智能演算法的場景

① 人工智慧在生活中的應用都有哪些

人工智慧一共分為天然語言處理、計算機視覺、語音識別、專家系統以及交叉領域等五個領域。今天我就經過人工智慧的六個方向講一講人工智慧在生活中的有趣應用，來幫助你們更好地理解人工智慧，盡享科技帶給咱們的便捷生活。資料庫

二、萌寵機器人

孩子一直是家長的心肝肉，而如何讓孩子贏在起跑線也是各路家長無比關心的問題，這時候早教就顯得尤其重要了。早教其實就是讓孩子有效的玩耍，讓孩子在玩耍的過程當中學到不少知識，開發孩子的腦力，動手能力，反應能力，審美能力，培養興趣及習慣。

市面上的早教機構價格昂貴，師資力量不足，同時還可能存在必定的安全隱患，這時候萌寵機器人的存在就很大的緩解了這一問題。語音功能讓它就像孩子的小夥伴同樣和孩子交流，記憶功能還能夠記住寶寶的使用習慣，很快找到寶寶想聽的內容。同時提供快樂兒歌、國學經典、啟蒙英語等早期教育內容，且雲端內容能夠持續更新。

② 人工智慧在生活中應用的例子

1、虛擬個人助理

Siri，GoogleNow和Cortana都是各種渠道（iOS，Android和WindowsMobile）上的智能數字個人助理。

總歸，當你用你的聲響提出要求時，他們會協助你找到有用的信息;你能夠說「最近的我國飯館在哪裡？」，「今日我的日程安排是什麼？」，「提醒我八點打電話給傑里」，幫手會經過查找信息，轉播手機中的信息或發送指令給其他應用程序。

人工智慧在這些應用程序中十分重要，由於他們搜集有關懇求的信息並運用該信息更好地辨認您的言語並為您供給適合您偏好的結果。

微軟標明Cortana「不斷了解它的用戶」，而且終究會開展出猜測用戶需求的能力。虛擬個人助理處理來自各種來歷的許多數據以了解用戶，並更有效地協助他們組織和跟蹤他們的信息。

2、視頻游戲

事實上，自從第一次電子游戲以來，視頻游戲AI現已被運用了很長一段時間-人工智慧的一個實例，大多數人可能都很熟悉。

可是AI的復雜性和有效性在曩昔幾十年中呈指數級添加，導致視頻游戲人物了解您的行為，呼應刺激並以不行預知的方法做出反應。2014年的中心地球：魔多之影關於每個非玩家人物的個性特徵，他們對曩昔互動的回想以及他們的可變方針都特別有目共睹。

「孤島驚魂」和「使命呼喚」等第一人稱射擊游戲或許多運用人工智慧，敵人能夠剖析其環境，找到可能有利於其生存的物體或舉動;他們會採納保護，查詢聲響，運用側翼演習，並與其他AI進行溝通，以添加取勝的時機。

就AI而言，視頻游戲有點簡略，但由於職業巨大的商場，每年都在投入許多精力和資金來完善這種類型的AI。

3、在線客服

現在，許多網站都提供用戶與客服在線聊天的窗口，但其實並不是每個網站都有一個真人提供實時服務。在很多情況下，和你對話的僅僅只是一個初級AI。大多聊天機器人無異於自動應答器，但是其中一些能夠從網站里學習知識，在用戶有需求時將其呈現在用戶面前。

最有趣也最困難的是，這些聊天機器人必須擅於理解自然語言。顯然，與人溝通的方式和與電腦溝通的方式截然不同。所以這項技術十分依賴自然語言處理(NLP)技術，一旦這些機器人能夠理解不同的語言表達方式中所包含的實際目的，那麼很大程度上就可以用於代替人工服務。

4、購買預測

如果京東、天貓和亞馬遜這樣的大型零售商能夠提前預見到客戶的需求，那麼收入一定有大幅度的增加。亞馬遜目前正在研究這樣一個的預期運輸項目：在你下單之前就將商品運到送貨車上，這樣當你下單的時候甚至可以在幾分鍾內收到商品。

毫無疑問這項技術需要人工智慧來參與，需要對每一位用戶的地址、購買偏好、願望清單等等數據進行深層次的分析之後才能夠得出可靠性較高的結果。

雖然這項技術尚未實現，不過也表現了一種增加銷量的思路，並且衍生了許多別的做法，包括送特定類型的優惠券、特殊的打折計劃、有針對性的廣告，在顧客住處附近的倉庫存放他們可能購買的產品。

這種人工智慧應用頗具爭議性，畢竟使用預測分析存在隱私違規的嫌疑，許多人對此頗感憂慮。

5、音樂和電影推薦服務

與其他人工智慧系統相比，這種服務比較簡單。但是，這項技術會大幅度提高生活品質的改善。如果你用過網易雲音樂這款產品，一定會驚嘆於私人FM和每日音樂推薦與你喜歡的歌曲的契合度。

從前，想要聽點好聽的新歌很難，要麼是從喜歡的歌手裡找，要麼是從朋友的歌單里去淘，但是往往未必有效。喜歡一個人的一首歌不代表喜歡這個人的所有歌，另外有的時候我們自己也不知道為什麼會喜歡一首歌、討厭一首歌。

而在有人工智慧的介入之後，這一問題就有了解決辦法。也許你自己不知道到底喜歡包含哪些元素的歌曲，但是人工智慧通過分析你喜歡的音樂可以找到其中的共性，並且可以從龐大的歌曲庫中篩選出來你所喜歡的部分，這比最資深的音樂人都要強大。

電影推薦也是相同的原理，對你過去喜歡的影片了解越多，就越了解你的偏好，從而推薦出你真正喜歡的電影。

(2)智能演算法的場景擴展閱讀

人工智慧應用領域

機器翻譯，智能控制，專家系統，機器人學，語言和圖像理解，遺傳編程機器人工廠，自動程序設計，航天應用，龐大的信息處理，儲存與管理，執行化合生命體無法執行的或復雜或規模龐大的任務等等。

值得一提的是，機器翻譯是人工智慧的重要分支和最先應用領域。不過就已有的機譯成就來看，機譯系統的譯文質量離終極目標仍相差甚遠；而機譯質量是機譯系統成敗的關鍵。

中國數學家、語言學家周海中教授曾在論文《機器翻譯五十年》中指出：要提高機譯的質量，首先要解決的是語言本身問題而不是程序設計問題；單靠若干程序來做機譯系統，肯定是無法提高機譯質量的。

另外在人類尚未明了大腦是如何進行語言的模糊識別和邏輯判斷的情況下，機譯要想達到「信、達、雅」的程度是不可能的。智能家居之後，人工智慧成為家電業的新風口，而長虹正成為將這一浪潮掀起的首個家電巨頭。

長虹發布兩款CHiQ智能電視新品，主打手機遙控器、帶走看、隨時看、分類看功能 。

③ 人工智慧演算法簡介

人工智慧的三大基石—演算法、數據和計算能力，演算法作為其中之一，是非常重要的，那麼人工智慧都會涉及哪些演算法呢？不同演算法適用於哪些場景呢？

一、按照模型訓練方式不同可以分為監督學習（Supervised Learning），無監督學習（Unsupervised Learning）、半監督學習（Semi-supervised Learning）和強化學習（Reinforcement Learning）四大類。

常見的監督學習演算法包含以下幾類：
（1）人工神經網路（Artificial Neural Network）類：反向傳播（Backpropagation）、波爾茲曼機（Boltzmann Machine）、卷積神經網路（Convolutional Neural Network）、Hopfield網路（hopfield Network）、多層感知器（Multilyer Perceptron）、徑向基函數網路（Radial Basis Function Network，RBFN）、受限波爾茲曼機（Restricted Boltzmann Machine）、回歸神經網路（Recurrent Neural Network，RNN）、自組織映射（Self-organizing Map，SOM）、尖峰神經網路（Spiking Neural Network）等。
（2）貝葉斯類（Bayesin）：樸素貝葉斯（Naive Bayes）、高斯貝葉斯（Gaussian Naive Bayes）、多項樸素貝葉斯（Multinomial Naive Bayes）、平均-依賴性評估（Averaged One-Dependence Estimators，AODE）
貝葉斯信念網路（Bayesian Belief Network，BBN）、貝葉斯網路（Bayesian Network，BN）等。
（3）決策樹（Decision Tree）類：分類和回歸樹（Classification and Regression Tree，CART）、迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）,C4.5演算法（C4.5 Algorithm）、C5.0演算法（C5.0 Algorithm）、卡方自動交互檢測（Chi-squared Automatic Interaction Detection，CHAID）、決策殘端（Decision Stump）、ID3演算法（ID3 Algorithm）、隨機森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）線性分類器（Linear Classifier）類：Fisher的線性判別（Fisher』s Linear Discriminant）
線性回歸（Linear Regression）、邏輯回歸（Logistic Regression）、多項邏輯回歸（Multionmial Logistic Regression）、樸素貝葉斯分類器（Naive Bayes Classifier）、感知（Perception）、支持向量機（Support Vector Machine）等。

常見的無監督學習類演算法包括：
（1） 人工神經網路（Artificial Neural Network）類：生成對抗網路（Generative Adversarial Networks，GAN），前饋神經網路（Feedforward Neural Network）、邏輯學習機（Logic Learning Machine）、自組織映射（Self-organizing Map）等。
（2） 關聯規則學習（Association Rule Learning）類：先驗演算法（Apriori Algorithm）、Eclat演算法（Eclat Algorithm）、FP-Growth演算法等。
（3）分層聚類演算法（Hierarchical Clustering）：單連鎖聚類（Single-linkage Clustering），概念聚類（Conceptual Clustering）等。
（4）聚類分析（Cluster analysis）：BIRCH演算法、DBSCAN演算法，期望最大化（Expectation-maximization，EM）、模糊聚類（Fuzzy Clustering）、K-means演算法、K均值聚類（K-means Clustering）、K-medians聚類、均值漂移演算法（Mean-shift）、OPTICS演算法等。
（5）異常檢測（Anomaly detection）類：K最鄰近（K-nearest Neighbor，KNN）演算法，局部異常因子演算法（Local Outlier Factor，LOF）等。

常見的半監督學習類演算法包含：生成模型（Generative Models）、低密度分離（Low-density Separation）、基於圖形的方法（Graph-based Methods）、聯合訓練（Co-training）等。

常見的強化學習類演算法包含：Q學習（Q-learning）、狀態-行動-獎勵-狀態-行動（State-Action-Reward-State-Action，SARSA）、DQN（Deep Q Network）、策略梯度演算法（Policy Gradients）、基於模型強化學習（Model Based RL）、時序差分學習（Temporal Different Learning）等。

常見的深度學習類演算法包含：深度信念網路（Deep Belief Machines）、深度卷積神經網路（Deep Convolutional Neural Networks）、深度遞歸神經網路（Deep Recurrent Neural Network）、分層時間記憶（Hierarchical Temporal Memory，HTM）、深度波爾茲曼機（Deep Boltzmann Machine，DBM）、棧式自動編碼器（Stacked Autoencoder）、生成對抗網路（Generative Adversarial Networks）等。

二、按照解決任務的不同來分類，粗略可以分為二分類演算法（Two-class Classification）、多分類演算法（Multi-class Classification）、回歸演算法（Regression）、聚類演算法（Clustering）和異常檢測（Anomaly Detection）五種。
1.二分類（Two-class Classification）
（1）二分類支持向量機（Two-class SVM）：適用於數據特徵較多、線性模型的場景。
（2）二分類平均感知器（Two-class Average Perceptron）：適用於訓練時間短、線性模型的場景。
（3）二分類邏輯回歸（Two-class Logistic Regression）：適用於訓練時間短、線性模型的場景。
（4）二分類貝葉斯點機（Two-class Bayes Point Machine）：適用於訓練時間短、線性模型的場景。（5）二分類決策森林（Two-class Decision Forest）：適用於訓練時間短、精準的場景。
（6）二分類提升決策樹（Two-class Boosted Decision Tree）：適用於訓練時間短、精準度高、內存佔用量大的場景
（7）二分類決策叢林（Two-class Decision Jungle）：適用於訓練時間短、精確度高、內存佔用量小的場景。
（8）二分類局部深度支持向量機（Two-class Locally Deep SVM）：適用於數據特徵較多的場景。
（9）二分類神經網路（Two-class Neural Network）：適用於精準度高、訓練時間較長的場景。

解決多分類問題通常適用三種解決方案：第一種，從數據集和適用方法入手，利用二分類器解決多分類問題；第二種，直接使用具備多分類能力的多分類器；第三種，將二分類器改進成為多分類器今兒解決多分類問題。
常用的演算法：
（1）多分類邏輯回歸（Multiclass Logistic Regression）：適用訓練時間短、線性模型的場景。
（2）多分類神經網路（Multiclass Neural Network）：適用於精準度高、訓練時間較長的場景。
（3）多分類決策森林（Multiclass Decision Forest）：適用於精準度高，訓練時間短的場景。
（4）多分類決策叢林（Multiclass Decision Jungle）：適用於精準度高，內存佔用較小的場景。
（5）「一對多」多分類（One-vs-all Multiclass）：取決於二分類器效果。

回歸
回歸問題通常被用來預測具體的數值而非分類。除了返回的結果不同，其他方法與分類問題類似。我們將定量輸出，或者連續變數預測稱為回歸；將定性輸出，或者離散變數預測稱為分類。長巾的演算法有：
（1）排序回歸（Ordinal Regression）：適用於對數據進行分類排序的場景。
（2）泊松回歸（Poission Regression）：適用於預測事件次數的場景。
（3）快速森林分位數回歸（Fast Forest Quantile Regression）：適用於預測分布的場景。
（4）線性回歸（Linear Regression）：適用於訓練時間短、線性模型的場景。
（5）貝葉斯線性回歸（Bayesian Linear Regression）：適用於線性模型，訓練數據量較少的場景。
（6）神經網路回歸（Neural Network Regression）：適用於精準度高、訓練時間較長的場景。
（7）決策森林回歸（Decision Forest Regression）：適用於精準度高、訓練時間短的場景。
（8）提升決策樹回歸（Boosted Decision Tree Regression）：適用於精確度高、訓練時間短、內存佔用較大的場景。

聚類
聚類的目標是發現數據的潛在規律和結構。聚類通常被用做描述和衡量不同數據源間的相似性，並把數據源分類到不同的簇中。
（1）層次聚類（Hierarchical Clustering）：適用於訓練時間短、大數據量的場景。
（2）K-means演算法：適用於精準度高、訓練時間短的場景。
（3）模糊聚類FCM演算法（Fuzzy C-means，FCM）：適用於精確度高、訓練時間短的場景。
（4）SOM神經網路（Self-organizing Feature Map，SOM）：適用於運行時間較長的場景。
異常檢測
異常檢測是指對數據中存在的不正常或非典型的分體進行檢測和標志，有時也稱為偏差檢測。
異常檢測看起來和監督學習問題非常相似，都是分類問題。都是對樣本的標簽進行預測和判斷，但是實際上兩者的區別非常大，因為異常檢測中的正樣本（異常點）非常小。常用的演算法有：
（1）一分類支持向量機（One-class SVM）：適用於數據特徵較多的場景。
（2）基於PCA的異常檢測（PCA-based Anomaly Detection）：適用於訓練時間短的場景。

常見的遷移學習類演算法包含：歸納式遷移學習（Inctive Transfer Learning） 、直推式遷移學習（Transctive Transfer Learning）、無監督式遷移學習（Unsupervised Transfer Learning）、傳遞式遷移學習（Transitive Transfer Learning）等。

演算法的適用場景：
需要考慮的因素有：
（1）數據量的大小、數據質量和數據本身的特點
（2）機器學習要解決的具體業務場景中問題的本質是什麼？
（3）可以接受的計算時間是什麼？
（4）演算法精度要求有多高？
————————————————

原文鏈接： https://blog.csdn.net/nfzhlk/article/details/82725769

④ 信也科技王春平：價值觀在前的人工智慧演算法發展

9月27日,由瑪娜數據基金會主辦的「促進人工智慧演算法性別平等」報告發布會暨政策研討會在上海舉行,聯合國婦女署駐華辦公室高級項目官員馬雷軍、上海市浦東新區婦女聯合會副主席國雲丹、瑪娜數據基金會秘書長張唯、瑪娜數據基金會課題組專家負責人周旅軍、專家況琨,以及小米集團 科技 委員會技術向善議題召集人朱汐、信也集團首席演算法科學家王春平、Thought Works(中國)數據智能團隊解決方案架構師任添石等各界嘉賓出席了本次會議,共同探討如何促進人工智慧演算法中的性別平等。

作為金融 科技 企業信也 科技 集團的代表,也是在人工智慧領域取得優秀成就的女性從業者,王春平博士在會上闡述了其對於人工智慧在研究、應用中對於數據倫理、性別平等的觀點與建議。

人工智慧時代加速,促進性別平等即發展大前提

人工智慧自1956年被提出以來,短短60餘年的時間中,這項科學技術的飛速發展給人類 社會 帶來了不小的變化。人工智慧演算法是以數學方式或計算機代碼表達的意見,由演算法模型和數據輸入決定著預測的後果。

隨著人工智慧時代的加速到來,人類將生活在一個演算法無所不在的世界,隨著演算法決策開始介入並主導人類 社會 事務,演算法對人類的生活和未來都將產生不可估量的影響。基於此,由演算法偏見可能帶來的倫理風險也開始引起人們重視。單就性別角度而言,由於目前人工智慧領域目前仍處於男性主導的狀況,使得人工智慧演算法在日常應用中不自覺就容易出現 「性別歧視「的爭議。

據當日發布的《促進人工智慧演算法性別平等》報告(後文簡稱《報告》)介紹,目前人工智慧演算法的諸多應用場景中均存在一定的性別歧視現象。以人工智慧開放平台為例,一張「端著水果籃的男性」圖片被AI人臉識別平台檢測為「女性」,單獨截出頭像卻能夠被檢測為「男性」。在就業場景中,2018年亞馬遜公司的自動招聘演算法傾向於給關鍵詞含「女」字的簡歷打低分,降低了女性工作申請成功率,最後棄用了該招聘演算法。

信也 科技 首席科學家王春平表示:「人工智慧演算法的基礎是數據,但在實際生活中因為種種原因,沉澱下來的很多數據分布是有偏的,從而可能將 社會 中的一些偏見滲透進演算法中。作為人工智慧演算法的女性從業者,我認為需要通過多種方式去消除這些偏見。」

消除偏見與歧視,數據演算法從業者新課題

2019年,國家新一代人工智慧治理專業委員會發布《新一代人工智慧治理原則——發展負責任的人工智慧》,提出了人工智慧治理的框架和行動指南,明確提出要在數據獲取、演算法設計、技術開發、產品研發和應用過程中消除偏見和歧視。該委員會近日又發布了《新一代人工智慧倫理規范》,第十三條特別強調避免偏見歧視,在數據採集和演算法開發中,加強倫理審查,充分考慮差異化訴求,避免可能存在的數據與演算法偏見,努力實現人工智慧系統的普惠性、公平性和非歧視性。

「演算法中存在性別歧視問題,主要源於訓練AI的數據集反映了人類 社會 存在的性別偏見,而演算法工程師對這一問題缺乏意識,未將解決性別偏見納入開發需求,從而使得演算法放大了性別歧視。「瑪娜數據基金會課題組專家況坤表示。

據《報告》中專題 社會 調研的數據顯示,58%的人工智慧演算法從業者不知道演算法當中存在的性別偏見問題,73%的從業者不知道存在專門針對女性的惡意演算法。從業者對演算法性別平等的意識及能力亟需提升。

王春平博士表示,「對於在人工智慧演算法中盡可能地促進性別平等,我們認為首先需要從研發者的意識與環境培養開始。比如在信也 科技 集團內部,我們有很多公司政策都在保證並促進不同性別員工得到平等的機會。比如說我們會有比較完善針對人工智慧領域或數字化應用相關的培訓課程,這些課程包含了業務場景、演算法學習、工程化落地,會開放給所有職位的員工,並且會盡可能地幫助公司內部對於人工智慧演算法有興趣的員工參與一些實驗性的創新項目,為其提供平等的崗位機會。我們認為保障女性員工獲得公平的職業機會,為演算法開發團隊營造沒有明顯兩性區分的環境,並有意識消除演算法工程師們的性別偏見,對於人工智慧演算法在應用中盡可能實現性別平等是有益的。」

商業與倫理的平衡,價值觀在前的人工智慧演算法未來

人工智慧演算法獨特的運行邏輯導致人們 社會 生活的結構性場景發生了重大變化,加劇了決策者與相對人之間的「數字鴻溝」,人工智慧演算法獨特的運行邏輯正在深刻地改變著以往的生產方式和生活方式,並與人的行為形成了支配關系。這也表示,人們的行為可以藉助於數據演算法來預測甚至被改變。

對於企業來說,人工智慧演算法的准確為商業行為的執行提供了准確的預判,但同時演算法發展帶來的倫理問題、性別歧視問題同樣也是企業需要考慮的問題。

王春平博士認為,目前為止,人工智慧演算法在應用中反映的依然是相關性,在開發過程中考慮的因素與得到的決策結果之間,很大程度上只是相關。在很多應用里,性別可能是被引入的一個帶有相關性的干擾項,如何排除偏見,公平地看待不同的性別,但是又不會影響到最終的商業判斷准確性,具有不小挑戰。目前這個問題已經引起了重視,有很多從不同角度試圖解決這個問題的嘗試,比如基於因果推理理論,尋找與期望預測結果擁有直接因果關系的因素;通過創新性地構造特徵表徵空間,抑制某些帶有偏見的因素,比如由於性別帶來差異。

「雖然很多時候,基於商業行為,我們很難判定部分情況下演算法在偏好與偏見之間的界限,但是在演算法的創新開發過程中,作為人工智慧演算法工程師如果擁有正確的價值觀,就能盡可能提前審視並察覺歧視偏見的存在,很好地利用對於演算法的不斷更新去調整它帶來的問題,這是我們作為演算法開發者的使命與責任,也是人工智慧演算法發展的重要前提。」 王春平如是說到。

信也 科技 作為國內領先的金融 科技 企業之一,一直致力於推進 科技 應用與 社會 發展的互相融合與發展,尤其是在人工智慧領域,信也 科技 通過在開發過程中納入 社會 性別多元化視角,盡己所能為促進演算法中的性別平等而努力。作為企業,信也 科技 致力推動在內部技術開發中的客觀認識和理性反思,從而更好地促進 科技 發展。未來,信也 科技 將繼續通過技術的不斷創新,以確立正確價值觀,助力促進人工智慧時代的性別平等。

⑤ 開拓低空AI新藍海，星邏祺雲AI演算法平台亮相WAIC

SKYSYS

近日，2021屆世界人工智慧大會在上海召開。本次大會以 「智聯世界，眾智成城」 為主題，共同擁抱數字經濟，創享智慧未來。星邏智能聯合創始人兼AI技術總監肖素枝受邀參加AI菁英女性論壇，並代表星邏智能，在大會上發布 無人機低空AI演算法平台 的全新解決方案。

作為無人機低空AI演算法提供商，五年來，星邏智能在無人機賦能領域持續深耕，截至目前已實現 百台無人機自動化系統的部署 。隨著近年來在行業領域的持續深耕，星邏智能意識到，傳統的數據流轉已無法滿足各行業用戶的實際需求，如何讓 巡檢任務更加簡單、巡檢效率更加高效、巡檢結果更加「聰明」 ，是行業內需待解決的難題。

星邏智能擁有完整的AI飛采與AI分析演算法團隊，具有近六年無人機全自動化系統運營經驗，對各行業用戶的實際需求有更深刻的理解。截止目前，星邏智能憑借無人機+AI智能演算法服務 全國二十餘個省市、三十餘個應用場景 ，為各行各業提供解決方案，實現城市違建識別、車牌識別以及紅藍藻檢測等多個行業場景的項目落地，降低成本，提高生產效率，解決了以往單靠人力巡檢困難的問題。

此次無人機低空AI演算法平台的發布，引領了無人機全自動化行業向AI演算法發展的新浪潮。星邏智能希望通過AI演算法的數據驅動，助力整個無人機生態的產業轉型升級，從已經成熟的地面自動化，到目前的飛行採集自動化，星邏智能不斷創新，迎接即將到來的的數據分析自動化時代。

在此次世界人工智慧大會中，肖素枝表示，一直以來無人機自動化行業還停留在數據搬運階段，星邏率先進入數據變現階段。如今，星邏希望做 AI生態的共建者 ，提供低空45 /90 視角演算法，創新無人機AI生態領域。

以數字化助力行業用戶發展一直以來都是星邏 探索 的願景。在未來，星邏智能將持續賦能無人機AI領域，開拓 低空45 /90 視角AI新藍海 ，變革行業生態，以更智能化的技術引領無人機賦能行業的新浪潮！

商務合作及產品業務咨詢TEL:400-860-8819

招賢納士：[email protected]

技術咨詢：[email protected]

- END -