华为云人工智能入门级开发者认证学习笔记

人工智能入门级开发者认证

人工智能定义

定义

人工智能 (Artificial Intelligence) 是研究、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

强人工智能 vs 弱人工智能

• 强人工智能：强人工智能观点认为有可能制造出真正能推理（Reasoning）和解 决问题（Problem_solving）的智能机器，并且，这样的机器将被认为是有知觉 的，有自我意识的。可以独立思考问题并制定解决问题的最优方案，有自己的价 值观和世界观体系。有和生物一样的各种本能，比如生存和安全需求。在某种意 义上可以看作一种新的文明。
• 弱人工智能：弱人工智能是指不能制造出真正地推理（Reasoning）和解决问题 （Problem_solving）的智能机器，这些机器只不过看起来像是智能的，但是并不 真正拥有智能，也不会有自主意识。

人工智能三阶段

目前仍然处于感知智能的阶段

AI、机器学习、深度学习的关系

人工智能 包含 机器学习 包含 深度学习

人工智能发展历史

人工智能发展简史

第三次热潮 – 算力、大数据、深度学习

人工智能产业生态

中国人工智能产业图谱

人工智能技术架构

概览

基础架构层

大数据

数据

数据是真实世界不同现象的抽象表达。

步骤

原始数据→(分类，标签)→ 信息→(关联)→ 知识→(挖掘) 洞察→(?) 智慧

计算机硬件（算力）

CPU→GPU→AI芯片

算法层

机器学习

从给定的输入- 输出样例中试图找出规律

神经网络和深度学习

启发

人类神经网络

深度神经网络

• 前馈网络
• 反馈网络
• 图网络

技术方向

计算机视觉

• 内容审核
• 语义分割
• 人脸检测
• 图像搜索
• 车辆检测
• 图像分类

语音处理

自然语言处理

应用领域

智慧城市

目前问题

• 数据多效果少
• 科技新落地少
• 单点强全局弱

应用场景

• 全城感知
• 全城预警
• 全城检索
• 全城协同
• 交通体征大屏
• 应急车辆监控

金融

零售

设计

• 配色参考
• 图片智能分析

生产制造

• 拍摄样品
• 智能质检

收益管理

• 最优定价策略

供应链管理

• 仓储设计
• 库存管理
• 区域划分
• 运输网络路径优化

电商

• 以图搜图
• 智能推荐

线下零售

• 智能选址
• 智能识别商品
• 智能监督
• 优化商品摆放
• 客流统计
• 消费者行为分析

医疗

语音录入病历

• 高效记录医患沟通图
• 助推医疗信息化

医疗影像分析

• 病灶识别与标注，减少重复性工作
• 帮助医生发现更有价值的罕见病状

综合性诊疗

• 虚拟医生
• 利用NLP、知识图谱、计算机视觉等协助推理、诊疗

身体健康管理

健康状态监测、疾病发生预测、全方位管理健康

医疗机器人

• 手术机器人、康复类机器人等
• 提高手术精度

医学药物研发

• 降低发现候选药物所需时长
• 技术成熟后有望在新药研发领域每年降低280亿美元成本

农业

• 智慧农业数据分析与预测
• 智慧农业降低农药成本
• 智慧农业降低农业收割成本
• 智慧农业临空系统

人工智能落地挑战

• 数据获取
  • 数据积累不足
  • 数据质量差
  • 数据安全合规
  • 数据归属权
• 数据治理
  • 多源异构数据
  • 非结构化数据
  • 海量数据存储与应用
• 数据标注
  • 小场景数据采集
  • 复杂业务场景理解
  • 数据安全

缺乏解释性

• AI 已经在大量的关键系统中运行，并且开始进入到很多业务的核心数据处理体系。但是，对于 AI 的核心运行机制，依然没有彻底研究清楚。
• 深度学习系统的弱解释性给现有的AI系统带来了安全性、稳定性的挑战，如何确保AI不会失控， 避免恶性事件发生，是目前AI研究领域重要的课题。

算法的偏见

• 算法的偏见主要源于数据的偏见。
• 我们在用人工智能算法做决策时，算法可能是根据已有的数据，学会歧视某一个体。如根据种族，性别或其他因素，作出有歧视倾向的决策。即使种族或性别等因素被排除在数据之外，算法也能够利用人的姓名或地址中的信息做出有歧视倾向的决定。

隐私问题

• 现有的人工智能算法都是数据驱动，我们需要大量的数据来训练模型。
• 我们每天在享受人工智能带来的便捷的同时，例如Facebook，谷歌，亚马逊，阿里巴巴等科技公司在获取大量的用户数据。而这些数据会揭露我们生活的方方面面（如政治、宗教和性等）。

AI犯错

对抗样本攻击

能解决的问题领域

人工智能发展趋势

更完善的人工智能基础数据服务

更安全的数据共享

联邦学习在保证数据隐私安全的前提下，利用不同数据源合作训练模型，进一步突破数据的瓶 颈。

端-边-云全面发展的算力

应用于云端、边缘设备、移动终端的人工智能芯片规模不断增长，进一步解决人工智能的算力问 题。

大模型与轻量化

在大数据和强算力的支撑下，模型参数不断增加，更多大模型提出，也带来更好的泛化性能，同时，为应对移动终端及各种边缘设备部署的挑战，模型轻量化等技术也在不断发展。

更易用的框架

MindSpore、TensorFlow 2.x、Pytorch等主流开发框架都在朝易用、全能的方向演进，不断降低人 工智能的开发门槛。

不断突破的应用场景

AI技术发展现状及技术挑战

计算机视觉

初级视觉

• 超分辨率重建
• 图像修复

中级视觉

• 物体检测

• 图像分割

• 分割

  

  • 分类（Classification）：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
  • 检测（Detection）：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
  • 分割（Segmentation）：分为实例分割（Instance Segmentation）和语义分割（Semantic Segmentation）， 解决“每一个像素属于哪个目标物或场景”的问题。

高级视觉

• 图像文本描述
• 图像问答技术
• 图像检索
• 视觉追踪
• 动作识别

自然语言处理

定义

自然语言处理（Natural Language Processing, NLP）利用计算机为工具对人类特有的书面形式和口头形式的自 然语言的信息，进行各种类型处理和加工的技术。

• 自然语言处理 = 自然语言 + 处理
  • 人类语言以语音为物质外壳，由词汇和语法两部分组成的符号系统。文字和声音是语言的两种属性。
  • 用计算机进行处理， 让计算机能够理解和生成人类语言。

应用场景

• 智能问答
• 舆情分析
• 文本分类
• 机器翻译
• 文本互译
• 实体抽取
• 摘要生成
• AI写诗
• 内容审核

难点

语音处理

流程

应用场景

• 实时字幕
• 会议记录
• 电话回访
• 语音搜索
• 语音导航
• 有声阅读

难点

AI应用需求分析

传统软件应用开发与AI应用开发对比

AI应用开发需求分析步骤

1. 需求背景

   在什么场景下遇到了什么问题？为什么要用AI来解决该问题？

2. 需求价值

   为什么要解决该问题？解决该问题可以带来什么价值？

3. 需求描述

   期望怎样解决该问题？业务要求的关键指标是怎样的？

4. 问题抽象

   将现实场景的业务问题进行建模、抽象，转化为AI技术领域的问题

5. 可行性分析

   是否有数据？业界是否有对应的AI算法？精度/性能指标能否达到？成本能否接受？