资源简介

(共25张PPT)第7章 新一代信息技术及其应用本章将介绍云计算、虚拟现实、物联网、大数据以及人工智能等方面的基本概念和知识，并对这些新一代信息技术当前的应用场景做一个简要说明。《信息技术基础》配套资源7.5 人工智能7,5,1 人工智能的概念1、人工智能的定义人工智能（Artificial Intelligence，缩写为AI）是研究及开发用于模拟、延伸和扩展人类智能的理论、方法和技术，到目前为止，还没有形成统一的标准定义。不同的人工智能定义可以参考https://baike./item/人工智能 force=1。我们可以把人工智能理解为人造机器所表现出来的智能性，是人类知识与技能在人造机器上的具体体现，如图 2所示。人工智能的研究目的就是促使人造机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车）。2、人工智能发展历程自人工智能科学诞生至今 60 多年的发展历史过程中，各行业的专家学者们做了大量的探索与实践。人工智能经历了三次发展高潮（如图 7-90所示），分别是 1956-1970 年代，1980-1990 年代和 2000 年代至今。图7-90 人工智能发展的三次浪潮7.5 人工智能7.5.2人工智能技术基本内涵1、人工智能的特征根据人工智能的定义、研发历程及现状，可以归纳总结出人工智能的三大本质特征如下：（1）由人类设计，为人类服务，本质为计算，基础为数据。从根本上说，人工智能系统必须以人为本，这些系统是人类设计出的机器，按照人类设定的程序逻辑或软件算法通过人类发明的芯片等硬件载体来运行或工作，其本质体现为计算，通过对数据的采集、加工、处理、分析和挖掘，形成有价值的信息流和知识模型，来为人类提供延伸人类能力的服务，来实现对人类期望的一些“智能行为”的模拟，在理想情况下必须体现服务人类的特点，而不应该伤害人类，特别是不应该有目的性地做出伤害人类的行为。（2）能感知环境，能产生反应，能与人交互，能与人互补。人工智能系统应能借助传感器等器件产生对外界环境（包括人类）进行感知的能力，可以像人一样通过听觉、视觉、嗅觉、触觉等接收来自环境的各种信息，对外界输入产生文字、语音、表情、动作（控制执行机构）等必要的反应，甚至影响到环境或人类。借助于按钮、键盘、鼠标、屏幕、手势、体态、表情、力反馈、虚拟现实/增强现实等方式，人与机器间可以产生交互与互动，使机器设备越来越“理解”人类乃至与人类共同协作、优势互补。这样，人工智能系统能够帮助人类做人类不擅长、不喜欢但机器能够完成的工作，而人类则适合于去做更需要创造性、洞察力、想象力、灵活性、多变性乃至用心领悟或需要感情的一些工作。（3）有适应特性，有学习能力，有演化迭代，有连接扩展。人工智能系统在理想情况下应具有一定的自适应特性和学习能力，即具有一定的随环境、数据或任务变化而自适应调节参数或更新优化模型的能力；并且，能够在此基础上通过与云、端、人、物越来越广泛深入数字化连接扩展，实现机器客体乃至人类主体的演化迭代，以使系统具有适应性、鲁棒性、灵活性、扩展性，来应对不断变化的现实环境，从而使人工智能系统在各行各业产生丰富的应用。7.5 人工智能2、人工智能基础技术能力框架基于上述三大本质特征，可以将人工智能的技术体系进一步展开，如图7-91所示。最底层的基础设施包括具有强大计算能力及大数据存储能力的硬件设施，其中，计算能力由智能芯片（CPU、GPU、ASIC、FPGA 等硬件加速芯片以及其它智能芯片）等硬件系统开发商提供；分布式计算集群内计算、存储等设备之间通信由网络设备商提供；与外部世界的沟通通过新型传感器制造商提供。代表知识信息的大数据由数据提供商或行业客户提供，包括原始数据资源和数据集。原始数据资源的感知涉及到图形、图像、语音、文本的识别，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。图 7-91 人工智能基础技术能力框架7.5 人工智能3、机器学习算法机器学习（Machine Learning）是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测（如图7-92所示）。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。图 7-92. 机器学习原理7.5 人工智能4、基于机器学习算法的AI基础技术（1）人脸识别人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别的技术主要包括检测、配准、属性分析、特征提取、比对、活体检测这几大类。人脸识别可应用于智慧零售、智慧社区、智慧楼宇、在线身份认证等多种应用场景，充分满足各行业客户的人脸属性识别及用户身份确认等需求。图7-97表示了人工智能的人脸对比技术。“人脸比对（Face Compare）”是衡量两个人脸之间相似度的算法。图 7-97 人脸比对7.5 人工智能（2）手势识别手势识别是包括静态手势识别、关键点识别、指尖识别、手势动作识别等多种功能在内的人机交互技术，可以为开发者和企业提供高性能、高可用的手势识别服务。可用于互动娱乐、智能家居、VR 与 AR、智能车载、智慧商超、工业质检等多个行业。图 7-- 手势识别关键点图7-- 手势识别7.5 人工智能（3）文字识别文字识别（Optical Character Recognition，OCR ）基于行业前沿的深度学习技术，将图片上的文字内容智能识别成为可编辑的文本，如图 7-102所示。支持通用文字、卡证文字、票据单据、汽车相关、行业文档等多场景下的印刷体、手写体文字识别，支持提供定制化服务，可以有效地代替人工录入信息。图 7-102 文字识别7.5 人工智能4）图像分析图像分析提供综合性的图像理解、识别等服务，如图7-103所示。可以识别数千个图片标签，包含商品、日常用品、动物、植物等，支持根据需求定制标签。能够满足推荐系统、相册分类、商品推荐等使用需求；基于图像分析，还可以帮助客户完成去模糊、画质增强、图片质量评估等任务，适用于素材美感评价、平台内容质量提升、自拍娱乐等场景；支持图像违规内容识别，可以分析出图片中是否存在色情、政治敏感、暴力恐怖等元素，维护用户体验。图7-- 图像识别7.5 人工智能（5）语音识别语音识别技术 ASR（Automatic Speech Recognition）是人工智能方向的重要方向之一。 ASR 可以将人类的语言转换为文字，实现让计算机听懂人类的语言，如图 7-104所示。语音识别受到国内外商业和学术界的广泛关注，在无噪音无口音干扰情况下可接近人类水平。目前，语音识别主要包括三类产品，分别是实时语音识别、一句话识别、录音文件识别。实时语音识别指对实时音频流进行识别，达到“边说边出文字”的效果，可应用于语音输入、电话机器人等实时音频流场景。一句话识别指对60秒之内的短音频文件进行识别，达到快速准确识别较短语音的效果，可应用于语音消息转写等场景。录音文件识别指对录音文件进行识别，达到识别较长的非实时语音的效果，可用于字幕生成、录音资料转写等场景。图7-- 语音识别7.5 人工智能（6）语音合成语音合成（Text To Speech，TTS）可自定义音量和语速，为企业客户提供个性化发音人定制服务，让发音更自然、更专业、更符合场景需求，如图7-105所示。满足将文本转化成拟人化语音的需求，打通人机交互闭环。支持多种音色选择，语音合成可广泛应用于语音导航、有声读物、机器人、语音助手、自动新闻播报等场景，提升人机交互体验，提高语音类应用构建效率。图7-- 语音合成7.5 人工智能（7）声纹识别声纹识别（Voice Print Recognition）作为生物识别的一种，是根据说话人的声波特性进行身份辨识的服务，如图7-106所示。身份辨识与口音无关，与语言无关，可以用于说话人辨认和说话人确认，广泛应用于金融安全、智能家居、智慧建筑等领域。图7--- 声纹合成7.5 人工智能（8）自然语言处理自然语言处理（NLP）是指机器理解并解释人类写作、说话方式的能力，是人工智能和语言学的一部分，它致力于使用计算机理解或产生人类语言中的词语或句子，如图 7-107所示。依托于海量语料积累，可全面覆盖从基础到高级的智能文本处理能力，包括情感分析、词法分析、文本纠错、文本分类、敏感词识别、文本审核等。7.5 人工智能（9）机器翻译机器翻译（Machine Translation），又称为自动翻译，是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程，如图 7-108所示。从早期的词典匹配，到词典结合语言学专家知识的规则翻译，再到基于语料库的统计机器翻译，随着计算机计算能力的提升和多语言信息的爆发式增长，机器翻译技术逐渐走出象牙塔，开始为普通用户提供实时便捷的翻译服务。7.5 人工智能（10）知识图谱知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系，如图7-109所示。知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。7.5 人工智能（11）智能对话智能对话是指综合应用语音识别、语音合成、自然语言处理等技术，为开发者和生态合作伙伴提供对话开发平台及机器人中间件能力，实现高效、便捷、多样化、低成本人机对话体验，如图 7-110所示。7.5 人工智能（12）其他AI基础技术及产品更多的AI基础技术及产品可以参考链接：https://cloud./product。也可以访问https://ai./或小程序“腾讯AI体验中心，进行注册和免费试用相关技术及产品。。7.5 人工智能7.5.3人工智能基本应用模式1、AI技术及产品在行业领域的应用，当前主要呈现三大类模式。智能感知：利用AI技术实现看、听、读等功能的应用场景，例如：基于视频/图像识别的人流检测、基于视频/图像识别的行为检测、语音质检、基于图像的智能检测等。该类场景的意义是积累数据资源，减少人工干预；智能交互：利用AI技术实现对话、问答、执行任务等功能的应用场景，例如：智能客服、知识图谱、对话机器人等。该类场景的意义是提升工作效率，优化用户体验；智能决策：利用AI技术实现推理、决策、最优化等功能的应用场景，例如：信用卡支付交易欺诈识别、工业设备预测性维护、阿尔法狗、基于医学图像的智能诊断等。该类场景的意义是提升商业效率。7.5 人工智能2、AI技术综合应用面临的主要挑战行业客户在传统业务流程中引入AI能力时，可以远程调用AI技术服务提供商通过公有云提供的AI能力（以API方式提供）；也可以购买承载AI的软硬件来搭建自己的私有化人工智能计算平台或者是公有云与私有平台相结合的混合部署模式。不论何种应用部署模式，随着所需AI基础技术及产品的增加，以及AI技术的综合应用及集成创新的快速铺开，端到端的集成解决方案及部署都将面临越来越多的成本及效率的问题。其挑战主要体现在下面五个方面。（1）应用场景 – AI落地场景逐步进入业务深水区，由最初的单一智能感知场景，逐步向智能感知加智能交互，甚至更复杂的智能感知加智能交互再加智能决策场景发展。导致各应用场景中AI落地的复杂性越来越高，单一模型场景越来越少，多模型配合的场景越来越多；（2）资源和基础设施 – AI训练和推理运算对GPU资源的高需求导致AI应用场景落地成本居高不下；此外，AI模型从实验室走向实际应用时，对算法、模型服务存在高并发、高可用等工程层面的技术问题，而解决这些问题并非建模人员所擅长；（3）数据 – AI应用中多模型配合的场景越来越多，引入的数据种类也越来越多，例如一个AI应用中需要接入的数据可能包含图片、视频、文本、结构化数据，这些差异化的数据接入工作带来了倍增的工作量；此外，在诸多政企应用场景中，数据格式需要遵循一定的标准，如行业标准、国家标准等等，各种数据标准之间的数据转换也带来了额外的开发量；最后，非结构化数据标注的工作强度极大、重复工作多、专业性强，从而抬高了标注样本数据的成本，而充足的高质量标注样本与模型训练效果息息相关；7.5 人工智能（4）算法和模型 – AI的核心是算法，载体是模型，而现阶段政企用户对AI定制化场景建模的极大需求与AI定制化建模的单位产能之间存在极大差距，导致算法厂商交付投入巨大而用户的AI场景需求却依然无法完全满足；此外模型从实验室训练完成后部署到生产环境，以及部署到生产环境运行一段时间后，效果都会有不同程度衰减，需进行模型持续迭代更新才能保证模型效果达到或接近实验室水准，而这种迭代更新最好能自动进行，无需人工参与；最后，模型部署后的性能保证、状态监控、效果评估这些工程方面的需求满足，也不是模型训练的数据科学家所擅长的；（5）智能设备 – 在AI模型训练完成后应用到生产场景的过程中，会在数据采集、预处理和边缘推理计算时涉及到智能设备，智能设备的选型、接入、点位选择和调试与AI模型在生产环境中的实际效果息息相关，然而智能设备厂商来源广泛，型号各异，而且缺少统一的接入标准，因此设备安装、接入和调试需要耗费大量人力，拖慢了项目进度并抬高了项目成本。7.5 人工智能7.5.4 人工智能应用案例1、智能安防应用该智能安防平台的系统架构如图7-111所示，采用B/S分布式架构，包括前端采集平台、人脸检索服务平台、LBS（基于位置服务）人群分析服务、业务响应平台。支持浏览器、手机APP访问配置。其逻辑架构如图 7-112所示，网络架构如图 7-113所示，整个系统需要涵盖从基础设施到细分应用场景的复杂功能，开发与维护异常复杂。系统架构 逻辑架构 网络架构7.5 人工智能2、智慧城市应用基于云智天枢平台，提供多算法融合调度、大数据规范化处理、多场景应用服务能力开放，助力构建智慧城市应用，实现视频结构化、人车大数据等功能。智慧城市的解决方案是城市超级大脑视频解析，该方案适合应用于智慧城市、城市大脑（如图 7-116所示）、雪亮工程（如图 7-117所示）等项目场景，提供多算法融合调度、应用服务API开放功能，满足视频结构化、城市公安/交通治理(如图7-118所示)、视频大数据分析等应用需求，该方案的案例有智慧坪山、苍南雪亮工程、北京地铁。图 7-116图 7-117图 7-1187.5 人工智能（3）企业智能应用基于云智天枢平台，提供AI引擎与灵活业务模板编排等能力，助力构建企业智能应用如金融智能核保/理赔（如图 7-119所示）、工业质量检测（如图 7-120所示）等。工业质量检测适合应用于工业缺陷检测场景搭建，为客户提供MES消息数据对接、AI缺陷检测、结果数据推送、故障开单应用等工业服务。图7--119图7--1207.5 人工智能祝贺你已经学习了全部内容！具备了信息素养会令你的生活更精彩……《信息技术基础》配套资源

展开更多......

收起↑