2024年8月

人工智能开发目标发现与明确问题：目标：AI的目标是将隐藏在一大批数据背后的信息集中处理并提炼，从而总结出研究对象的内在规律。技术角度：性能能达到预期吗？需要多少数据？能够获取到吗？需要多久？业务角度：要解决什么问题，商业目的是什么？数据分析：通过统计、机器学习、深度学习方法，对大量的数据进行计算、汇总和整理，最大化开发数据价值，发挥数据的作用。开发周期内容：收集数据：数据源和数据格式模型探索：测试、部署、监控模型优化数据准备：重要性：数据采集和数据清洗占到人工智能项目一半以上的工作，训练的数据量越大，模型越准确。建立数据标准、数据工程、专家解决方案没来减少数据准备（79%）的时间。数据限制：时间成本、算力和数据量。业务流程：数据采集：观测数据、人工收集、问卷调查、线上数据库数据清洗：有...

人工智能、机器学习和深度学习之间的关系：机器学习是人工智能的一个分支，该领域的主要研究对象是人工智能，特别是如何在经验学习中改进具体算法的性能；深度学习是一种典型的机器学习方法，是一种基于对数据进行表征学习的算法。人工智能 > 机器学习 > 深度学习。机器学习人工智能实现路径：机器学习是对能通过经验自动改进计算机算法的研究；机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。人类是基于经验，机器学习基于训练模型。举例：草莓机器学习就是找到草莓的不同特征维度（尺寸、颜色、成熟度）与草莓标签（酸、甜）之间的映射关系。机器学习就是找到特征与标签之间的关系，利用算法从一类训练数据或信息中自动分析并获得该类数据或信息的规律，并利用获得的规律进行预测。上述寻找关系和规律的过程，...

人工智能发展的成功要素算法的进步启发人工智能的发展2006年以来，以深度学习为代表的机器学习算法发展：卷积网络、循环网络、生成对抗网络、强化学习。Hinton AI教父：相信大脑不是将信息存储在一个单元里面，而是分布式全息存储，坚持神经网络理论研究40年。算法取得长足进步：1986年，Hinton在ture发表“Learning Representations by BackPropagating Errors”，第一次阐述多隐层神经网络，解决了线性不可划分难题；（表征学习）。1989年，Hinton的学生Yann Lecun，利用卷积神经网络的技术，开发支票识别软件。面临问题：计算性能不足、数据确实严重、问题的复杂性。神经网络的发展现状：2006年，深度神经网络和深度学习算法，成为前...

人工智能使用最多的语言：Python，需要一些数学基础、机器学习的原理，以及应用场景（机器视觉）和文字识别。人工智能的应用，指纹识别、刷脸解锁、金融、零售、教育、医疗、交通等。指纹和刷脸解锁：样本采集、图片和纹路识别，转换数字信号，样本对比。数据和技术的基础：数据的成熟度和技术的成熟度。人工智能的应用基础：场景清晰度和AI应用历程。看组织机构战略和文化。使用率最高的行业：金融金融行业场景：智能风控、智能支付、智能理赔、智能投研、智能投顾。零售行业：设计、电商、供应链管理、收益管理、生产制造、线下。人工智能提升零售全流程运行效率，优化消费者体验。智慧零售：提升全流程运行效率，提升用户体验设计：配色参考、图片分析电商：以图搜图、智能推荐供应链管理：仓储设计、库存管理、区域划分、运输路径优化...

艾伦图灵，1936年发布《论可计算数及其在判定问题上的应用》，提出算法和计算机两个概念。1950年发布论文《计算机与智能》，提出了“图灵测试”。1956年美国达特茅斯会议“人工智能”概念诞生。人工智能（Artificial Intelligence）是研究、开发用于模拟、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技术科学。人工智能是对人的意识、思维的信息过程的模拟，人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。根据对环境的感知做出合理的行为并做出做大收益。人工智能三个层面：计算智能（能算能存）、感知智能（能听能说，能看能认）、认知智能（能理解，会思考）。计算智能，快速计算和记忆存储，速度较快占领高地。1996年国际象棋大师卡斯帕罗夫4:2击败IBM深蓝，但19...