智能算法的场景

① 人工智能在生活中的应用都有哪些

人工智能一共分为天然语言处理、计算机视觉、语音识别、专家系统以及交叉领域等五个领域。今天我就经过人工智能的六个方向讲一讲人工智能在生活中的有趣应用，来帮助你们更好地理解人工智能，尽享科技带给咱们的便捷生活。数据库

二、萌宠机器人

孩子一直是家长的心肝肉，而如何让孩子赢在起跑线也是各路家长无比关心的问题，这时候早教就显得尤其重要了。早教其实就是让孩子有效的玩耍，让孩子在玩耍的过程当中学到不少知识，开发孩子的脑力，动手能力，反应能力，审美能力，培养兴趣及习惯。

市面上的早教机构价格昂贵，师资力量不足，同时还可能存在必定的安全隐患，这时候萌宠机器人的存在就很大的缓解了这一问题。语音功能让它就像孩子的小伙伴同样和孩子交流，记忆功能还能够记住宝宝的使用习惯，很快找到宝宝想听的内容。同时提供快乐儿歌、国学经典、启蒙英语等早期教育内容，且云端内容能够持续更新。

② 人工智能在生活中应用的例子

1、虚拟个人助理

Siri，GoogleNow和Cortana都是各种渠道（iOS，Android和WindowsMobile）上的智能数字个人助理。

总归，当你用你的声响提出要求时，他们会协助你找到有用的信息;你能够说“最近的我国饭馆在哪里？”，“今日我的日程安排是什么？”，“提醒我八点打电话给杰里”，帮手会经过查找信息，转播手机中的信息或发送指令给其他应用程序。

人工智能在这些应用程序中十分重要，由于他们搜集有关恳求的信息并运用该信息更好地辨认您的言语并为您供给适合您偏好的结果。

微软标明Cortana“不断了解它的用户”，而且终究会开展出猜测用户需求的能力。虚拟个人助理处理来自各种来历的许多数据以了解用户，并更有效地协助他们组织和跟踪他们的信息。

2、视频游戏

事实上，自从第一次电子游戏以来，视频游戏AI现已被运用了很长一段时间-人工智能的一个实例，大多数人可能都很熟悉。

可是AI的复杂性和有效性在曩昔几十年中呈指数级添加，导致视频游戏人物了解您的行为，呼应刺激并以不行预知的方法做出反应。2014年的中心地球：魔多之影关于每个非玩家人物的个性特征，他们对曩昔互动的回想以及他们的可变方针都特别有目共睹。

“孤岛惊魂”和“使命呼唤”等第一人称射击游戏或许多运用人工智能，敌人能够剖析其环境，找到可能有利于其生存的物体或举动;他们会采纳保护，查询声响，运用侧翼演习，并与其他AI进行沟通，以添加取胜的时机。

就AI而言，视频游戏有点简略，但由于职业巨大的商场，每年都在投入许多精力和资金来完善这种类型的AI。

3、在线客服

现在，许多网站都提供用户与客服在线聊天的窗口，但其实并不是每个网站都有一个真人提供实时服务。在很多情况下，和你对话的仅仅只是一个初级AI。大多聊天机器人无异于自动应答器，但是其中一些能够从网站里学习知识，在用户有需求时将其呈现在用户面前。

最有趣也最困难的是，这些聊天机器人必须擅于理解自然语言。显然，与人沟通的方式和与电脑沟通的方式截然不同。所以这项技术十分依赖自然语言处理(NLP)技术，一旦这些机器人能够理解不同的语言表达方式中所包含的实际目的，那么很大程度上就可以用于代替人工服务。

4、购买预测

如果京东、天猫和亚马逊这样的大型零售商能够提前预见到客户的需求，那么收入一定有大幅度的增加。亚马逊目前正在研究这样一个的预期运输项目：在你下单之前就将商品运到送货车上，这样当你下单的时候甚至可以在几分钟内收到商品。

毫无疑问这项技术需要人工智能来参与，需要对每一位用户的地址、购买偏好、愿望清单等等数据进行深层次的分析之后才能够得出可靠性较高的结果。

虽然这项技术尚未实现，不过也表现了一种增加销量的思路，并且衍生了许多别的做法，包括送特定类型的优惠券、特殊的打折计划、有针对性的广告，在顾客住处附近的仓库存放他们可能购买的产品。

这种人工智能应用颇具争议性，毕竟使用预测分析存在隐私违规的嫌疑，许多人对此颇感忧虑。

5、音乐和电影推荐服务

与其他人工智能系统相比，这种服务比较简单。但是，这项技术会大幅度提高生活品质的改善。如果你用过网易云音乐这款产品，一定会惊叹于私人FM和每日音乐推荐与你喜欢的歌曲的契合度。

从前，想要听点好听的新歌很难，要么是从喜欢的歌手里找，要么是从朋友的歌单里去淘，但是往往未必有效。喜欢一个人的一首歌不代表喜欢这个人的所有歌，另外有的时候我们自己也不知道为什么会喜欢一首歌、讨厌一首歌。

而在有人工智能的介入之后，这一问题就有了解决办法。也许你自己不知道到底喜欢包含哪些元素的歌曲，但是人工智能通过分析你喜欢的音乐可以找到其中的共性，并且可以从庞大的歌曲库中筛选出来你所喜欢的部分，这比最资深的音乐人都要强大。

电影推荐也是相同的原理，对你过去喜欢的影片了解越多，就越了解你的偏好，从而推荐出你真正喜欢的电影。

(2)智能算法的场景扩展阅读

人工智能应用领域

机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。

值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。

中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的。

另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。智能家居之后，人工智能成为家电业的新风口，而长虹正成为将这一浪潮掀起的首个家电巨头。

长虹发布两款CHiQ智能电视新品，主打手机遥控器、带走看、随时看、分类看功能 。

③ 人工智能算法简介

人工智能的三大基石—算法、数据和计算能力，算法作为其中之一，是非常重要的，那么人工智能都会涉及哪些算法呢？不同算法适用于哪些场景呢？

一、按照模型训练方式不同可以分为监督学习（Supervised Learning），无监督学习（Unsupervised Learning）、半监督学习（Semi-supervised Learning）和强化学习（Reinforcement Learning）四大类。

常见的监督学习算法包含以下几类：
（1）人工神经网络（Artificial Neural Network）类：反向传播（Backpropagation）、波尔兹曼机（Boltzmann Machine）、卷积神经网络（Convolutional Neural Network）、Hopfield网络（hopfield Network）、多层感知器（Multilyer Perceptron）、径向基函数网络（Radial Basis Function Network，RBFN）、受限波尔兹曼机（Restricted Boltzmann Machine）、回归神经网络（Recurrent Neural Network，RNN）、自组织映射（Self-organizing Map，SOM）、尖峰神经网络（Spiking Neural Network）等。
（2）贝叶斯类（Bayesin）：朴素贝叶斯（Naive Bayes）、高斯贝叶斯（Gaussian Naive Bayes）、多项朴素贝叶斯（Multinomial Naive Bayes）、平均-依赖性评估（Averaged One-Dependence Estimators，AODE）
贝叶斯信念网络（Bayesian Belief Network，BBN）、贝叶斯网络（Bayesian Network，BN）等。
（3）决策树（Decision Tree）类：分类和回归树（Classification and Regression Tree，CART）、迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）,C4.5算法（C4.5 Algorithm）、C5.0算法（C5.0 Algorithm）、卡方自动交互检测（Chi-squared Automatic Interaction Detection，CHAID）、决策残端（Decision Stump）、ID3算法（ID3 Algorithm）、随机森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）线性分类器（Linear Classifier）类：Fisher的线性判别（Fisher’s Linear Discriminant）
线性回归（Linear Regression）、逻辑回归（Logistic Regression）、多项逻辑回归（Multionmial Logistic Regression）、朴素贝叶斯分类器（Naive Bayes Classifier）、感知（Perception）、支持向量机（Support Vector Machine）等。

常见的无监督学习类算法包括：
（1） 人工神经网络（Artificial Neural Network）类：生成对抗网络（Generative Adversarial Networks，GAN），前馈神经网络（Feedforward Neural Network）、逻辑学习机（Logic Learning Machine）、自组织映射（Self-organizing Map）等。
（2） 关联规则学习（Association Rule Learning）类：先验算法（Apriori Algorithm）、Eclat算法（Eclat Algorithm）、FP-Growth算法等。
（3）分层聚类算法（Hierarchical Clustering）：单连锁聚类（Single-linkage Clustering），概念聚类（Conceptual Clustering）等。
（4）聚类分析（Cluster analysis）：BIRCH算法、DBSCAN算法，期望最大化（Expectation-maximization，EM）、模糊聚类（Fuzzy Clustering）、K-means算法、K均值聚类（K-means Clustering）、K-medians聚类、均值漂移算法（Mean-shift）、OPTICS算法等。
（5）异常检测（Anomaly detection）类：K最邻近（K-nearest Neighbor，KNN）算法，局部异常因子算法（Local Outlier Factor，LOF）等。

常见的半监督学习类算法包含：生成模型（Generative Models）、低密度分离（Low-density Separation）、基于图形的方法（Graph-based Methods）、联合训练（Co-training）等。

常见的强化学习类算法包含：Q学习（Q-learning）、状态-行动-奖励-状态-行动（State-Action-Reward-State-Action，SARSA）、DQN（Deep Q Network）、策略梯度算法（Policy Gradients）、基于模型强化学习（Model Based RL）、时序差分学习（Temporal Different Learning）等。

常见的深度学习类算法包含：深度信念网络（Deep Belief Machines）、深度卷积神经网络（Deep Convolutional Neural Networks）、深度递归神经网络（Deep Recurrent Neural Network）、分层时间记忆（Hierarchical Temporal Memory，HTM）、深度波尔兹曼机（Deep Boltzmann Machine，DBM）、栈式自动编码器（Stacked Autoencoder）、生成对抗网络（Generative Adversarial Networks）等。

二、按照解决任务的不同来分类，粗略可以分为二分类算法（Two-class Classification）、多分类算法（Multi-class Classification）、回归算法（Regression）、聚类算法（Clustering）和异常检测（Anomaly Detection）五种。
1.二分类（Two-class Classification）
（1）二分类支持向量机（Two-class SVM）：适用于数据特征较多、线性模型的场景。
（2）二分类平均感知器（Two-class Average Perceptron）：适用于训练时间短、线性模型的场景。
（3）二分类逻辑回归（Two-class Logistic Regression）：适用于训练时间短、线性模型的场景。
（4）二分类贝叶斯点机（Two-class Bayes Point Machine）：适用于训练时间短、线性模型的场景。（5）二分类决策森林（Two-class Decision Forest）：适用于训练时间短、精准的场景。
（6）二分类提升决策树（Two-class Boosted Decision Tree）：适用于训练时间短、精准度高、内存占用量大的场景
（7）二分类决策丛林（Two-class Decision Jungle）：适用于训练时间短、精确度高、内存占用量小的场景。
（8）二分类局部深度支持向量机（Two-class Locally Deep SVM）：适用于数据特征较多的场景。
（9）二分类神经网络（Two-class Neural Network）：适用于精准度高、训练时间较长的场景。

解决多分类问题通常适用三种解决方案：第一种，从数据集和适用方法入手，利用二分类器解决多分类问题；第二种，直接使用具备多分类能力的多分类器；第三种，将二分类器改进成为多分类器今儿解决多分类问题。
常用的算法：
（1）多分类逻辑回归（Multiclass Logistic Regression）：适用训练时间短、线性模型的场景。
（2）多分类神经网络（Multiclass Neural Network）：适用于精准度高、训练时间较长的场景。
（3）多分类决策森林（Multiclass Decision Forest）：适用于精准度高，训练时间短的场景。
（4）多分类决策丛林（Multiclass Decision Jungle）：适用于精准度高，内存占用较小的场景。
（5）“一对多”多分类（One-vs-all Multiclass）：取决于二分类器效果。

回归
回归问题通常被用来预测具体的数值而非分类。除了返回的结果不同，其他方法与分类问题类似。我们将定量输出，或者连续变量预测称为回归；将定性输出，或者离散变量预测称为分类。长巾的算法有：
（1）排序回归（Ordinal Regression）：适用于对数据进行分类排序的场景。
（2）泊松回归（Poission Regression）：适用于预测事件次数的场景。
（3）快速森林分位数回归（Fast Forest Quantile Regression）：适用于预测分布的场景。
（4）线性回归（Linear Regression）：适用于训练时间短、线性模型的场景。
（5）贝叶斯线性回归（Bayesian Linear Regression）：适用于线性模型，训练数据量较少的场景。
（6）神经网络回归（Neural Network Regression）：适用于精准度高、训练时间较长的场景。
（7）决策森林回归（Decision Forest Regression）：适用于精准度高、训练时间短的场景。
（8）提升决策树回归（Boosted Decision Tree Regression）：适用于精确度高、训练时间短、内存占用较大的场景。

聚类
聚类的目标是发现数据的潜在规律和结构。聚类通常被用做描述和衡量不同数据源间的相似性，并把数据源分类到不同的簇中。
（1）层次聚类（Hierarchical Clustering）：适用于训练时间短、大数据量的场景。
（2）K-means算法：适用于精准度高、训练时间短的场景。
（3）模糊聚类FCM算法（Fuzzy C-means，FCM）：适用于精确度高、训练时间短的场景。
（4）SOM神经网络（Self-organizing Feature Map，SOM）：适用于运行时间较长的场景。
异常检测
异常检测是指对数据中存在的不正常或非典型的分体进行检测和标志，有时也称为偏差检测。
异常检测看起来和监督学习问题非常相似，都是分类问题。都是对样本的标签进行预测和判断，但是实际上两者的区别非常大，因为异常检测中的正样本（异常点）非常小。常用的算法有：
（1）一分类支持向量机（One-class SVM）：适用于数据特征较多的场景。
（2）基于PCA的异常检测（PCA-based Anomaly Detection）：适用于训练时间短的场景。

常见的迁移学习类算法包含：归纳式迁移学习（Inctive Transfer Learning） 、直推式迁移学习（Transctive Transfer Learning）、无监督式迁移学习（Unsupervised Transfer Learning）、传递式迁移学习（Transitive Transfer Learning）等。

算法的适用场景：
需要考虑的因素有：
（1）数据量的大小、数据质量和数据本身的特点
（2）机器学习要解决的具体业务场景中问题的本质是什么？
（3）可以接受的计算时间是什么？
（4）算法精度要求有多高？
————————————————

原文链接： https://blog.csdn.net/nfzhlk/article/details/82725769

④ 信也科技王春平：价值观在前的人工智能算法发展

9月27日,由玛娜数据基金会主办的“促进人工智能算法性别平等”报告发布会暨政策研讨会在上海举行,联合国妇女署驻华办公室高级项目官员马雷军、上海市浦东新区妇女联合会副主席国云丹、玛娜数据基金会秘书长张唯、玛娜数据基金会课题组专家负责人周旅军、专家况琨,以及小米集团 科技 委员会技术向善议题召集人朱汐、信也集团首席算法科学家王春平、Thought Works(中国)数据智能团队解决方案架构师任添石等各界嘉宾出席了本次会议,共同探讨如何促进人工智能算法中的性别平等。

作为金融 科技 企业信也 科技 集团的代表,也是在人工智能领域取得优秀成就的女性从业者,王春平博士在会上阐述了其对于人工智能在研究、应用中对于数据伦理、性别平等的观点与建议。

人工智能时代加速,促进性别平等即发展大前提

人工智能自1956年被提出以来,短短60余年的时间中,这项科学技术的飞速发展给人类 社会 带来了不小的变化。人工智能算法是以数学方式或计算机代码表达的意见,由算法模型和数据输入决定着预测的后果。

随着人工智能时代的加速到来,人类将生活在一个算法无所不在的世界,随着算法决策开始介入并主导人类 社会 事务,算法对人类的生活和未来都将产生不可估量的影响。基于此,由算法偏见可能带来的伦理风险也开始引起人们重视。单就性别角度而言,由于目前人工智能领域目前仍处于男性主导的状况,使得人工智能算法在日常应用中不自觉就容易出现 “性别歧视“的争议。

据当日发布的《促进人工智能算法性别平等》报告(后文简称《报告》)介绍,目前人工智能算法的诸多应用场景中均存在一定的性别歧视现象。以人工智能开放平台为例,一张“端着水果篮的男性”图片被AI人脸识别平台检测为“女性”,单独截出头像却能够被检测为“男性”。在就业场景中,2018年亚马逊公司的自动招聘算法倾向于给关键词含“女”字的简历打低分,降低了女性工作申请成功率,最后弃用了该招聘算法。

信也 科技 首席科学家王春平表示:“人工智能算法的基础是数据,但在实际生活中因为种种原因,沉淀下来的很多数据分布是有偏的,从而可能将 社会 中的一些偏见渗透进算法中。作为人工智能算法的女性从业者,我认为需要通过多种方式去消除这些偏见。”

消除偏见与歧视,数据算法从业者新课题

2019年,国家新一代人工智能治理专业委员会发布《新一代人工智能治理原则——发展负责任的人工智能》,提出了人工智能治理的框架和行动指南,明确提出要在数据获取、算法设计、技术开发、产品研发和应用过程中消除偏见和歧视。该委员会近日又发布了《新一代人工智能伦理规范》,第十三条特别强调避免偏见歧视,在数据采集和算法开发中,加强伦理审查,充分考虑差异化诉求,避免可能存在的数据与算法偏见,努力实现人工智能系统的普惠性、公平性和非歧视性。

“算法中存在性别歧视问题,主要源于训练AI的数据集反映了人类 社会 存在的性别偏见,而算法工程师对这一问题缺乏意识,未将解决性别偏见纳入开发需求,从而使得算法放大了性别歧视。“玛娜数据基金会课题组专家况坤表示。

据《报告》中专题 社会 调研的数据显示,58%的人工智能算法从业者不知道算法当中存在的性别偏见问题,73%的从业者不知道存在专门针对女性的恶意算法。从业者对算法性别平等的意识及能力亟需提升。

王春平博士表示,“对于在人工智能算法中尽可能地促进性别平等,我们认为首先需要从研发者的意识与环境培养开始。比如在信也 科技 集团内部,我们有很多公司政策都在保证并促进不同性别员工得到平等的机会。比如说我们会有比较完善针对人工智能领域或数字化应用相关的培训课程,这些课程包含了业务场景、算法学习、工程化落地,会开放给所有职位的员工,并且会尽可能地帮助公司内部对于人工智能算法有兴趣的员工参与一些实验性的创新项目,为其提供平等的岗位机会。我们认为保障女性员工获得公平的职业机会,为算法开发团队营造没有明显两性区分的环境,并有意识消除算法工程师们的性别偏见,对于人工智能算法在应用中尽可能实现性别平等是有益的。”

商业与伦理的平衡,价值观在前的人工智能算法未来

人工智能算法独特的运行逻辑导致人们 社会 生活的结构性场景发生了重大变化,加剧了决策者与相对人之间的“数字鸿沟”,人工智能算法独特的运行逻辑正在深刻地改变着以往的生产方式和生活方式,并与人的行为形成了支配关系。这也表示,人们的行为可以借助于数据算法来预测甚至被改变。

对于企业来说,人工智能算法的准确为商业行为的执行提供了准确的预判,但同时算法发展带来的伦理问题、性别歧视问题同样也是企业需要考虑的问题。

王春平博士认为,目前为止,人工智能算法在应用中反映的依然是相关性,在开发过程中考虑的因素与得到的决策结果之间,很大程度上只是相关。在很多应用里,性别可能是被引入的一个带有相关性的干扰项,如何排除偏见,公平地看待不同的性别,但是又不会影响到最终的商业判断准确性,具有不小挑战。目前这个问题已经引起了重视,有很多从不同角度试图解决这个问题的尝试,比如基于因果推理理论,寻找与期望预测结果拥有直接因果关系的因素;通过创新性地构造特征表征空间,抑制某些带有偏见的因素,比如由于性别带来差异。

“虽然很多时候,基于商业行为,我们很难判定部分情况下算法在偏好与偏见之间的界限,但是在算法的创新开发过程中,作为人工智能算法工程师如果拥有正确的价值观,就能尽可能提前审视并察觉歧视偏见的存在,很好地利用对于算法的不断更新去调整它带来的问题,这是我们作为算法开发者的使命与责任,也是人工智能算法发展的重要前提。” 王春平如是说到。

信也 科技 作为国内领先的金融 科技 企业之一,一直致力于推进 科技 应用与 社会 发展的互相融合与发展,尤其是在人工智能领域,信也 科技 通过在开发过程中纳入 社会 性别多元化视角,尽己所能为促进算法中的性别平等而努力。作为企业,信也 科技 致力推动在内部技术开发中的客观认识和理性反思,从而更好地促进 科技 发展。未来,信也 科技 将继续通过技术的不断创新,以确立正确价值观,助力促进人工智能时代的性别平等。

⑤ 开拓低空AI新蓝海，星逻祺云AI算法平台亮相WAIC

SKYSYS

近日，2021届世界人工智能大会在上海召开。本次大会以 “智联世界，众智成城” 为主题，共同拥抱数字经济，创享智慧未来。星逻智能联合创始人兼AI技术总监肖素枝受邀参加AI菁英女性论坛，并代表星逻智能，在大会上发布 无人机低空AI算法平台 的全新解决方案。

作为无人机低空AI算法提供商，五年来，星逻智能在无人机赋能领域持续深耕，截至目前已实现 百台无人机自动化系统的部署 。随着近年来在行业领域的持续深耕，星逻智能意识到，传统的数据流转已无法满足各行业用户的实际需求，如何让 巡检任务更加简单、巡检效率更加高效、巡检结果更加“聪明” ，是行业内需待解决的难题。

星逻智能拥有完整的AI飞采与AI分析算法团队，具有近六年无人机全自动化系统运营经验，对各行业用户的实际需求有更深刻的理解。截止目前，星逻智能凭借无人机+AI智能算法服务 全国二十余个省市、三十余个应用场景 ，为各行各业提供解决方案，实现城市违建识别、车牌识别以及红蓝藻检测等多个行业场景的项目落地，降低成本，提高生产效率，解决了以往单靠人力巡检困难的问题。

此次无人机低空AI算法平台的发布，引领了无人机全自动化行业向AI算法发展的新浪潮。星逻智能希望通过AI算法的数据驱动，助力整个无人机生态的产业转型升级，从已经成熟的地面自动化，到目前的飞行采集自动化，星逻智能不断创新，迎接即将到来的的数据分析自动化时代。

在此次世界人工智能大会中，肖素枝表示，一直以来无人机自动化行业还停留在数据搬运阶段，星逻率先进入数据变现阶段。如今，星逻希望做 AI生态的共建者 ，提供低空45 /90 视角算法，创新无人机AI生态领域。

以数字化助力行业用户发展一直以来都是星逻 探索 的愿景。在未来，星逻智能将持续赋能无人机AI领域，开拓 低空45 /90 视角AI新蓝海 ，变革行业生态，以更智能化的技术引领无人机赋能行业的新浪潮！

商务合作及产品业务咨询TEL:400-860-8819

招贤纳士：[email protected]

技术咨询：[email protected]

- END -