AI應用落地之道

(日)野村直之

買這商品的人也買了...

商品描述

從AI核心技術、樣本數據提取到業務流程構建、人才培養機制
MIT人工智能研究所客座研究員、日本人工智能專家全流程指導
幫助企業實現AI技術的落實應用,指導個人從知識勞動人才向智能勞動人才轉變
當人們聽說“AI的進化將剝奪人類的就業機會”時,出於對機器的擔憂和反感,他們就會產生逆反心理,從而造成對AI能力的過高預估;另一方面,當這種過高的期待沒有實現時,人們就會產生對AI的全面否定,如“AI什麼也乾不了”“到頭來還不是一無是處、毫無意義”。我們該如何澄清關於AI的各種誤解,使企業能夠從容自如地使用AI?

本書作者野村直之30多年來一直致力於AI的開發、應用和部署。在本書中,他針對已經參與或即將參與AI系統相關工作的讀者揭示了諸多為了充分應用AI系統需要掌握的要點。
·AI的現狀。目前的AI都是輔助性工具,“強AI”還無法在21世紀內誕生。
·AI的核心技術——深度學習。 AI應用落地的關

從AI核心技術、樣本數據提取到業務流程構建、人才培養機制
MIT人工智能研究所客座研究員、日本人工智能專家全流程指導
幫助企業實現AI技術的落實應用,指導個人從知識勞動人才向智能勞動人才轉變
當人們聽說“AI的進化將剝奪人類的就業機會”時,出於對機器的擔憂和反感,
他們就會產生逆反心理,從而造成對AI能力的過高預估;另一方面,
當這種過高的期待沒有實現時,人們就會產生對AI的全面否定,
如“AI什麼也乾不了”“到頭來還不是一無是處、毫無意義”。
我們該如何澄清關於AI的各種誤解,使企業能夠從容自如地使用AI?

本書作者野村直之30多年來一直致力於AI的開發、應用和部署。
在本書中,他針對已經參與或即將參與AI系統相關工作的讀者揭示了諸多為了充分應用AI系統需要掌握的要點。
·AI的現狀。目前的AI都是輔助性工具,“強AI”還無法在21世紀內誕生。
·AI的核心技術——深度學習。 AI應用落地的關鍵在於目標精度的評測與活用,
通過使用精確率和召回率兩個指標,來準備良好的樣本數據。
·樣本數據的製作。通過短週期原型開發評估目標精度,加之專業人士的參與,同時使用高性能的GPU硬件。
·AI部署人才應具備的技能。 AI時代的人才需要福爾摩斯般的思考能力,
不僅要善於發現問題,打破現有局面,還要為解決問題設定目標,完成從“知識勞動”到“智能勞動”的轉變。

鍵在於目標精度的評測與活用,通過使用精確率和召回率兩個指標,來準備良好的樣本數據。
·樣本數據的製作。通過短週期原型開發評估目標精度,加之專業人士的參與,同時使用高性能的GPU硬件。
·AI部署人才應具備的技能。 AI時代的人才需要福爾摩斯般的思考能力,不僅要善於發現問題,打破現有局面,還要為解決問題設定目標,完成從“知識勞動”到“智能勞動”的轉變。

作者簡介

野村直之

1984年畢業於東京大學工學專業,2002年獲得九州大學理學博士學位。
曾在NEC C&C研究所、JUSTSYSTEM公司、法政大學、理光集團任職,後擔任法政大學客座教授。
2005年創立元數據公司,從事大數據分析、社交網絡應用、各種人工智能應用方案的提供等方面的工作。
在此期間,擔任MIT人工智能研究所客座研究員,
與人工智能之父馬文・明斯基曾同在一個實驗室,
並與該校語言學者諾姆·喬姆斯基進行過學術探討。
他曾參與名詞網絡(Wordnet)的應用研究以及日本第五代計算機開發機構(ICOT)衍生知識庫開發,
同時對AI在產業、生活、行政、教育等領域的應用保持著高度的關注。

目錄大綱

目錄
第1章當今AI的功能與局限
關於AI常見的誤解// 2
利用大數據的圍棋AI // 5
如何有效運用“幼兒智能” // 6
思考能夠使用圖像識別技術的商業領域// 7
深度學習是“原始數據計算” // 9
通過三個數軸對AI進行分類// 12
深度學習是如何提取特徵的// 14
“模式識別”:AI的眼睛和耳朵// 17
使用深度學習的機器翻譯能夠獲得壓倒性勝利的原因// 20
“強AI”的出現至少要到22世紀嗎// 26
指數函數的恐怖// 28
知識量的增加至多是二次曲線級// 30
充分運用深度學習的必要性// 34
深度學習與其他方式的結合也很有價值// 36

第2章使用深度學習的基本流程
在AI應用中不可或缺的目標設定// 40
分享評測數據使其可以共用/ / 42
作為精度指標的“精確率”和“召回率” // 44
作為前提的正確結果不止一個// 46
不同場景中對精確率和召回率的重視程度不同// 47
業餘和專業所需的精度是不同的// 49
深度學習的準確性評估測試非常簡單// 51
能準備反映共同特徵和多樣性差異的訓練數據// 53
使用開發環境進行數據學習的流程// 55
注意過度擬合// 59

第3章目標精度的實際評估和利用
從危險駕駛分類中了解自動駕駛的問題// 66
AI給生產力帶來的提升效果// 71
交通標誌與AI的匹配和RFID化也是必要的// 73
精度目標的設定和預算是“雞與蛋”的問題// 79
自動駕駛需要用各種觀點進行綜合評估// 81
特斯拉汽車為何發生車禍// 82
結合預期值評估服務質量非常重要// 85
設計業務流程時的混淆矩陣很重要// 89
用附有概率值的判定結果將分支條件精細化// 93
根據置信度對處理結果進行場景分類// 96
為每個樣本或醫療機構設置最佳精度// 98
對AI糾錯的意義// 101
如何評估聊天機器人的準確性// 103
用“對話成立度”對精度進行定量評估// 107
參考信息技術架構庫改善業務流程// 109
讓AI學習特殊情況下的數據// 112

第4章AI部署的實例
企業的數字化// 116
將AI API化後公開// 118
AI部署的戰略以及企業內部體制// 120
製作樣本數據時的注意點// 125
標註人員進行的標註工作// 127
增加相互之間只有少許差異的樣本數據// 129
深度學習的引入需要耐心// 132
描繪實際運行整體系統的結構// 135
GPU的挑選:目前NVIDIA是唯一選擇// 138
硬件的選擇:性能要超過十幾年前最先進的超級計算機// 142
主內存要注意主內存容量// 143
GPU雲服務也是一種選擇/ / 151
深度學習的機制是多種多樣的// 154
主流深度學習框架的特點和選擇// 156
多種類型的網絡結構該如何進行選擇// 160
編程語言幾乎只有Python一種選擇// 160
利用現成AI資源的意識// 162
將完成後的AI應用程序化、API化// 164
將API向世界公開// 166
爭取各種安全措施保護隱私// 167
以眼還眼,以AI對AI / / 169
保護AI開發企業的防盜版措施// 171
主動公開部分源代碼的交付方法// 173

第5章AI部署人才應具備的技能
用戶企業如何獲得AI人才// 177
用戶企業的管理人員應掌握的心得// 178
AI時代需要我們具備福爾摩斯般的思考能力// 179
AI人員所需的資格和專業領域// 180
舊知識可能成為絆腳石// 183
樣本數據的準備成為開發工作的核心// 184
在API經濟中擅長混聚開發的人才更重要// 186
AI人員的溝通能力不可或缺// 187
知識會迅速過時// 189
從知識勞動到智能勞動// 191
知識將可以無償獲得// 193
思考人類與AI的角色分擔// 196
即使沒有大數據,人類也可以相對準確地推斷// 199
實現不同專家合作的“配對需求開發” // 203
推動AI項目的關鍵人才// 205
熟練工藝移植給AI後的產業空心化對策// 208

第6章將AI用於商業用途時需注意的問題
大數據越來越重要// 213
利用AI防止人類被數據牽制// 214
AI的知識獲取瓶頸// 216
數據準備和增值更要活用AI // 219
準備和收集樣本數據時的要點// 222
AI在日本的應用前景廣闊// 224
與人類相同的服務員AI會出現嗎// 226
人文和哲學對於AI研究人員來說非常重要// 230
基本收入製度無法解決問題// 233
將AGI作為工具使用// 234
結語// 237