537204951
0749-28839408
导航

“鸭脖官网app”盘货人工智能十大经典应用领域、图解技术原理

发布日期:2021-11-04 07:28

本文摘要:导读:本文通过案例分门别类地深入探讨人工智能的实际应用。案例甚多,此地方枚举的仅是九牛一毛。本该按行业或业务对这些案例举行分类,但相反我选择按在行业或业务中最可能应用的顺序来分类。 作者:Alex Castrounis泉源:华章科技本文将使用“算法”一词,以高度简化的方式来形貌单个算法、模型或者使用多种算法的软件。在每个种别中,逐一讨论数据输入的类型、作为黑箱的算法以及输出(为了轻便易行,纵然真实算法不是黑箱也暂且把它当成黑箱)。

鸭脖官网app

导读:本文通过案例分门别类地深入探讨人工智能的实际应用。案例甚多,此地方枚举的仅是九牛一毛。本该按行业或业务对这些案例举行分类,但相反我选择按在行业或业务中最可能应用的顺序来分类。

作者:Alex Castrounis泉源:华章科技本文将使用“算法”一词,以高度简化的方式来形貌单个算法、模型或者使用多种算法的软件。在每个种别中,逐一讨论数据输入的类型、作为黑箱的算法以及输出(为了轻便易行,纵然真实算法不是黑箱也暂且把它当成黑箱)。因为这是高条理的概述,所以我勉励你深入研究感兴趣的详细应用,搞清楚它们究竟是如何应用于行业或者业务运动的。现在也有许多资源可供使用,以学习所涉及的技术细节和详细算法。

01 预测分析预测是预测分析或者预测建模的同义词,这是凭据有标签,以及有时甚至无标签的输入数据来判断输出数据的历程。在机械学习和人工智能中,预测分析可以进一步细分为回归和分类。

下面将对使用有标签数据(有监视)举行预测的两个子类举行讨论。1. 回归图1-1展示了在回归方法中输入有标签数据,经预测模型处置惩罚,然后从一连数列中生成数值的历程(例如股市的闭市价)。▲图1-1:回归应用包罗客户全周期的股票价值和净利润、收入及其增长预测、价钱变更、信贷违约风险以及股票生意业务盘算。

2. 分类分类指的是输入有标签数据,经由分类模型处置惩罚后,把输入数据分成一类或多类的历程,如图1-2所示。▲图1-2:分类垃圾邮件过滤器是二元分类应用的尺度案例。

电子邮件是经分类模型处置惩罚后的输入数据,输出数据是确定了的垃圾邮件或者非垃圾邮件,非垃圾邮件专指那些不含垃圾内容的好邮件。垃圾邮件会被送入垃圾箱,而非垃圾邮件则被送入收件箱。如果引入第三个种别“不确定”,那么分类器现在就可以把输入的邮件分成三类。

因为凌驾了两个种别,所以这是多元分类的例子。在该例子中,电子邮件的客户端可能有“疑似垃圾邮件”的文件夹供用户审查每封邮件,并以此训练分类器更好地域分垃圾与非垃圾邮件。如果要把输入数据分成三类或更多类,那么算法可以为输入数据选择单一种别或者盘算输入数据属于每个种别的概率。在后一种情况下,可以接纳概率最大的种别作为选择的效果,或者接纳所有种别的概率来按你自己定制的规则处置惩罚。

在这种情况下,假定一封刚收到的邮件被确定有85%的可能性是垃圾邮件,10%的可能性是非垃圾邮件,5%的可能性为不确定。因为是垃圾邮件的可能性最高,因此可以判断该邮件为垃圾邮件,或者以其他方式来使用盘算出的概率。最后,某些算法可以为同一输入分配多个标签。

这里有一个与图像识别相关的例子,假设输入的数据是红苹果的图像,那么算法可以为该图像分配红色、苹果和水果等多个差别的标签。该案例为图像分配所有三个种别的做法是合适的。应用包罗信用风险、贷款审批和客户流失。分类可以与本文后续讨论的识别应用相联合。

02 个性化和推荐系统推荐系统是依据现有信息举行推荐的一种个性化形式,其效果与各个用户甚为相关。其可以用来提高客户转化率、销售率、满足度和留存率。

事实上,亚马逊就是通过增加这些引擎把营业收入提高了35%, 75%的Netflix鉴赏节目也来自于这样的推荐。推荐系统是一种特此外信息过滤系统。也可以通过用户搜索、排名和评分的措施来完成个性化。推荐系统凭据诸如商品或者用户等的输入数据,经由推荐模型或者引擎的处置惩罚来完成推荐(例如产物、文章、音乐、影戏),如图2所示。

▲图2:推荐系统值得一提的是与推荐系统相关的“冷启动问题”。冷启动是指智能应用尚未拥有足够的信息来为特定用户或者群体做出高度个性化和关联度的推荐。

例如,用户尚未发生关于它们的偏好、兴趣或购置历史的信息。另一个例子是当商品(例如衣服、产物、视频、歌曲)刚刚面世的时候。有几种技术有助于解决这个问题,但因篇幅所限就不深入讨论了。推荐系统应用包罗推荐产物、视频、音乐、歌曲、书籍和电视节目(例如亚马逊、Netflix、Spotify)。

除了推荐以外,也包罗个性化的内容,包罗新闻、报道、电邮和定向广告(例如推特)。其他的案例还包罗个性化医疗计划、个性化图像和图标(例如YouTube、Netflix、Yelp)、葡萄酒推荐、个性化购物(例如完美的夹克衫搭配)、时尚穿搭(例如StitchFix)以及全套的自动化推荐。03 盘算机视觉盘算机视觉是一个辽阔的领域,它包罗涉及诸如图像和视频之类视觉信息的模式识别(下一节将讨论另外一种技术)。

盘算机视觉以照片、静止的视频图像和一系列图像(视频)作为输入,经由模型的处置惩罚,发生输出,如图3所示。▲图3:盘算机视觉输出可以是识别、检测和发现某个目的、特征或者运动。视觉相关的应用隐含着一定水平的自动化,特别是自动化视觉,通常需要人在应用中到场(例如检查)。

机械视觉一词用来形貌在工业应用中的类似或者有一定重叠度的技术,诸如检查、历程控制、丈量和机械人。盘算机视觉有许多有趣而且强大的应用,同时应用场景也在快速增加。

例如,可以在下述场景中使用盘算机视觉:视频分析和内容筛选唇读指挥自动化机械(例如汽车和无人机)视频识别和形貌视频字幕识别像拥抱和握手之类的人际交互行动机械人及其控制系统人群密度估算清点人数(例如排队、基础设施计划、零售)检查与质量控制零售客户步行路径分析以及到场度分析无人航空器(UAV)经常被称为无人机。通过应用盘算机视觉,无人性能够执行检查(例如石油管道、无线信号塔)、完成修建和区域搜索、资助制作舆图和送货。

盘算机视觉现在正广泛应用于公安、安保和监控。固然,这类应用也要注意切合伦理道德,掩护人们的利益。盘算机视觉另有最后一件事值得一提。通过看、闻、听、触和味五大感受,人类能够感知情况和周围的世界。

感官捕捉信息,然后通报到神经系统举行转换,同时也决议应该接纳什么行动或者应该做出什么样的反映。盘算机视觉是对特定人工智能应用视觉的一种类比。04 模式识别模式识别涉及输入非结构化数据,经由模型处置惩罚,继而检测是否存在某种特定的模式(检测),然后为识别出的模式分配一个种别(分类),或者发现所识别模式的主题(识别),如图4-1所示。

▲图4-1:模式识别这些应用的输入可以包罗图像(包罗视频——一系列静止的图像)、音频(例如讲话、音乐和声音)和文本。文本可以凭据其特性进一步细分为电子、手写或者打印(例如纸、支票、车牌号)。以图像为输入的目的可能是检测目的、识别目的、发现目的,或者三者皆有。

人脸识别就是一个好例子。训练模型来检测图像中的人脸,并对检测到的目的举行分类,打上人的标签,这就是目的检测的例子,这里的目的是未经识此外人脸。

“检测”用来指代所发现的差别于配景的目的。其也包罗对目的位置的丈量和围绕被检测目的边际框的详细丈量。

识别是指为检测到的目的分类或打标签的历程(在本案例中是人脸),识别会更进一步,并为所识此外人脸分配一个身份。图4-2出现了一些图像识此外案例。▲图4-2:图像识别与检测诸如人脸识别这样的生物特征识别技术可以用来为图中的人自动打标签。

生物特征识此外另外一种形式是凭据指纹来识别。其他的应用包罗:读出视频和音频中的文字在图像上打标签和分类汽车保险中基于图像来评估汽车受损水平从视频和音频中提取信息基于面部和声音的情感识别面部心情识别音频识此外应用包罗:语音识别将语音转换为文天职离并识别出讲话者基于声音、实时客服和销售电话的情感智能分析伐木和森林砍伐声音检测缺陷检测(例如制造历程中的缺陷或零配件失效)最后,手写或打印的文本可以通过光学字符识别(OCR)和手写字符识别转换为电子文档。文档也可以转换为语音,但这被认为更可能是人工智能的生成性应用,而不是识别性应用。本文稍后会讨论生成性应用。

05 聚类和异常检测图5中所示的聚类和异常检测是两种最常见的无监视机械学习技术。它们也被认为是模式识别技术。

▲图5:聚类和异常检测这两个历程都以无标签数据作为输入,经由相应算法(聚类或异常检测)的处置惩罚,在聚类的场景下完身分组,或者在异常检测场景下确定是否属于异常。我们首先讨论聚类。

聚类把无标签数据中相似的数据聚合成组。详细的组数由完成聚类任务的人(通常是数据科学家)决议。并没有绝对正确或者错误的组数,但对某一特定的应用,通常可以通过试错来确定理想的组数。因为数据没有标签,所以聚类者必须为每组指定某种寄义或标签以便清楚地形貌(例如运动狂)。

然后用模型把新数据分配给某个组,从而假定该组的标签或形貌。可以把这个历程想象成某种形式的预测分类,也就是为每个新数据点分配一个类(通太过组标签)。

把新数据点(例如客户)分配给集群(细分市场),会为我们提供一种可以精准定位、个性化以及计谋性定位产物的更好方法,并可以用合适的方式来对每个细分市场的客户举行营销。聚类应用包罗细分和聚焦市场与客户、三维医疗影像分析、根据购物习惯分类产物以及社交媒体分析。异常检测是用来检测异常数据(高度不寻常、偏离通例或畸形)模式的一种技术。异常检测应用包罗基于音频的缺陷和裂纹检测、网络宁静、质量控制(例如制造缺陷检测)以及盘算机与网络系统康健(例如NASA的缺陷和错误检测)。

在网络宁静的异常检测应用方面,常见的威胁包罗恶意软件、勒索软件、盘算机病毒、系统和内存攻击、拒绝服务(DoS)攻击、网络钓鱼、不需要的法式执行、凭据偷窃、数据传输和偷窃等。毋庸讳言,这方面的异常检测场景层出不穷。

06 自然语言自然语言是人工智能生长与应用中很是有趣且令人激动的领域,通常分成三个子领域:自然语言处置惩罚(NLP)、自然语言生成(NLG)和自然语言明白(NLU)。让我们划分举行讨论。1. NLP自然语言处置惩罚(NLP)输入文本、语音或手写形式的语言,经由NLP算法处置惩罚后,输出结构化的数据,如图6-1所示。现在有许多潜在的NLP场景和输出。

▲图6-1:NLP值得一提的是,有时NLP也被认为是NLG和NLU的超集,因此人工智能自然语言应用在总体上可以被认为是NLP的一种形式。也有人认为它是自然语言应用的特定荟萃,我们正在讨论的就是其中的一部门。与NLP相关的详细任务和技术包罗:量化和目的文天职析语音识别(语音转换为文本)话题模型(例如话题以及文档中讨论的主题)文天职类(例如电视剧《权利的游戏》)情感分析(例如正面、负面、中性)主体检测(例如人、所在)命名识别(例如大峡谷、迈尔斯·戴维斯)语义相似性分析(例如差别词和文本之间在总体上意思的相似性)为部门语音打标签(例如名词、动词)机械翻译(例如英文到法文的翻译)一个详细的NLP应用涉及公司集会录音、文本转换,然后提供集会总结,其中包罗围绕差别话题的分析和集会体现(https://www.chorus.ai)。

另外一个应用接纳NLP来对招聘面试举行分析,并凭据性别中立性、语调、说话等因素给出整体评分。它还为提高评分和整体事情形貌提供优化建议。其他的应用还包罗:基于情感的新闻聚合情感驱动的社会媒体观察以及品牌监控基于消息板的怙恃疫苗关注分析影戏评论和产物评论的情感分析动物声音转换现在有许多云服务提供商通过NLP服务和API接口来提供这方面的一些功效。

2. NLGNLG以结构化数据的形式来输入语言,经由NLG算法处置惩罚,发生对应语言作为输出,如图6-2所示。这种语言输出可以是文本或者文本转换为语音的形式。结构化输入数据的案例可以是角逐中运发动情况的统计数据、广告效果数据或者公司的财政数据。

▲图6-2:NLG应用包罗:凭据句子和文档自动发生文本概述https://arxiv.org/abs/1602.06023https://arxiv.org/abs/1603.07252简要回首(例如新闻和体育)关于图片的故事业务分析陈诉提要招聘人员到场医院研究自然语言形式的患者医院账单梦幻足球选秀总结和每周角逐回首房产形貌和房地产市场陈诉与公司收入陈诉相关的新闻公布安德烈·卡帕西建立的模型可以自动发生维基百科文章、婴儿姓名、数学论文、盘算机代码和莎士比亚的模型。其他的应用包罗生成手写文本甚至创作笑话。3. NLU最后,NLU以语言为输入(文本、语音或手写),经由NLU算法的处置惩罚,发生可以被明白的语言作为输出,如图6-3所示。

所发生的可明白语言可以用来接纳行动、生成响应、回覆问题、举行对话等。▲图6-3:NLU“明白”一词可以很是深奥且具有哲学性质,并会涉及意会的观点,注意到这一点很是重要。明白所指的能力,往往不仅是意会信息(与死记硬背相反),而且是把明白的信息与现存知识整合,并以此作为不停增长的知识基础。

缺乏与人类相似的语言明白和意会是今天基于自然语言的人工智能应用的一大缺憾,其泉源在于让机械获取与人类相似的语言明白能力难于上青天。还记得前面关于人工智能现状和人工智能难题的讨论吗?这就是一个明证。

在不举行全面哲学讨论的情况下,让我们仅用术语“明白”来表现算法(重申,大大简化)能够对输入语言做更多的事情,而不仅是剖析并执行简朴的任务,如文天职析。NLU要解决的问题显然比NLP和NLG(普通人工智能问题)难过多,而且NLU是实现通用人工智能(AGI)的主要基本组成。现在的NLU日臻完善,已经有了包罗小我私家虚拟助理、谈天机械人、客户乐成(支持与服务)署理、销售署理等在内的应用。

这些应用通常包罗某些形式的手写内容或语音对话,经常围绕着信息搜集、问题解答或者某些协助性工具。小我私家助理的详细应用案例包罗诸如亚马逊的Alexa、苹果的Siri、谷歌的Assistant以及Nuance的Nina。谈天机械人的应用案例包罗润滑油专家、事情面试、学生贷款照料和商业保险专家。

这是人工智能研究很是活跃和有潜在生长空间的领域,绝对值得关注。07 时间序列和基于序列的数据多数情况下,数据都是根据序列收罗的,因此数据的序列极为重要而且由特定索引所确定。最为常见的数据序列索引是时间,定时间排序的数据被称为时间序列数据。天天生意业务时段股票的价钱颠簸、DNA序列、物联网传感器数据,以及诸如风向等科学现象,都是时间序列的好例子。

时间序列分析和建模可用于学习、判断和预测基于时间的事件,包罗趋势、季节变更、循环和噪声。对某些特定应用,字母和单词的序列也是有效的序列数据,这些序列被打上差别的标签,诸如n-grams、skip-grams、句子、段落,甚至语言自己,其中语言是以语音、文字或者电子的方式来表达的。

另外,音频和视频也是序列数据。应用包罗:预测(回归与分类)异常检测预测钱币的未来兑换率康健趋势的实时追踪市场预测天气预报基于序列的推荐情感分析DNA测序文本生成序列到序列的预测(如机械翻译)08 信息搜索、提取、排序和评分许多强大的人工智能应用都围绕着信息的搜索、提取和排序(评分)。这特别适用于非结构化和半结构化数据,例如文本文档、网页、图像和视频。可以使用这类数据(有时候辅以结构化数据)来提取信息、提供搜索或优化处置惩罚推荐,以及根据相关性、重要性或优先级来对条目举行排序或评分。

这组技术大多都与个性化有关,因为搜索效果和其他条目可以根据针对某个用户或群体的相关性的巨细排列或排序。现在,有许多搜索任务都是通过键盘输入或者语音提供应诸如谷歌这样的搜索引擎,该引擎使用谷歌独占的人工智能搜索算法。电子商务应用也使用他们自己的引擎来搜索产物,搜索历程可以由文本、声音(语音)及视觉输入驱动。文本搜索包罗谷歌搜索、微软的Bing,以及漫衍式、透明和社区驱动的搜索。

基于声音和图像的搜索应用包罗:衣服和时装搜索歌曲和艺术家搜索Pinterest镜头搜索图像和视频搜索字体搜索视频搜索基于图像内容举行搜索。早就有购物应用接纳这种方式。用户把拍摄的照片提交给视频搜索引擎。

接着用照片发生相似性搜索效果,诸如衣服。有些图像引擎也能以视觉方式展示相似的其他产物和推荐。除了分类技术以外,另有排序和评分技术,包罗下述这些应用:销售线索评分信息与文档检索(例如网页搜索)机械翻译致病基因搜索与发现测定卵白质的顺序结构09 强化学习强化学习(RL)与这里迄今形貌过的人工智能技术迥然差别(简朴追念一下前面提到的人类学习的方法)。

基本的想法是有一个署理在虚拟情况中行动以获得努力的回报。每个行动都市引起情况状态的变化,而且每个行动都由称为计谋的模型来决议。

计谋实验确定在给定状态下要接纳的最佳操作。如果暂时不明白请别担忧;我会举个例子,希望能解释得更清楚。

图9很形象地展示了强化学习。▲图9:强化学习你可以思量以游戏《吃豆女士》(Ms. Pac-Man,为何不是Ms. Pac-Woman?)为例。吃豆女士的目的是吃掉屏幕上所有的点,可是更大的目的是从可能吃掉的点中获得最多的分数。

为什么得分最多才是真正的目的?或者说为什么要玩这个游戏?首先,得分越多,能获得的自由生命就越长,自由生命越长就能玩得越久,就可以继续积累更多的分数。其次,如果能完成角逐或者缔造世界纪录,就能获得正式的“吹牛权”,谁不希望呢?在这种情况下,得分是奖励,吃豆女士是署理,情况是屏幕,到场其中的人(玩家)是通过利用游戏控制杆决议接纳行动的计谋。固然情况是有状态的。

有一个普通的不易察觉的情况,那就是在吃豆女士吃屏幕上的点和水果时,必须躲开追赶她的幽灵,另有一个不行战胜的情况,那就是当吃豆女士吃了无敌药丸(我不知道它到底叫什么)后,她就可以吃掉幽灵从而获得许多分外的分。决议无敌与非无敌的是情况状态的变化,也是署理人在情况中能力的变化。值得一提的是,在人们玩《吃豆女士》游戏的历程中,有时会受完成屏幕目的的驱使,尽可能买通更多关卡而不是得最多分。在这种情况下,人们只会使用无敌状态来加速,吃尽可能多的不受阻碍的点,可能不会通过吃幽灵来获得最多分。

假设你有强化学习应用,目的是得最多分。在这种情况下,应用将实验学习如何做到这一点,也就是吃尽可能多的幽灵和水果。另有一件事要提,得分是一种努力的回报。

遇到幽灵丧命是一种消极的回报。随着时间的推移,强化应用应该实验最大化得分和最小化生命损失。

只管这个例子是在游戏场景中构建的,可是我们可以通过许多其他的方式来使用强化学习。应用包罗:击败围棋世界冠军找到神经网络的最佳设置机械人技术优化药物剂量优化交通信号控制优化化学反映自动驾驶10 混淆、自动化与其他实际应用的最后一节指出了一些应用,因为涉及多种组合技术,或者不适合已经讨论过的任何种别,所以将它们归类为混淆或杂项。应用案例包罗:自动驾驶汽车和车队以及自动驾驶航天飞机实时航行门路预测和空中交通优化无人驾驶赛车堆栈物流和拣配自动化狗和类人机械人机械人类人的巧手珊瑚礁监测水母机械人医院病患照顾护士事情自动化疾病暴发预测淘汰冷却用度天气预报自动化集会协调预测维护与物联网相关的智能系统人工智能开发的另一个真正有趣的领域是生成性应用,基本上指能从特定类型输入为给定应用生成某些工具的人工智能。包罗下面这些例子:凭据文本生成图像生成图像和图像区域形貌生成星系和火山的图像凭据草图生成图像凭据歌曲的特点生成音乐生成多样化的声音和语音合成唱歌凭据设计模型生成软件代码凭据文本生成视频其他的应用包罗气势派头转换(例如普通图像转换,使梵高或毕加索气势派头的“艺术”再现)。

另有一种被称为超分辨率成像技术,通过生成缺失的三维图像数据,将二维图像转换为三维图像。最后,图像自动着色是另一个有趣的人工智能应用。

关于作者:Alex Castrounis,InnoArchiTech的前CEO和首席照料,也是业务、分析以及产物治理专家,Alex有近20年的创新履历,曾向数以千计的人教学数据科学和高级分析的价值。本文摘编自《AI战略:更好的人类体验与企业乐成框架》,经出书方授权公布。延伸阅读《AI战略》推荐语:本书将探索人工智能项目的风险、关键性思量因素、利弊权衡和在推动历程中可能遇到的问题。你将学会如何通过乐成的人工智能解决方案和以人为中心的产物来建立更好的人类体验并助力企业乐成。


本文关键词:“,鸭脖官网,app,”,盘货,人工智能,十大,经典,鸭脖官网

本文来源:鸭脖官网-www.lishilt.com