人工智能四要素分析

大數(shù)據(jù)：

人工智能的智能都蘊(yùn)含在大數(shù)據(jù)中。

算力：

算力為人工智能提供了基本的計(jì)算能力的支撐。

算法：

算法是實(shí)現(xiàn)人工智能的根本途徑，是挖掘數(shù)據(jù)智能的有效方法。

場景：

大數(shù)據(jù)、算力、算法作為輸入，只有在實(shí)際的場景中進(jìn)行輸出，才能體現(xiàn)出實(shí)際的價(jià)值。

舉個非常形象的類比：如果把炒菜作為我們的場景，那么大數(shù)據(jù)相當(dāng)于炒菜需要的食材，算力就相當(dāng)于炒菜需要的煤氣/電力/柴火，算法就相當(dāng)于烹飪的方法和調(diào)料。

1）大數(shù)據(jù)

如今這個時代，無時無刻不在產(chǎn)生大數(shù)據(jù)。移動設(shè)備、廉價(jià)的照相機(jī)、無處不在的傳感器等等積累的數(shù)據(jù)。這些數(shù)據(jù)形式多樣化，大部分都是非結(jié)構(gòu)化數(shù)據(jù)。如果需要為人工智能算法所用，就需要進(jìn)行大量的預(yù)處理過程。

2）算力

人工智能的發(fā)展對算力提出了更高的要求。以下是各種芯片的計(jì)算能力對比。其中GPU領(lǐng)先其他芯片在人工智能領(lǐng)域中用的最廣泛。GPU和CPU都擅長浮點(diǎn)計(jì)算，一般來說，GPU做浮點(diǎn)計(jì)算的能力是CPU的10倍左右。

另外深度學(xué)習(xí)加速框架通過在GPU之上進(jìn)行優(yōu)化，再次提升了GPU的計(jì)算性能，有利于加速神經(jīng)網(wǎng)絡(luò)的計(jì)算。如：cuDNN具有可定制的數(shù)據(jù)布局，支持四維張量的靈活維度排序，跨步和子區(qū)域，用作所有例程的輸入和輸出。在卷積神經(jīng)網(wǎng)絡(luò)的卷積運(yùn)算中實(shí)現(xiàn)了矩陣運(yùn)算，同時減少了內(nèi)存，大大提升了神經(jīng)網(wǎng)絡(luò)的性能。

3）算法

主流的算法主要分為傳統(tǒng)的機(jī)器學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)算法。神經(jīng)網(wǎng)絡(luò)算法快速發(fā)展，近年來因?yàn)樯疃葘W(xué)習(xí)的發(fā)展到了高潮。

4）場景

人工智能經(jīng)典的應(yīng)用場景包括：

1.用戶畫像分析

2.基于信用評分的風(fēng)險(xiǎn)控制

3.欺詐檢測

4.智能投顧

5.智能審核

6.智能客服機(jī)器人

7.機(jī)器翻譯

8.人臉識別
責(zé)任編輯人：CC