更全的杂志信息网

人工智能产业路线图

更新时间:2016-07-05

人工智能(Artifi cial Intelligence,简称 AI)是一门前沿交叉学科,目前还没有统一的定义。根据中国人工智能学会与罗兰贝格联合发布的最新报告,人工智能是一门利用计算机模拟人类智能行为科学的统称,它涵盖了训练计算机使其能够完成自主学习、判断、决策等人类行为的范畴。

●AI发展

1、发展历程:风雨60年,历经两起两落,如今再次繁荣

人工智能并不是一个新的概念,它实际上诞生于20世纪50年代。在这60年间,人工智能的发展并不是一帆风顺,而是起起落落,先后经历了Pre-AI时代、黄金时代、第一次低谷、第二次繁荣,我们目前正处于第三次浪潮之中。

Pre—AI时代:最初的人工智能研究其实是30年代末到50年代初的一系列科学进展交汇的产物。1943年,沃伦·麦卡洛克(Warren McCulloch)和瓦尔特·皮茨(Walter Pitts)首次提出“神经网络”的概念。1950年,阿兰·图灵(Alan Turing)提出了著名的“图灵测试”:如果一台机器能够与人类展开对话(通过电传设备)而不能被辨别出其机器身份,那么称这台机器则具有智能。直到如今,图灵测试仍然是人工智能的重要测试手段之一。1951年,马文·明斯基(Marvin Minsky)与他的同学一起建造了第一台神经网络机,并将其命名为SNARC(Stochastic Neural Analog Reinforcement Calculator)。不过,这些都只是前奏,一直到1956年的达特茅斯会议,“Artif i cial Intelligence”(人工智能)这个词才被真正确定下来,并一直沿用至今。

AI诞生:1956年的达特茅斯会议被广泛地认为是AI诞生的标志性事件,其最重要的贡献是正式确立了人工智能的概念。此外,该会议还讨论了自动计算机、编程语言、神经网络、计算规模理论、自我改造(即机器学习)、抽象、随机性与创造性等诸多议题,掀开了人工智能各个研究方向波澜壮阔的历史画卷。

黄金时代:1956—1974。达特茅斯会议之后的十数年里,人工智能迎来了第一个繁荣的发展时期。在这段黄金时代,很多在当时看来非常神奇的程序被渐次开发了出来,自此计算机具备了这些能力:解代数应用题、证明几何定理、学习和使用英语。1957年,罗森布拉特(Frank Rosenblatt)提出“感知器(Perceptron)”,这是第一个用算法来精确定义的神经网络,也是日后许多新的神经网络模型的始祖。

第三次AI浪潮:1993至今。1994年,美国科学家Jonathan Schae f fer的人工智能程序Chinook第一次战胜西洋跳棋世界冠军。1997年5月11日,IBM公司的“深蓝”超级电脑战胜国际象棋世界冠军加里·卡斯帕罗夫(Garry Kasparov)。2006年,杰弗里·辛顿(Geof frey Hinton)提出“深度学习”。自此,人工智能进入了快速发展的阶段。2011年,IBM沃森参加“Jeopardy!”节目,打败人类选手。2016年3月,AlphaGo击败韩国九段围棋选手李世石,AI彻底走入大众的视野。

第一,单层的神经网络无法解决不可线性分割的问题,典型例子就是异或门。

第二,当时计算机的能力不足,无法满足计算量的需求。

在财产的处理上,中俄差别较大。在俄罗斯,共同财产按按份共有处理,约定财产制协议无效。在我国,首先由当事人协议处理,协议不成的,才进行判决,共同财产适用一般分割规则,能区分按份共有的按按份共有规则处理,不能区分按份共有或归属不明的,按共同共有规则处理。在俄罗斯,明确规定了对善意一方的保护,善意方可以要求对方赔偿财产损失和精神损失。在我国,没有明确规定,但是可以援引缔约过失责任理论,要求过错方承担缔约过失责任。

目前国内外对于CKD-MBD疗效尚无统一判定标准,本次临床研究参照第三版《肾脏病学》[11](王海燕主编)、2013年中华医学会肾脏病学分会颁布的《慢性肾脏病矿物质和骨异常诊治指导》[8]及《中药新药临床研究指导原则》中“中药新药治疗慢性肾功能衰竭临床研究指导原则”[9]而制定。CKD-MBD疗效判定标准:显效:临床症状积分减少在60%及以上,且血清Ca、P、iPTH至少有两项在目标范围[12]之内。有效:临床症状积分减少在30%~60%,且血清Ca、P、iPTH只有一项在目标范围[12]之内。无效:临床症状积分减少在30%及以下,且血清Ca、P、iPTH均不在目标范围[12]之内。

由于这些问题在当时无法得到解决,感知器的发展几乎停滞,以神经网络为基础的人工智能研究开始进入低潮,相关项目长期无法得到政府经费支持,这段时间被称为业界的“核冬天”。

第二次繁荣:1980—1987。20世纪80年代,“专家系统”开始由理论研究走向实际应用,人工智能迎来了又一波发展浪潮。专家系统一般采用人工智能中的知识表示和知识推理的技术来模拟通常由领域专家才能解决的复杂问题。1980年卡内基梅隆大学为DEC(Digital Equipment Corporation,数字设备公司)设计了一个名为XCON的专家系统,取得了巨大的成功,在那个时期,它每年可为该公司节省四千万美元。同时,日本政府也在积极地投资第五代计算机项目,旨在造出能够与人对话,翻译语言,解释图像,并且像人一样推理的机器。

第 一 次 AI低 谷:1974—1980。1969年,马文·明斯基和西蒙·派珀特(Seymour Papert)共同出版了《感知器:计算几何简介》一书,书中论证了感知器模型的两个关键问题:

与前两次不同,第三次人工智能的热潮迎来了全面商业化的爆发。互联网兴起产生的海量数据、以及摩尔定律带来的计算力的突飞猛进,推动了深度学习技术在人工智能领域的普及,并促进语音识别、图像识别等技术快速发展并且迅速产业化。

2、国家政策:AI进入政府工作报告,上升到国家战略层面

中国的这一波人工智能热潮除了技术和商业的驱动之外,更离不开政府的从旁协助。

2015年5月,国务院印发《中国制造2025》,其中“智能制造”被定位为中国制造的主攻方向,而这里智能的概念,其实可以看做人工智能在制造业的具象体现。

2015年7月,国务院印发《国务院关于积极推进“互联网+”行动的指导意见》,其中人工智能是重点布局的11个领域之一。

2016年3月,《国民经济和社会发展第十三个五年规划纲要(草案)》发布,国务院提出,要重点突破新兴领域的人工智能技术。

分析支护结构施工阶段,支护结构温差随着时间增加而增大,12 h达到了10.46℃,24 h为15.37℃,48h为16.76℃;12 h内温差升高了10.46℃,平均温差增长速率为0.87℃/h,12~24 h之间平均温差速率为0.41℃。在养护期,支护结构在围岩交界面最高温度为56.27℃,内外温差为16.28℃,同时随着表面温度不断提高,内外温差随着时间延长而逐步缩小,在18~40 d的日温差速率基本相同,说明支护结构在缓慢均匀的发生温降;而40 ~60 d的温差速率发生变化是受隧洞内环境温度变化影响。

2016年5月,发改委、科技部、工信部和网信办联合印发《“互联网+”人工智能三年行动实施方案》,提出到2018年“形成千亿级的人工智能市场应用规模”。

2016年7月,国务院印发《“十三五”国家科技创新规划》。《规划》指出,要重点发展大数据驱动的类人智能技术方法;突破以人为中心的人机物融合理论方法和关键技术,研制相关设备、工具和平台;在基于大数据分析的类人智能方向取得重要突破,实现类人视觉、类人听觉、类人语言和类人思维,支撑智能产业的发展。

2017年3月,人工智能首次被写入国务院的《政府工作报告》,正式进入国家战略层面。

2017年7月,国务院印发《新一代人工智能发展规划》,提出了“三步走”的战略目标,宣布举全国之力在2030年抢占人工智能全球制高点,人工智能核心产业规模超过1万亿元,带动相关产业规模超过10万亿元。

2017年12月,工业和信息化部印发《促进新一代人工智能产业发展三年行动计划(2018-2020年)》。“计划”提出,以信息技术与制造技术深度融合为主线,以新一代人工智能技术的产业化和集成应用为重点,推进人工智能和制造业深度融合,加快制造强国和网络强国建设。

可以看出,自2016年以来,中国的人工智能政策密集出台,在全球竞争的背景下,人工智能已经上升为国家意志。未来,人工智能技术的产业化将是大势所趋。

3、产业图谱:产业分层已经明晰,“AI+”蔚然成风

和以往的几次兴盛不同,在这一波人工智能的浪潮里,产业公司替代大学或者政府的科研机构成为了主要的推动者。产业公司是需要盈利的,而人工智能需要持续地高昂投入,因此如何让技术变现是推动人工智能不断发展的重要支撑。在2017年3月发布的《新一代人工智能发展规划》里,国务院明确了市场主导的基本原则,强调要遵循市场规律,坚持应用导向,突出企业在技术路线选择和行业产品标准制定中的主体作用,加快人工智能科技成果商业化应用,形成竞争优势。

通常情况下,我们可以将人工智能产业划分为三层,分别是基础层、技术层和应用层。其中基础层是推动人工智能发展的基石,主要包括数据、芯片和算法三个方面;技术层主要是应用技术提供方;应用层大多是技术使用者;这三者形成一个完整的产业链,并相互促进。不过,很多企业(特别是大型科技公司)业务线较长,很多时候既是技术提供方,也是技术的使用者,因而很难有清晰的界定。

校企合作“双主体”办学,使得教师进企业没有了门槛,师资“双师”建设补充成为长效机制。以培养师资在行业应用前沿技术领域的能力为中心,同时让学生能够接收到一线企业工程师的宝贵工作经验,建立校企互聘互兼、互培共育机制,采取专职与兼职并举的方式让企业工程师走进课堂,让教师走进一线生产工作岗位。通过参与项目研发、课题研究、技术服务、指导技能竞赛,以及访学、培训、研修、学术研讨、引进等途径,建立一支由专业带头人、骨干教师、兼职教师组成的工程实践能力强、梯队合理的“双师型”优秀教学团队。

基础层方面,中国的实力还比较薄弱,尤其是芯片领域,玩家多为创业公司,而美国在这一领域多为英伟达、英特尔等重量级玩家,同时创业公司也层出不穷;在基础技术框架领域,国外有Google、微软、Facebook、亚马逊等,国内有百度、腾讯、阿里巴巴等;在数据领域,很多互联网公司本身就积累了海量数据,不过这些商业数据一般不会对外共享,而且这些公司也对标注处理后的有效数据存在需求,因此市场上存在第三方数据提供商,国内以海天瑞声为代表,美国则以CrowdFlower为代表。技术层主要分为三个领域:机器学习、语音识别和自然语言处理、以及计算机视觉。其中除了BAT等大玩家之外,语音识别和自然语言处理领域的代表公司有科大讯飞、云知声、思必驰等,计算机视觉领域的代表公司有商汤科技、旷视科技、依图科技等。它们中有很多已成为新兴的独角兽,融资额度甚至超过美国同行。

在AI应用领域,中国呈现出爆发的趋势,目前主要集中在安防、金融、医疗、教育、零售、机器人以及智能驾驶等领域。其中安防领域的代表公司有海康威视、大华等;金融领域有蚂蚁金服、众安科技等;医疗领域有医渡云、汇医慧影等;教育领域有科大讯飞、乂学教育等;零售领域有阿里、京东、缤果盒子等;机器人领域有大疆创新、优必选等;智能驾驶领域有百度、驭势等。

2017 CSDN中国开发者大调查的数据显示,AI技术正在与各个行业的业务发生着融合促进,其中金融、制造业、电商、医疗等行业占比最高。可见,虽然在基础领域,中国与美国还存在一定差距,但是在商业化应用方面,中国已经多点开花,大有赶超之势。

Tech Giants Are Paying Huge Salaries for A.I. Talent

AI产业的迅速发展,引发了一场人才争夺战,根据猎聘的统计,2017年AI技术类工程师的招聘量是2014年的8.8倍。2014年,AI类工程师和数据类工程师在全部IT技术岗位中的占比分别是2.97%和7.86%,这一数字到2017年分别涨到了9.86%和17.59%。

exacerbating the shortage of talents

4 、人才分析:AI人才缺口进一步扩大,新手年薪最低16.2万起

The development of AI

AI各细分领域的招聘量也逐年攀升,而且薪资比IT技术岗位要高上许多。根据猎聘的数据,2016年以来公开发布的招聘岗位中,IT工程技术类的平均年薪为17.92万,而AI领域知识图谱方向的最高年薪可达43.42万,其平均年薪也高达34.06万,接近IT工程技术类的两倍。而AI细分领域中,除了知识图谱,平均年薪较高的依次是自然语言处理、语音识别、机器学习和计算机视觉。

CSDN社区统计的数据显示,2015年到2017年间,AI开发者从5万增长到了18万,可见AI之热,然而有经验的AI工程师仍然极度缺乏,其年薪也随着从业时间的增长而急剧增加。工作不满一年的新手,最高年薪为28.7万,最低年薪也有16.2万,而有着十年以上工作经验的AI工程师,最高年薪可达140万。相比之下,具有10年以上工作经验的普通IT工程师的最高年薪还不到55万。

目前,按行业划分,对AI人才需求最大的依然是互联网行业,占比超过73%,其次是电子、汽车、金融等领域。对AI人才需求最少的则是政府、农林牧渔这些领域。

按地域划分,AI人才需求分布非常集中,北京占比42.60%,上海、深圳分列二三位,占比分别为17.02%和11.43%。而阿里巴巴总部所在地—杭州则排在了第四位,占比7.08%。

腾讯研究院发布的人才报告显示,2017年的前10个月,企业对AI人才的需求量已经达到2016年的近两倍,2015年的5.3倍,目前AI人才缺口至少在100万以上。随着人工智能产业的进一步发展,我国AI人才的缺口或进一步扩大,而且由于我国对AI的研究起步较晚,企业对AI人才学历的要求较高,因此AI人才急缺的情况在未来几年将无法改善,AI人才的薪酬也预计会进一步水涨船高。

除了慈善捐款,判决书还记载,连卓钊曾直接进贡陈绍基50万港元,这使得他成为第九届广东省政协委员。有关人士解释,广东省政协每一名委员可以办理一张粤港车牌。连卓钊获得陈绍基、王华元的双重帮助,获得多个粤港车牌营运指标。有此“合法载体”,使连卓钊在运送赌客等业务上如鱼得水。

●AI技术主要应用领域分析

1、产业升级关键要素及路线图

AI专家吴恩达表示,要让传统企业实现AI升级并不容易,从数据采集、管理架构设计,到项目优先级的排序,然后再将AI整合进其中,其复杂性堪比AI技术本身。好的AI战略规划师比好的AI技术专家还要稀有。10年前,几乎所有公司都在想办法互联网化,如今几乎所有的互联网公司都在寻求智能化,而企业智能化是一个渐进的过程,为了让企业能够认清自己所处的智能化发展阶段,有的放矢,CSDN特发布“企业智能化成熟度模型”(AIMM:Capability Maturity Model for Enterprise Artificial Intelligence)。AIMM由CSDN董事长蒋涛首次提出,该模型借鉴了“软件能力成熟度模型”中以过程为核心的管理思想,将企业按照智能化的程度划分为0~5级6个发展阶段。

Si表示匹配对wi根据邻域所计算得到评分也是运动统计值,即为在区域{a,b}及其邻域对{ak,bk}中的匹配对个数。

AIMM 0级 企业无信息化;

AIMM 1级 数字化:企业核心流程标准化和数字化;

“AI+金融”应用场景之三:智能投顾

AIMM 3级 算法模型:企业运用机器学习算法建立模型,预测和优化决策;

AIMM 4级 AI采用:在业务中使用AI为基础的解决方案,实现创新和效率的提升;

AIMM 5级 AI驱动:以AI为核心的全新企业形态和商业模式。

将矿用电动轮自卸车变流系统的整流器输出的电压,作为输入常量势源,三相逆变器的其中一相作为参考,另外两相以可调变换器(MTF)替代,通过对m1和m2的可调控制,达到对电容器提供的电压进行控制,对矿用电动轮自卸车变流系统进行键合图建模符合实际变流系统,并且满足控制的需要。

2、金融领域AI应用分析

人工智能基于智能增强和简易劳动力替代的发展逻辑可满足金融领域多个刚需,解决其多个痛点,有利于提升金融企业工作效率,进一步降低成本。近年来,无论是传统金融机构、互联网巨头、亦或是创业公司,均纷纷开启“AI+金融”应用的探索实践,摩根大通、花旗银行、招商银行、蚂蚁金服、京东金融等全球范围内的领先机构不断加大人工智能在改善用户服务、增加收入等应用方向的投入。

当然,除了这两个原因之外,传感数据不足也成为限制感知器进一步发展的重要因素。

现阶段,无论是政策环境、经济环境、技术环境还是社会环境层面,人工智能技术在金融行业的应用都迎来诸多利好。作为拥有海量数据的行业,人工智能在金融领域拥有着巨大的前景。目前走在金融科技前沿的依然是蚂蚁金服、京东等科技巨头。比如蚂蚁金服风控部门中的反虚假交易就是基于算法实现的,贷款是通过机器学习的算法来做的,定损宝是通过图像技术实现的。京东金融很早就基于人工智能展开业务,比如在坏账率控制等方面,比传统金融机构有着更强劲的表现;而在放贷效率等方面,比传统金融机构的效率提升了70倍,成本降低了30%。而传统的金融机构如招商银行、中国平安等也已经开始布局人工智能技术的研发,并开展相关业务。比如招商银行推出的“摩羯智投”,就是智能投顾的代表。而平安旗下金融壹帐通发布的“智能认证”、“智能闪赔”,就利用了人工智能技术来解决金融领域中的身份认证和车险定损问题。

现阶段“AI+金融”的应用场景

(2)应用了电子数据的分布式存储方式,对数据进行冗余分片,保证了数据的存储安全性。并在系统中引入积分制度,按照用户上传存证和提供存储方式进行积分的数据变化,维持系统的负载均衡,保证了系统的安全性和稳定性。

按金融业务执行前端、中端、后端模块来看,人工智能在金融领域的应用场景主要有智能客服、智能身份认证、智能营销、智能风控、智能投顾、智能量化交易等。本节内容将简要分析智能身份认证、智能风控、智能投顾三类应用场景,并以“AI+金融”综合应用—人工智能理财进行详细分析。

“AI+金融”应用场景之一:智能身份认证

身份认证主要通过人脸识别、指纹识别、声纹识别、虹膜识别等生物识别技术快速提取客户特征。金融机构对远程身份识别、远程获客需求日益增加,而人脸信息由于易于采集、较难复制和盗取、自然直观等优势,在金融行业中的应用不断增加。人脸识别的流程主要包括:人脸检测、人脸特征提取、人脸匹配三部分。

SK-LT-125-B型样机较SK-LT-125-A型样机在整体结构尺寸减小和减重方面都得到了很好的优化。2个样机的结构尺寸和质量对比如表11所示。

人脸识别实现了客户“刷脸”即可开户、登录账户等,让金融机构远程获客和营销成为可能。在互联网金融领域,“刷脸”也可以应用到刷脸登录、刷脸验证、刷脸支付等诸多领域。同时,人脸识别亦可以成为银行安全防控手段的有效选择。银行安防的难点之一是在动态场景下完成多个移动目标的实时监控,人脸识别技术在银行营业厅等人员密集的区域可有效实现,实现多目标实时在线检索、比对,在ATM自助设备、银行库区等多个场景下都可应用。

自动化的电网调度系统已经建立,但是与此相适应的认识上的发展和技术上的进步却没有得到同步发展,电网调度员的自身素质直接影响了电网的安全运行。例如,电网调度系统已经自动化了,但是许多调度员由于认识的不到位和业务素质的欠缺,仍然使用的是以前的手工操作的方法。现实中经常会出现几张申请票对应一张操作票的现象,靠手工作业的方法有时候难免会有遗漏,申请票一旦遗漏将会出现申请票还在执行中就给电的现象,结果将是造成恶性事故的发生,2004年华东网发生的恶性误操作事故就是由于此原因。

粤菜用料精而细,配料多而巧,装饰美而艳,注重质和味。其口味讲究清、鲜、嫩、滑、爽、香,秉承清中鲜、淡中美、清而不淡、鲜而不俗、嫩而不生、油而不腻等特点。其菜系风味有“五滋”(香、松、软、肥、浓)及“六味”(酸、甜、苦、辣、咸、鲜)之说,其符合现代营养学的要求,是一种科学的饮食文化。

Artif ic ial intelligence technology can helpf inance industry to form a standardized, model, intelligent and precise control system

在企业智能化转型的过程中,关键要素体现在数据、计算力、算法、应用场景等四方面。传统企业首先应该思考好公司的哪些业务可以成为AI应用的场景,好的应用场景表现在待解决的问题有清晰明确的定义。然后再根据确定的场景来明确需要采集哪些关键的数据。这个步骤中除了公司引入AI技术专家来制定策略外,还可以引入第三方的技术公司来共同解决。在特定的业务中,只有采集到的数据经过结构化,可以对场景进行描述性分析以后,我们才认为该项业务达到了AIMM 2级—商业智能的标准。接下来,企业如果能够运用机器学习算法建立模型,实现对业务的预测和优化决策,则可以进阶到AIMM 3级—算法模型。在此基础上,如果可以真正实现业务的创新和效率提升,我们便认为该业务已经达到了AIMM 4级—AI采用。最后,如果该业务模型与AI融合后的能力可以延伸到供应链管理、资源调配等企业决策的方方面面,我们就认为该企业已经全面实现了AI进化,达到了AIMM 5级—AI驱动。2017 CSDN中国软件开发者大调查的数据显示,目前22%的企业都还没有进行信息化改造,而51%的企业尚处于AIMM 1级或2级,即在企业核心业务中实现了核心流程标准化和数字化,真正进阶到AIMM 3级或以上的企业还不到三分之一。

AI+金融”应用场景之二:智能风控

人工智能技术可以助力金融行业形成标准化、模型化、智能化、精准化的风控系统。助力金融机构、金融平台及相关监管层对存在的金融风险进行及时有效的识别和防范。人工智能应用于金融风险控制的流程主要包括:数据收集、行为建模、用户画像及风险定价。

凭借“人工智能+大数据”分析技术,智能风控可以助力金融监管机构建立国家金融大数据库,防止系统性风险。在消费金融领域,自然语言处理、知识图谱及机器学习等人工智能技术,可为借款人、企业等不同主体提供更深度、更有效的多维信息关联,并深度挖掘企业子母公司、产业链上下游合作伙伴、高管资料、竞争对手等关键信息,减少人为偏差,降低风控成本。在信贷领域,智能风控可以应用到贷前、贷中、贷后全流程。贷前,助力信贷机构进行信息核验、信用评估、实现反欺诈;贷中,可以实现实时交易监控、资金路径关联分析、动态风险预警等;贷后,可以助力信贷机构进行催收、不良资产定价等。

AIMM 2级 商业智能:在业务中运用数据挖掘和数据分析,实现描述性分析;

智能投顾是指通过使用特定算法模型管理帐户,结合投资者风险偏好、财产状况与理财目标,为用户提供自动化的资产配置建议。智能投顾发展的两大核心技术:一是自动化挖掘客户金融需求技术,财富管理科技要做的就是帮助投资顾问更深入地挖掘客户的金融需求,产品设计更智能化,与客户的个性化需求更贴近,弥补投资顾问在深度了解客户方面的不足;二是投资引擎技术,在了解客户金融需求之后,利用投资引擎为客户提供金融规划和资产配置方案,设计更智能化、定制化的理财产品。

根据美国金融监管局(FINRA)提出的标准,智能投顾的主要流程包括客户分析、资产配置、投资组合选择、交易执行、组合再选择、税收规划和组合分析。客户分析主要通过问询式调研和问卷调查等方式收集客户的相关信息,推断出客户的风险偏好以及投资期限偏好等因素,再根据这些因素为客户量身定制完善的资产管理计划,并根据市场变化以及投资者偏好等变化进行自动调整。

“AI+金融”应用场景之四:人工智能理财

人工智能理财是通过算法和数据模型驱动,以用户偏好、财务状况等为基础,围绕客户生命周期的精细化管理、投资策略建议、客户服务、投后跟踪等一系列自动化、智能化、个性化的理财人工智能决策系统。人工智能理财是以用户金融需求全生命周期为核心,有利于保障用户参与度、提升生命周期中每个节点转化率,提升企业运营活动的必要性和有效性。它涉及智能客服、智能投顾、智能风控等多个场景,是人工智能技术在金融领域的综合应用之一。

人工智能理财产业结构相对清晰,且相互渗透门槛较高。从类别上看,包括提供数据资源、计算能力和算法框架的基础层;着重于算法、模型及应用开发的技术层;以及连接众多业务场景,实现数据及技术价值商业化的应用层,形式有如智能投顾、虚拟个人助手、虚拟客服、人脸识别等,未来三年将迎来黄金发展期。

目前,人工智能理财已经形成不同的服务模式,主要有利用AI技术进行客户识别分析,进行产品匹配的服务模式,以及利用AI技术进行产品组合优选的服务模式。

随着越来越多人工智能理财机构出现,在用户操作流程上,有一定的趋同性,对用户理财认知及基本信息进行测评是应用服务开展的基础,进而在用户选择不同投资方向后,根据计算结果做出个性化推荐。

改良限制-诱导运动疗法(modified Constraint-Induced Movement Therapy, mCIMT)是基于限制-诱导运动疗法(Constraint-Induced Movement Therapy,CIMT)的一种改良方案,近年来已被临床证实能够有效促进偏瘫上肢功能恢复[6-8]。团体治疗相对传统的一对一治疗能够提供患者新的学习技能的方式并在一定程度上提高治疗师的工作效率。本研究探索应用mCIMT方案开展团体治疗,观察其对脑卒中后上肢运动功能障碍的疗效,并进一步探索CIMT的临床应用新方向。

3、医疗领域AI应用分析

现阶段,活跃在中国“AI+医疗”赛道上的主要玩家有:腾讯、阿里巴巴、百度、科大讯飞等公司。2016年10月,百度对外发布“百度医疗大脑”,目前来看尚无实质性进展。2017年3月,阿里云发布“ET医疗大脑”,定位为医疗操作系统,为开发者提供基础设施以及标准化服务,目前已具备为医生提供甲状腺结节、肺结节的辅助诊断能力。2017年8月,腾讯发布其第一款AI医学影像产品“腾讯觅影”,正式加入AI医疗的战局,该产品可以为医生提供食管癌的早期辅助筛查。科大讯飞在2015年涉足AI医疗领域,主要布局分为三个方面:一个是基于语音识别和自然语言处理技术的语音电子病历;第二是基于计算机视觉技术的肺结节、乳腺癌等疾病的医学影像辅助诊断,这一点与阿里和腾讯的布局类似;第三是基于机器学习技术的辅助诊疗机器人。

The application scene of"AI+ medical"Artifi cial intelligence technology is widely applied in the medical field

现阶段“AI+医疗”的应用场景

在医疗领域,人工智能技术应用前景广泛。从全球企业实践来看,“AI+医疗”具体应用场景主要有医学影像、辅助诊疗、虚拟助理、新药研发、健康管理、可穿戴设备、急救室和医院管理、洞察与风险管理、营养管理及病理学、生活方式管理与监督等。

“AI+医疗”应用场景之一:医学影像

“AI+医学影像”是将人工智能技术应用在医学影像的辅助诊断上,实际上是模仿人类医生的阅片模式。人工智能技术应用医学影像的流程主要包括:数据预处理、图像分割、特征提取和匹配判断这4个流程。“AI+医学影像”在阅片速度、准确度等方面优势明显。传统的医学影像中,影像科医生受读片速度的限制,读片量有限,阅片压力大。同时影像科医生多数情况下是凭经验进行判读,容易出现误判情况。人工智能强大的图像识别能力有助于解决传统医学影像中存在的工作效率低、准确度低、工作量大的问题,弥补影像科医生数量不足,提升读片准确度,提高医生工作效率,缓解放射科医生压力。同时技术手段助力疾病早筛,及早为患者发现病灶,提高患者存活率。我们认为,虽然影像识别在单病种的市场空间不大,但是在政策推动的背景下,影像科、检验科等科室市场化运营,成立病理中心,高端诊断服务将成为影像识别技术发展的巨大机会。

“AI+医疗”应用场景之二:辅助诊疗

“AI+辅助诊疗”就是将人工智能技术应用于辅助诊疗中,让机器学习专家医生的医疗知识,通过模拟医生的思维和诊断推理来解释病症原因,最后给出可靠的诊断和治疗方案。在诊断过程中,人工智能需要获取患者病症,解释病症,通过推理判断疾病原因及发展走向,形成有效的治疗方案。辅助诊疗的一般模式为:获取病症信息,作出假设,制定治疗方案。

目前,在“AI+辅助诊疗”的应用中,IBM Watson是最为成熟的案例,Watson融合了认知技术、推理技术、自然语言处理技术、机器学习及信息检索等技术。目前IBM Watson已经通过了美国职业医师资格考试,并在美国多家医院提供辅助诊疗服务。IBM Watson可以在17秒内阅读3469本医学专著、248000篇论文、69种治疗方案、61540次试验数据、106000份临床报告。值得一提的是,2017年,由科大讯飞和安徽省立医院联手打造的“安徽省立智慧医院”已在合肥挂牌运行,是国内首家人工智能辅助诊疗中心。我们认为,“AI+辅助诊疗”服务基于电子处方、医学文献、医学影像等数据,寻找疾病与解决方案之间的对应关系,构建医学知识图谱,在诊断决策层面能有效提高医生诊断效率。未来“AI+辅助诊疗”市场空间巨大,尤其在基层常见病诊疗方面能够发挥较大效能,有效提高基层医疗效率,降低医疗成本。

●行业应用典型案例

1、金融案例:车险定损

传统场景存在的问题:理赔效率低,成本高

在交通事故发生后,传统的车险理赔流程是:用户打电话给保险公司,后者派查勘员现场查勘并拍照,然后定损员根据照片评估损伤情况及赔偿金额。在这样的流程中,保险公司收到事故照片后,需要核赔,核价,往往最快半小时后才能确定理赔金额,不仅效率低下,而且人力成本较高。

根据界面新闻的报道,从最初的相机查勘到后来应用理赔系统,再到如今的移动查勘,保险公司用了10年的时间,只实现了事故照片和理赔资料的电子化。在保险理赔过程中,虽然车型多配件多都给理赔增加了复杂性,但车辆定损却是一个相对标准化、流程化的部分,在大数据和人工智能技术发展的浪潮下,传统的保险公司和新兴的互联网金融公司都开始思考—如何用现有技术来模拟车险定损环节中的人工作业流程,减少对人力的依赖,达到减员增效的目的。

成岩后影响鲕粒的主要为重结晶作用。形成鲕粒的碳酸盐在结晶时为文石,后期已转变为方解石,部分方解石切穿泥晶层,为重结晶形成。且重结晶现象越靠近核心越强烈。鲕粒核心也已重结晶为细晶方解石,在核心附近泥晶层纹已很难分辨,并有两粒自形白云石晶体结晶。

Problems existing in traditional scenes:Low efficiency

With the support of deep learning technology,Image recognition technology has made signif i cant breakthroughs in recent years,the accuracy is greatly improved and the scenarios are expanded

解决的办法:利用图像识别技术判定受损部位和受损程度

在深度学习技术的加持下,图像识别技术在最近几年已经取得重大突破,准确率大幅提高,使用场景也得以扩展。目前,蚂蚁金服、平安集团等已经相继推出了针对车险理赔的AI产品:定损宝和智能闪赔。用户只需要拍照上传图片,系统后台通过算法识别事故照片,确定受损部件和损失程度,再通过与合作保险公司或者自己的维修价格库对接,在几秒钟之内就能给出准确的定损结果,包括受损部件、维修方案及维修价格。

蚂蚁金服估计,每年4500万件的私家车保险索赔案中,“定损宝”能覆盖的纯外观损伤案件占比约在60%,以每单案件的平均处理成本150元计算,有望每年为行业节约案件处理成本20亿元。不仅如此,蚂蚁金服还希望“定损宝”帮助保险公司挤掉原来缺乏统一标准导致的定损“水分”,减少虚假骗保案件。统计数据显示,车险行业每年500亿的外观件赔款中,约有10%-20%是因上述两种情况造成的理赔渗漏。平安方面则宣称,智能闪赔目前已经覆盖所有乘用车型、全部外观件、23种损失程度,智能识别精度高达90%以上。

典型企业:蚂蚁金服、中国平安

2、医疗案例:语音电子病历及癌症诊疗

* 语音电子病历

传统场景存在的问题:手写或手动输入病历,效率低且操作不便

通常情况下,在诊断过程中,医生需要对每个患者的家庭病史、身体状况、诊断内容等进行详细记录,但是目前国内的很多医生采用的依然是手写病例,效率低下。香港德信对中国医生每天消耗在病历记录上的时间做过调研,50%以上的住院医生平均每天用于写病历的时间超过4小时,相当一部分医生写病历的时间甚至超过7小时。此外,很多手写病例字迹潦草,识别困难,有可能会导致后续诊疗错误。因此,中国目前正在效仿欧美,大力推行电子病历。不过,电子病历解决了字迹潦草的问题,但是没有从根本上解决效率低下和输入不便的问题。比如口腔科医生在诊疗过程中,双手戴着手套,只有等到诊疗结束时才能够记录病历信息,因此会存在记录不全的情况。

解决的办法:依托语音识别和自然语言处理技术,语音电子病历正得到广泛应用

为了尽量减少撰写病历的时间,提高医生的工作效率,依靠语音识别和自然语言处理技术的语音病历正在得到广泛应用,而这个市场的玩家既有老牌选手科大讯飞,也有新晋的创业公司云知声等。虽然目前特定环境情况下的语音识别的准确率已经高达95%以上,但是为了实现精准识别,提供语音技术的公司往往需要针对不同的医疗场景,定制包含各种医疗专业术语的语料库。在采用语音病历系统之后,只需配合专门的麦克风,医生口述的内容就可以经过后台语音识别和自然语言处理,自动生成结构化的电子病历,然后医生再对生成的内容进行审核并确认,生成最终的电子病历并保存。

此外,医生在查房或者出诊时,也不需要再手动记录患者的病情,只需要佩戴麦克风,即可实现语音转录。根据医生反馈,这种系统不仅提高了他们的文字录入效率,同时也降低了工作强度,对病人来说也能够及时拿到清晰易懂的诊断记录,避免了很多误解和纠纷。

典型企业:科大讯飞、云知声、捷通华声

*癌症诊疗

传统场景存在的问题:癌症诊断不及时,缺乏个体化的治疗方案

据统计,2015年全球范围内新增癌症病例1410万,820万人死于癌症,预计未来20年新发病例数将增加70%。由于人口老龄化、不良生活习惯、环境污染和传统手段治愈率较低等因素,我国已成为癌症发病和死亡大国。据全国肿瘤登记中心统计显示,2015年中国癌症新增429.16万例,死亡281.42万例。因为诊断不及时,缺乏个体化的治疗方案等问题,中国癌症治疗的无效率高达75%。数据显示,中国癌症患者的5年生存率仅为30.9%,不及美国的一半,因此提前发现并采取个体化的治疗方案已经成为我国的重点关注问题,而人工智能技术的兴起,为人类攻克癌症提供了辅助手段。

解决的办法:利用智能认知技术,给出个性化的治疗建议

判断病人是否患有癌症,首先需要经过大量的检查,而想要针对不同的病人给出合适的治疗方案,则需要大量的先验知识。在这一领域最出名的就是IBM的“Watson for Oncology(肿瘤学)”。据悉,Watson for Oncolog迄今为止采集了近1500万页医学资料,包括200余种医学教科书和300多份医学期刊。该工具可以综合运用MSK的癌症专业知识与IBM Watson的分析速度,能够转变医生提供个性化癌症治疗方案的方式,同时还有助于提高疗效。据悉,Watson可以为肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌6种癌症提供咨询服务,2017年已扩展到8-12个癌种。在医生完成癌症类型、病人年龄、性别、体重、疾病特征和治疗情况等信息输入后,Watson能够在几秒钟内反馈多条治疗建议,这完全依赖于其强大的数据储备和学习能力。

在医生输入相关信息后,Watson会在几秒内给出四大类信息:一是治疗方案本身,这又可以分成MSK最推荐的方案、MSK认为可被考虑的方案、和不推荐的方案;另外,每个方案里会有这个方案的逻辑、临床证据和用药信息,帮助医生快速决策。因为Watson具备机器学习功能,这意味着它将会持续学习肿瘤学研究成果,医生可以获取同行评议的研究、临床指南及专家观点,从而根据最新数据更迅速地做出更具体、更细致的治疗决策。

统计数据显示,Watson在临床试验中筛选乳腺癌和肺癌患者的速度要比人类快78%,将筛查时间从110分钟缩减到了24分钟。而在印度进行的一项研究显示,在治疗肺癌时,Watson给出的治疗建议96%的情况下与医生的方案相吻合;治疗直肠癌和结肠癌时,与医生建议的吻合率也分别高达93%和81%。此外,日本国立癌症研究中心也开发了一个AI系统,利用癌症中心积累的患者基因组(所有遗传信息)以及血液检查、图像诊断等庞大信息为基础建立数据库,并与医学论文等研究成果相对照,利用AI技术诊断癌症,并给出治疗建议。

典型企业:IBM Waston、Enlitic、Oncora Medical、Proscia

Artifi cial intelligence has greatly promoted the changes in IT industry.Now this trend is spreading to traditional industries.

●结语

人工智能已经推动了IT行业的巨大变革,如今这一趋势正逐渐蔓延至传统行业。正如吴恩达创立Landing.ai时说的那样,“ 我们不仅要用人工智能来赋能IT行业,更是时候需要用人工智能来赋能整个社会。为了让全社会都能体验到人工智能的好处,我希望将人工智能推广到其他行业。”从人工智能诞生至今,已经有很多企业和用户切身体验到了这项技术带来的好处,因此许多公司都在探索如何应用人工智能来帮助自己进一步发展,但是很多公司并不能很清楚地定义自己的需求,而且许多AI技术仍然很复杂,很少有团队能够完全理解并且有效地运用这些技术,因此AI转型之路并不容易。

在这份路线图里,基于对传统行业智能化升级的一些思考和调研,CSDN提出了AIMM(企业智能化成熟度模型),并希望传统企业能够先认清自己的问题,找到自己的需求,有的放矢,而不是盲目跟随。

《大数据时代》 2018年第04期
《大数据时代》2018年第04期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号