-
UID:12641
-
- 注册时间2013-11-16
- 最后登录2023-11-02
- 在线时间364小时
- 配偶单身
-
-
- 发帖682
- 搜Ta的帖子
- 精华0
- 铜币48325
- 威望621
- 贡献值20
- 银元28073
-
访问TA的空间加好友用道具
- 发帖
- 682
- 铜币
- 48325
- 威望
- 621
- 贡献值
- 20
- 银元
- 28073
|
LUD. "\EX)u9ze Gartner:2018人工智能技术成熟度曲线 s
s%
, l S,Jo/T@
>)<? 人工智能被广为关注,但是一些想法恐难达到预期。本成熟度曲线将追踪AI基本趋势和未来创新,以确定人工智能技术发展的范围、状态、价值和风险。 ~D3S01ecM Ez~5ax7x 0&sa#g2 一、从曲线上消失的技术 )KE *JDz0M4f 2018年,以下几个技术已经从曲线上消失: yn}Dj9(q ^O*-|ecA
➧ 1、虚拟客户助理 4*qBu}( T+nID@"36 ➧ 2、认知专家顾问 :pdX I3.. Yk%7 ➧ 3、3级和4级自动驾驶 Y[f]L4,V aGC3&c[Wx ➧ 4、深层强化学习 rs?Dn6:;B =gI41Y] ➧ 5、智能应用程序 OJpfiZ@Q_ LH2B*8=^2 ➧ 6、信息技术操作人工智能平台 tgKr*8t{ WF`%7A39Af 二、2018曲线五个阶段的关键技术 .f J8
_cQ
'3@ (一)上升阶段 s 4_Dqm 7
tlK'j' 1 人工智能管理 `{:Nt#7
\"(?k>]E 用预测模型和算法,指导人工智能的应用和使用,优化决策权的分配,确保组织对风险的问责和投资决策过程的掌控。不论是何种人工智能,数据源要真实可信。为了避免片面的信息,要求汇聚新的、不同的,甚至是矛盾的数据与您已经使用的数据相结合,以尽量减少人工智能带来的偏见的风险。 KxK,en4)+ GIzB1cl: 2 通用人工智能 e:Y+-C5 exJc[G&t( 通用人工智能也被称为“强人工智能”。目前的人工智能看起来具有人类一样的学习、推理和适应能力,但它们缺乏常识、智能和广泛的自我维护和复制手段。在人工智能方面取得的实际进展仅限于弱人工智能。如今的人工智能技术无法被证明具有相当于人类智能的能力(对于证明此类智能的测试,缺乏共识本身就是一个问题)。在某种程度上,有可能制造出一台接近人类认知能力的机器,但我们很可能要等几十年才能完成必要的研究和工程。 (*$F7oO< x7/Vf,N 前沿人工智能技术正在推动目前被认为是“惊人的创新”,包括深度学习工具和相关的自然语言处理能力,这些创新正在做我们以前认为技术做不到的事情。然而,它们通常只是刚刚从实验室出现的研究工具,而且随着时间的推移,我们对工程原理没有完全的理解,反而了解它们的局限性,针对性制定可行的研发指导策略。随着这种好奇心热度逐渐消退,人们会慢慢开始感到厌烦。 H9)n<r ]Z5m
_-I 特殊用途的人工智能将对商业和个人生活产生巨大的破坏性影响。但是在技术出现重大突破之前,应该忽略任何供应商关于他们的产品具有通用人工智能这一说法,往往是程序员制造的幻觉。在未来10年内,通用人工智能不太可能出现。当它最终出现时,它很可能是许多特殊用途人工智能技术结合在一起的结果。 Is4,QnY_[ |\Jnr3) 3 人工智能开发工具包 Cg]|x+ *"WP*A\
1 人工智能(AI)开发工具包是指抽象数据平台、框架和分析库的应用程序和软件开发工具包(SDK),能够交付软件工程师启用的人工智能应用程序等。它们涵盖:云为基础的人工智能的服务;用于虚拟助理(例如苹果Siri、Amazon Alexa和Google助手)的工具包,设备开发工具包;以及AI服务SDK。软件工程师使用它们,并将AI集成到新的或现有的应用程序中。 @
&N 6=]Gom&S 在过去的18到24个月中,厂商一直在积极地提供面向开发人员的AI工具包和SDK。有代表性的产品包括:基于云的人工智能云服务平台(例如,Google Automl、AwsSagaker和Azure ML studio),用于虚拟助手的工具包(例如,Amazon Alexa技能工具包、Apple Sirikit、百度Dueros开放平台、Google对话框流和Cortana设备Sdk)设备开发工具包(例如microsoft vision AI)、SDK(例如,苹果的coreml和Google ML工具包)。 h,R Isq;` 9oJM?&i 在所有类别中,供应商提供的产品都需要不同的部署考虑,并具有不同的特性覆盖范围差异,但我们预计,与原生PaaS平台相比,基于云的AIaas平台将降低数据科学的复杂性,从而更有利于开发人员采用。但是在数据准备、特征甄别、模型选择和培训、超参数优化和模型部署阶段各供应商之间差异很大。 l
SdA7 IMwV9rF AI Developer工具包支持如图像识别(包括人脸和地标)、文本分析和图像标记。开发人员还可以在模型运行时部署自定义模型并可选择地更新云服务中的模型。设备开发工具包将定制硬件设备与API和SDK放在一起,以鼓励平台开发人员采用。随着平台支持被纳入更广泛的市场产品,直接平台供应商工具包产品将减少。 nC p/.]Y* {WV"]O8IV 全球对人工智能的需求是巨大的,其增长速度远远超过了有经验的数据科学家单打独斗的速度。随着数据产品的不断成熟,通过轻量级运行框架的扩展,实现对以边缘或以设备为中心的AI模型的支持。软件工程师和数据科学家的努力提高了用户对更广泛的、基于供应商的云平台产品的吸引力和粘性,包括平台即服务(PaaS)。 $h
pUI $6mShp9( 4 知识图谱 j7Fb4;o{ +]cf/_8+s 知识图谱由信息知识编码为由节点和链接边组成的网络图中的数据,而不是由行和列组成的表。专业供应商正在向新市场提供基于图形的产品,知名供应商正在其平台和产品中提供这种技术。 r\Y,*e =F$?`q` 使用自然语言处理(NLP)和相关的文本分析技术,知识图谱非常适合存储从非结构化资源分析中提取的数据。它们还能够存储结构化数据,包括隐式提供结构和内容的元数据,编码支持各种用例的处理的信息。 pgES) O8.xt|
应用程序领导者应该使用知识图谱将不同的概念连接起来,用缺失的信息丰富他们的数据。通过图表分析,可以自动发现和利用数字资产、数据源、过程交互产生的动态关系等。 3eE=>E
4, _aevaWtEx 5 神经形态硬件 [tkx84M8 3S3(Gl 神经形态硬件包括从概念上受神经生物学体系结构启发的半导体器件。神经形态处理器采用非von-Neumann体系结构,并实现与传统处理器截然不同的执行模型。它们的特点是处理元素简单,但互连性很高。 }y6@YfV${ x3cjyu<K 神经形态系统处于非常早期的原型阶段。IBM已经向劳伦斯·利弗莫尔国家实验室提供了一个基于True North的系统。神经芯片的尖峰神经元自适应处理器技术和惠普企业的实验室产品是一些早期产品,英特尔的“Loihi”芯片凭借更高程度的连接性,解决了更广泛的人工智能工作负载。高通(Qualcomm)是神经形态处理器的早期代表。 u!|_bI3 5(ZOm|3ix 神经形态硬件的部署主要障碍有:GPU比神经形态芯片更容易访问和编程;神经形态硬件编程需要新的工具和培训方法;互连的复杂性对半导体制造商创造可行的神经形态设备提出了挑战。目前,神经形态硬件还没有走上深度神经网络(DNNs)的主流道路,但随着编程技术的突破,这种情况可能会发生变化。 zA9q`ePS qm!cv;}c1 神经形态计算体系结构可以为深层神经网络提供极端的性能,因为它们的工作功率非常低,并且可能比今天部署的基于GPU的DNNs系统可以更快地进行训练。此外,神经形态体系结构还可以为图形分析提供支持。今天的大多数神经形态体系结构没有被主流采用。然而,这些体系结构在未来五年内将变得成熟,并将融合新的机会。 Ztmh z_u7 C33Jzn's 设备还可能在边缘执行较低级别的DNN,从而减少带宽和中央处理限制。我们正处于一个极其快速的演化周期中,这是由全新的硬件设计、实用的DNN算法和用于训练的系统的大数据支持。神经形态设备有可能将DNN的触角进一步推向网络的边缘。 7he,(V Uap0O2n 6 人工智能(AI)相关咨询与系统服务 `z'8"s ?@4Mt2Z\ 这是人工智能自动化服务的一个值得关注的方向,用于帮助客户构思用例、设计业务或优化IT流程、选择技术、管理数据、构建和培训模型、部署解决方案、评估和减轻风险以及调整人才组合以成功地形成智能解决方案,涉及一项或多项先进技术,如机器学习、深度学习和自然语言处理等。这种服务可以应用在预测,比如通过使用数据挖掘和模式识别的学习系统,提供洞察、检测异常、提供个性化、预测可能发生的事件;还可以应用在智能搜索,面向结构化和非结构化数据,在合同等文本中提取需要注意的相关关键条款,减少要读取的文本数量,并使员工能够将时间集中在相关条款上。 ~\JB)ca. :Q DkaA 7 人环众包 i'li;xUhZ L"
ejA 人类基于算法的自动化来解决问题或执行任务,其实人类和智能之间是互补的,因为人类的数据输入方面改进了数据管理解决方案,从而进一步推进了人工智能。人环众包一是在规模上达到数据的基本要求;二是将群体贡献集聚为一个有意义的结果。谷歌、Facebook、亚马逊、微软、IBM、Ebay、百度和许多其他公司经常采用这一方法。在过去一年,采用已大大加快,主要是针对机器学习需求的数据标签和培训数据的质量。 _y[C52, $B-/>Rz 尽管市场潜力很大,但人环众包还面临许多障碍,包括对其好处的认识不足,以及对质量、安全的担忧。随着整个人工智能市场的成熟,应用快速增长。在提高机器学习模型的准确性方面,人环众包是可行的(也可能是最可靠的)解决方案。从事人工智能和机器学习的公司应该使用人工循环众包作为人工智能解决方案的推动者。与内部或传统外包能力相比,这种方法产生了更多的流动成本和更广泛的问题解决、模型培训、分类和验证能力。 9SsVJ<9,R se %#U40* 当机器学习算法达到其精度极限时,人类可以进一步提高输出(如内容调整、文本中的细节检测验证或信息检索和搜索结果的验证)。 B{&W|z{$ )&_bY~P 人环众包是不可缺少的。这种方法将极大地有利于分析团队将人类智能应用于非结构化文本、图像、音频和视频数据,用于人工智能、机器学习和信息质量,以及那些正在寻找一次解决方案或稀有技能的人,例如数据科学。这些任务可以包括对算法、元数据提取、校对、图像识别、内容创建等方面的培训数据的调整、分类,数据收集、产品分类、精炼产品描述、文本翻译、创建房地产的照片和音频转录等。 e-y$&[
{.$7g8]I 8 自然语言生成 Y"bm4&' UDr1t n 自然语言生成(NLG)自动生成对数据洞察力的自然语言描述。在分析语境中,叙事是动态变化的,用户与数据交互以解释关键发现或图表的含义。NLG将自然语言处理与机器学习和人工智能相结合,动态地识别数据(趋势、关系、相关性)中最相关的含义。 -:%QoRCy
B1_9l3RM 文本分析侧重于从文本数据中获得分析结论,而NLG则通过将分析输出与动态选择的描述相结合来合成文本内容。虽然NLG仍处于初步采用阶段,但它正在有效地减少重复分析的时间和成本,例如业务和监管报告、金融服务部门的收益报告、政府部门的福利报表和天气预报以及广告部门的个性化信息。 gZtQtFi Ob]\t/:%P 9 聊天机器人 'Hx#DhiFz I>FL&E@K 聊天机器人是一种独立的会话接口,它使用应用程序、消息平台、社交网络或聊天解决方案进行会话。聊天机器人的复杂程度各不相同,从简单的、基于决策树的营销策略,到构建功能丰富的平台作为支撑。聊天机器人可以是基于文本的,也可以是基于语音的,也可以是两者的结合。 K9EHT- _C5i\Y) 社交媒体、服务台、人力资源或商业领域的聊天机器人,如企业软件前端和自助服务,都在快速增长。尽管如此,绝大多数聊天机器人都是简单的,依赖于决策树中的脚本响应。与聊天机器人相关的是虚拟代理,它们的范围和复杂性更广,需要更多的基础设施和人员来维护,并且是为与其更长期的关系而设计的。单个交互之外的用户,将与数百个聊天机器人进行交互,但很少有虚拟代理。聊天机器人是人工智能的代表,它将影响到今天人类交流的所有领域。客户服务是一个典型的领域,聊天机器人已经在其中产生影响,并潜力巨大。 E2r5Pg
>hNSEWMY` (二)顶部位置 aeUgr! 6d]4
%Q T 10 人工智能平台即服务 HSNj G,!j P2S 云人工智能和机器学习平台服务统称为AI Platform as a Service(PaaS),它们提供AI模型构建工具、API和相关中间件,使运行在预先构建的基础设施上的机器学习模型的构建、培训、部署和使用成为云服务。这些服务涵盖视觉、语音和任何类型的通用数据分类和预测模型。 ^ slIR!L +pqbl*W;1 随着领先的云服务提供商,包括亚马逊(Amazon)、谷歌(Google)、IBM和微软(Microsoft),都在争取成为客户选择的平台。在过去几年里,利用云服务的人工智能应用在市场上继续获得数据科学家和开发人员的支持和接受。AI PaaS产品主要集中在机器学习、自然语言处理和计算机视觉这三个关键领域。 "<0 !S~] 8_!qoW@B 人工智能云方法正开始影响数据科学和机器学习平台市场,特别是随着组织试验和构建AI原型,具有AI优化芯片和大量专用的存储数据,使云成为组织构建和部署AI应用程序的理想环境,而不需要传统的现场采购的风险、成本和延迟。此外,云还提供了打包的API和工具,使开发人员更容易将AI功能集成到应用程序中。 "L]v:lg3 zK~8@{l}_" AI PAAS产品集中于机器学习、自然语言处理和计算机视觉这三个关键的AI组合服务:一是机器学习(ML),AI云服务提供商提供的打包ML服务统一了端到端ML工作流;二是自然语言处理(NLP),使用经过预先训练的NLP系统为各种用例创建基于云的聊天机器人;三是计算机视觉(CV),能够应用面部检测、识别和分析来解锁新的基于图像的数据来源。上述与云服务的结合,将在短期内加速数字商业技术平台服务的扩展和衍生。 K>+ v" x }&=l
)\e 11 深度神经网络专用芯片 w3,KqF +:@^nPfHy 深度神经网络(DNN)专用芯片是一种特殊用途的处理器,它加速了系统的计算速度。深层神经网络(DNNs)是指检测和分类输入数据中的特征统计模型,如声音和图像,或者文本(如句子)。在DNN系统中有两个阶段:在训练阶段,DNN遍历大型数据集并将其提取为一个小的DNN参数集;在推断阶段,DNN使用此参数集对输入进行分类,例如图像、语音或文本。今天,绝大多数训练和推理任务使用GPU+DNN专用芯片,在加速神经网络时比CPU或GPU具有更高的性能和更低的功耗。 P_3IFHe C`[2B0 谷歌已经在规模上部署了DNN专用芯片,称为张量处理单元(TPU1,TPU2,TPU3),提供语音和图像识别等业务推断。TPU2和TPU3还加快了数据培训过程,这是以前委托给GPU的一项任务。其他专用芯片正在问世,Graphcore开发了一款自定义处理器,为基于DNN的应用程序提供了极高的性能。营销资料显示,与GPU相比,它们的性能提高了近一倍。英特尔还在根据2016年从Neurana系统获得新技术,开发一款名为“Lakecrest”的专用集成电路代码,名为“LakeCrest”。DNN 专用芯片在性能和能源消耗方面的好处是显著的,DNN专用芯片的广泛使用还需要神经网络体系结构的标准化和对不同DNN框架的支持。 $/"Ymm#"\Y Ld*Ds!*'/ 12 智能机器人 #).^k- =hTJp/L 智能机器人是在物理世界中自主工作的机电主体,在短时间内从人工指导的训练和演示中学习,或通过其在工作上的监督经验来学习解决问题。智能机器人可以用语音、语言与人类互动,由于先进的感官能力,甚至可能与人类一起工作。 4j3_OUwWZx a?+C]u?_D 与工业机器人相比,智能机器人迄今被采用的数量要少得多。在过去的12个月里,我们看到一些成熟的机器人供应商扩大了产品线,新公司进入了智能机器人市场(尤其是来自中国)。新技术提供者和新技术开放,进入壁垒略有下降。 5%2~/
" I[&x-}w 过去几年,由于几家主要供应商的努力,智能机器人正在备受关注:亚马逊机器人部门(前称Kiva系统)在亚马逊仓库中部署了智能机器人。谷歌收购了多家机器人技术公司。2018年初,LG推出了一系列用于酒店、机场和超市的智能机器人,这是一系列用于商业用途的智能机器人。美国的多家酒店和新加坡的两家香格里拉酒店现在都使用智能机器人提供客房服务。 y_Lnk=Q ^ M
_<
|n 轻型制造、分销、零售、招待所和医疗保健设施的用户应将智能机器人视为其人力资源的替代品和补充,启动旨在评估产品能力和量化效益的试点项目。我们需要检查当前可部署智能机器人的业务和材料处理流程,同时考虑重新设计流程,为大规模部署提供3至5年的路线图。智能机器人将对各种以资产为中心、以产品为中心和以服务为中心的工业产生最初的业务影响。它们以更高的可靠性、更低的成本、更高的安全性和更高的生产率替代这些行业中的劳动者。典型和潜在的用例包括:医用材料处理、处方配药、病人保健、直接物料处理、库存补充、制成品搬运、产品采摘包装、电子商务订单履行、包裹递送、购物协助、客户关怀、保安。 .5;
JnJI ]2m=lt1 13 会话用户界面
Culv/ =? !FO'zt" 用户和机器的会话交互主要发生在用户的口语或书面自然语言中。通常是非正式的和双向的,这些交互从简单的话语到非常复杂的交互,以及随后的高度复杂的交互。作为设计模型,CUI依赖于通过应用程序及相关服务、会话平台来实现。 (E0WZ$f} k_}$d{X 近几年来,CUI呈爆炸式增长,聊天机器人、消息平台和虚拟助理,尤其是Amazon Echo和Google Home等家用扬声器,都促成了会话用户界面的增长。 !QwB8yK@ <lFHmi$qt{ 14 智能应用 \@Cz 32wg YaS!YrpI 智能应用是采用嵌入式或集成人工智能技术,以智能自动化和改进的决策支持取代人工活动。人工智能已经成为下一个主要战场,在未来几年里,每个应用程序和服务都将在一定程度上整合人工智能。企业应用供应商开始在他们的产品中嵌入人工智能技术,并引入人工智能平台功能,从ERP到CRM到HCM,再到劳动力生产率应用。AI具有组织变革的潜力,是数字业务的核心。后台企业应用程序是这种转换工作的一个重要组成部分,因为它们提供了数字基础,大多数努力都是在此基础上进行的。在许多熟悉的应用程序类别的背景下,AI将不引人注目地运行,同时产生全新的应用程序。 t#P7'9Se8 WDghlC6g!l 15 数字伦理
#d % v=.1 {2 q"9Ox" 数字伦理包括进行电子互动的价值体系和道德原则,以及人、企业、政府和事物之间数据的使用和共享。数字伦理的范围很广,包括安全、网络犯罪、隐私、社会互动、治理、自由意志等经济社会的方方面面。由于最近媒体的负面宣传,公众讨论的上升,人们对数据隐私保护等法规意识的增强,数字伦理跃升到通胀预期的顶峰。当前的主题,如“人工智能”、“假新闻”和“数字社会”,都是引发人们对数字伦理讨论爆发的导火索。 B bmw[Qf\
?VotIruR 16 图形分析 &'12,'8 $O\m~r4 图形分析是一组分析技术,允许探索组织、人员和事务等感兴趣的实体之间的关系。图形分析由确定跨数据点之间的“连通性”的模型组成,以创建数据节点、集群及其分界点。节点被显式或隐式连接,指示影响级别、交互频率或概率。 F'[Y.tA ,# Zuzwc [Z1 图形分析技术正稳步攀升到通胀预期的顶峰,越来越多的人采用图表分析,主要是因为需要在大量的指数级异构数据中找到洞察力,以及对分析的需求。一旦开发和训练了高度复杂的模型,由于扩展的能力、计算能力,输出就更容易存储,采用了图形数据库,为图形的存储、操作和分析提供了一个理想的框架。 9ad)=3A&L u_WUJ_ 在许多图形数据库中存储和处理数据的独特方法,加上对与特定于图形的知识相关的新技能的需求,可能会限制使用的增长。例如,资源描述框架(RDF)、SPARQL协议和RDF查询语言(SPARQL)的知识和经验,以及新出现的语言(如apache tinkerop或最近开源的密码)。 (nL
zWvN J'WzEgCnU 数据和分析领导者应该评估将图形分析纳入他们的分析组合和策略的机会。这将使他们能够解决不太适合传统基于SQL的查询和可视化的高价值用例(例如计算和可视化最短路径,或者网络中两个节点或实体之间的关系和影响)。他们还应该考虑使用图表分析来增强模式分析,用户可以直接与图形元素交互以发现洞察力,并且分析结果和输出也可以被存储以在图形数据库中重复使用。 S*G^U1Sc+ Ewz cB\m 图分析构成理想分析框架的业务情况包括:路径优化、市场篮子分析、欺诈检测、社会网络分析、CRM优化、位置智能、供应链监控、负载均衡等特殊形式的劳动力分析,如企业社会图和数字工作场所图、最近、频度等。 D,.`mX JvXuN~fI{[ 在执法调查、流行病学、基因组研究、洗钱检测等方面,图形分析在评估风险以分析欺诈、路径优化、聚类、孤立点检测、马尔可夫链、离散事件模拟等方面都是非常有效的。用于揭露欺诈和腐败的引擎也可用于在组织内识别风险,并以积极主动的方式回答责任问题。最近的一个识别关系网的例子是国际调查记者联合会。相比之下,图分析是一种新的“透镜”,用于探索跨多结构数据的直接关系和间接关系。 }Y7P2W+4? R-zS7Jyox 图形分析处理是其他许多先进技术的核心技术,例如虚拟个人助理、智能顾问和其他智能机器。图形分析可以扩展数据发现功能在现代商业智能和分析平台中的潜在价值。一旦完成了图形处理,它就可以扩展数据发现功能在现代商业智能和分析平台中的潜在价值。可视化-使用大小、颜色、形状和方向-来表示关系和节点属性。 E'{:HX h!dij
^bD 17 目标分析 {D8opepO) .>;??BG} 目标分析指的是一组分析能力,这些分析能力指定了满足预先定义的目标的首选行动方针。最常见的说明性分析方法是优化方法(例如线性规划),它是预测分析和规则、启发式和决策分析方法(如影响图)。规定性分析与描述性分析、诊断分析和预测分析不同,因为输出是一种推荐的(有时是自动化的)操作。 ~s&r.6DW 25Z}.)) 尽管优化和决策分析的概念已经存在了几十年,但随着人们对数据科学、更好的算法、基于成本效益的云计算能力和可用数据的更多认识和研究,更好的方法逐渐得以应用,常见案例如客户处理、贷款审批、索赔分类,以及许多优化的问题,如供应链或网络优化和调度。目标分析也可以是规划过程的业务差异因素,无论是财务规划、生产计划还是分销计划,辅助用户探索多种方案并比较推荐的行动方案。 MMrN#&r >6Pe~J5,: 18 深度神经网络(深度学习) k^d]E
F GjwH C{ 深神经网络是一种大规模的神经网络,通常有许多处理层,它们使计算机能够处理比以前复杂得多的数据,如视频、图像、语音和文本数据,从而支持人工智能的最新进展。互联网巨头在各自的业务范围内部署基于DNN的系统,例如亚马逊Alexa的语音到文本功能、Google的搜索能力、图像识别和自动驾驶汽车以及Facebook的脸识别技术。 VvIUAn c=tbl|Cq 建立和培训系统并不容易,甚至是很困难的。要取得持续的好结果,你就需要大量的标签数据、数据科学方面的专业知识和专用硬件。大多数企业都很难获得足够的标记数据来支持他们的创新。此外,数据科学专家是稀缺的,因为IT和互联网巨头积极高薪雇佣,一般企业很难获得这方面优秀的人才。另外,计算资源优化和升级换代,也需要大量的资本支出。 %TI3Eb +Iuu8t 最广泛应用的是卷积神经网络(CNNs)和递归神经网络(RNNs), CNN用于图像分类和文本语音。有关DNNS的炒作程度与去年没有太大差别。这些技术可以帮助他们解决以前难以解决的分类问题,特别是与图像、视频和语音有关的问题。在图像、语音和面部分类系统以及培训和数据方面投入了大量资源。 fB<Qs.T r8 YM#dF DNNS对所有行业都具有变革和破坏的潜力,想利用DNNS首当其冲的挑战是确定要解决的业务问题,并确保有足够的专家和相当好的数据集。在检测欺诈、确定质量、预测需求和其他涉及序列的分类问题(例如,使用视频、音频或时间序列分析)方面,DNNS显示出比以往先进的算法更高的准确性。 %G(VYCeK t"Du 19 支持VPA的无线扬声器 FFZ?-sE RDSC @3% 支持云的远场语音捕获设备,将用户连接到虚拟个人助理(VPA)服务,如Alexa、Google助理、Siri、Cortana、微信等。随着2017年启用屏幕的VPA扬声器的出现,多模式交互被引入VPA体验。尽管VPA提供的对话体验仍远不完美,但消费者对VPA音箱的采纳程度高于预期。 n#"G)+h3# tLKf]5}f 20 机器学习 SVVE b6& & |