学了七千万局棋局。
机器还本人跟本人下，跟李世石下之前也下了千万局的棋局。
也就是说比全部的棋手多下了几千万局的棋，最终的结果是4比1打败李世石。
最好的棋手一生中所下的棋局是百万级，而阿尔法棋下过的棋局是几十亿级的，这两项数据格外不对称，人类确定会输。
这里可以看到数据的力气和计算资源的力气，大家没有看到背后算法的力气。
但阿尔法棋能够在两三周里学到几千万个棋局，靠的是什么，其实是靠学习算法，它本人跟本人下棋，靠的是什么，靠的是强化学习算法，没有这些，它是做不到的。
人工智能目前做不到举一反三
是不是全部问题，只需很多据，就能够做到这么好呢?
不是!
这要受四个条件限制：
首先是需要有大量的数据，其次是完全信息，第三是确定性，第四是单领域和单任务。
只需这四个限定条件达成后才有可能做到刚才说的，达到或者超过人类的水平。
有很多问题（同时）符合这些条件，比如说医疗数据，可以做大数据处理，像某些疾病的医疗诊断、医疗图像的识别、医学图像识别等等，只需（问题领域）符合这四个条件，都可以做，而且经过努力，依靠那三大法宝是可以达到或者超过人类的水平。
但是，大量的工作并不符合以上四个条件，不符合两头一条两条或者四条都不符合，假如一旦不符合这四个条件中的任何一个，现在的人工智能技术就有困难。
对此，大家以往一直感到困惑，语音也在里面学，文字也在里面学，图像也在里面学，会不会相互干扰呢，过去我们怕装不同东西的时候它会乱了，会相互干扰，其实不只不会相互干扰，在确定程度上还略微有挂念。
北美已在引领这些进展，假如中国只低头用深度学习去处理使用问题，不去争辩一个目的背后需要处理的问题，要达到引领是不行能的。
深度学习也不是完善的。
很多人以为用深度学习去做产业或者使用不会有问题，但是这里要强调，深度学习有大量的隐患，这些隐患在很多使用场合下是确定不允许的。
首先，它需要大量的样本，有些问题很难猎取很多样本，比如特殊疾病，稀有疾病，根本没有那么多样本。
最重要的是，不行理解性，现在看到深度学习建立的系统，实际上跟人的思路很不一样。
因此，说机器识别力气超过了人，这只是在格外特定的环境下说，其实很多方面它不如人。
比如它识别率比人高，只是说它区分马和牛的力气比人高，就是在确定的数据库下它识别力气比人高，但是它根本上不生疏马和牛。
将来假如做一个人机决策系统，机器做出来的决策，人都不晓得它怎样做出来的，那怎样用呢，谁敢用呢?
机器和人如何相互理解
现在实际要处理的问题就是人和机器能够合作的问题。
大家都在强调，今后的方向确定是人和机器合作，要各展所长，这里面有一个问题就是机器如何理解人，人如何理解机器。
过去的重点是放在机器如何理解人上面，比如说人类的语音命令，用自然言语发的命令它能够听懂，这是所谓自然言语对话。
这其实忽视了一个格外重要的另外一个点，就是人如何理解机器，这是由深度学习惹起的，由于深度学习出来以后，它做出来的事情人格外不理解，这就给人机共同合作带来了巨大的困难，所以现在很多的重点除了做自然言语理解，理解用户的意图等等这些工作外，还要集中在人如何理解机器这方面。
为什么会发生这种情况，为什么机器的思路跟人不一样，由于机器处理的方式要用专业的言语。
机器怎样识别猫呢?
它只是从一些局部的特征，局部的纹理来识别它，它根本不是从猫的全体来识别，由于机器要取得全体的特性是格外困难的，它只取得局部的特性，所以它都是在利用局部特性，在一个特征空间里去生疏猫，跟人生疏猫的角度完全不一样，人生疏猫是从所谓语义空间里，是通过它的各种各样的属性来识别它。
目前，这些争辩不只只是高校或者科研机构的事情了，企业也都在纷纷参与。
我有个团队也是围绕上面的问题，重点是如何突破将来人工智能要处理的基础和关键问题，而不只只是低头跟随性地使用深度学习，只需从这点上着手，我们才有可能实现在人工智能领域追逐、超过或引领的目标。
人工智能赛博物理操作系统
AI-CPSOS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPSOS”：
云计算+大数据+物联网+区块链+人工智能）分支用来的今日，企业领导者必需了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPSOS构成数字化+智能化力气，实现行业的重新规划、企业的重新构建和自我的焕然重生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。
假如不能实现跨功能的更大规模融合，没有颠覆现状的志愿，这些将不行能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。
面对新一代技术+商业操作系统AI-CPSOS颠覆性的数字化+智能化力气，领导者必需外行业、企业与个人这三个层面都保持领先地位：
1.重新行业规划：
你的世界观要怎样转变才算足够？
你必需对行业典范进行怎样的反思？
2.重新构建企业：
你的企业需要做出什么样的变化？
你预备如何重新定义你的公司？
3.重新打造本人：
你需要成为怎样的人？
要重塑本人并在数字化+智能化时代保有领先地位，你必需如何去做？
AI-CPSOS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以挂念企业将创新成果融入本身业务体系，实现各个前沿技术在云端的优势协同。
AI-CPSOS构成的数字化+智能化力气与行业、企业及个人三个层面的交叉，构成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
1.精细：
这种力气能够使人在愈加真实、细致的层面观看与感知现实世界和数字化世界正在发生的一切，进而理解和愈加精细地进行产品共性化把握、微观业务场景大事和结果把握。
2.智能：
模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的力气。
3.高效：
企业需要建立实时或者准实时的数据采集传输、模型猜想和响应决策力气，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
4.不确定性：
数字化变更颠覆和转变了领导者已经仰仗的思维方式、结构和实践阅历，其结果就是构成了复合不确定性这种颠覆性力气。
次要的不确定性包含于三个领域：
技术、文化、制度。
5.边界模糊：
数字世界与现实世界的不断融合成CPS不只让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。
这种效应正在向生态系统、企业、客户、产品快速集中。
AI-CPSOS构成的数字化+智能化力气通过三个方式激发经济增长：
1.制造虚拟劳动力，担当需要顺应性和灵敏性的简约任务，即“智能自动化”，以区分于传统的自动化处理方案；
2.对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
3.人工智能的普及，将推动多行业的相关创新，开辟簇新的经济增长空间。
给决策制定者和商业领袖的建议：
1.超越自动化，开启新创新模式：
利器具有自主学习和自我把握力气的动态机器智能，为企业制造新商机；
2.迎接新一代信息技术，迎接人工智能：
无缝整合人类才智与机器智能，重新
评估将来的学问和技能类型；
3.制定道德规范：
切实为人工智能生态系统制定道德准绳，并在智能机器的开
发过程中确定愈加明晰的标准和最佳实践；
4.留意再支配效应：
对人工智能可能带来的冲击做好预备，制定战略挂念面临
较高失业风险的人群；
5.开发数字化+智能化企业所需新力气：
员工团队需要乐观把握推断、沟通及想象力和制造力等人类所特有的重要力气。
对于中国企业来说，制造兼具包涵性和多样性的文化也格外重要。
子曰：
“君子和而不同，小人同而不和。
” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。
假如说上一次哥伦布地理大发觉，拓展的是人类的物理空间。
那么这一次地理大发觉，拓展的就是人们的数字空间。
在数学空间，建立新的商业文明，从而发觉新的创富模式，为人类社会带来新的财宝空间。
云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPSOS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并制造新的强大引擎。
重构生产、支配、交换、消费等经济活动各环节，构成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。
引发经济结构严峻变革，深刻转变人类生产生活方式和思维模式，实现社会生产力的全体跃升。
升级会员 