人工智能

让计算机拥有一双眼睛,人工智能科学家已经努力了半个世纪

最近斯坦福大学一篇论文《Deep neural networks are more accurate than humans at detecting sexual orientation from facial images》一出,舆论哗然,该论文研究指出,计算机算法可以从面相判断一个人的性取向,引发了对隐私、道德、伦理问题的争议。然而回过头去看,这原本是一个卷积神经网络应用的技术文章,在人工智能领域,它是图像识别和机器人视觉的核心部分。

图像识别技术,是人工智能道路上的一座高峰,如今你可以看到包括个人相册图片管理、刷脸解锁手机、刷脸上班打卡等广泛应用。你一定好奇,图像识别是什么?如何让机器理解一张图甚至一个动态的生物?背后又用到了哪些技术?

今天,我们就从源头挖一挖图像识别的概念、技术和应用。

什么是“图像识别”?

从概念来看,图像识别是指利用计算机对图像进行处理、分析和理解,以识别不同模式的目标和对像(人物、场景、位置、物体、动作等)的技术。

而图像识别算法一般采用机器学习方法,模拟人脑看图,随后计算机依靠大量的数据,理解图像,最后建立相关的标签和类别。整个识别过程的核心,就是神经网络,经过优胜劣汰,目前已经发展到卷积神经网络(CNN或ConvNets)。

人工智能在医疗产业的五大应用场景及典型案例

近年来,智能医疗在国内外的发展热度不断提升。有人提出,“尽管安防和智能投顾最为火热,但AI在医疗领域可能会率先落地。”一方面,图像识别、深度学习、神经网络等关键技术的突破带来了人工智能技术新一轮的发展。大大推动了以数据密集、知识密集、脑力劳动密集为特征的医疗产业与人工智能的深度融合。

另一方面,随着社会进步和人们健康意识的觉醒,人口老龄化问题的不断加剧,人们对于提升医疗技术、延长人类寿命、增强健康的需求也更加急迫。而实践中却存在着医疗资源分配不均,药物研制周期长、费用高,以及医务人员培养成本过高等问题。 对于医疗进步的现实需求极大地刺激了以人工智能技术推动医疗产业变革升级浪潮的兴起。

智能医疗的主要应用场景

从全球创业公司实践的情况来看,智能医疗的具体应用包括洞察与风险管理、医学研究、医学影像与诊断、生活方式管理与监督、精神健康、护理、急救室与医院管理、药物挖掘、虚拟助理、可穿戴设备以及其他。总结来看,目前人工智能技术在医疗领域的应用主要集中于以下五个领域:

(一)医疗机器人
机器人技术在医疗领域的应用并不少见,比如智能假肢、外骨骼和辅助设备等技术修复人类受损身体,医疗保健机器人辅助医护人员的工作等 。目前实践中的医疗机器人主要有两种:

未来即将“触脸可及”,人脸识别技术大揭秘!

今天,我们将从技术专家给出的流程图切入,对“你最像哪位明星?”这张小应用对比照背后的基本流程与算法做解析。

未来即将“触脸可及”,人脸识别技术大揭秘!
“你最像哪位明星?”对比照

未来即将“触脸可及”,人脸识别技术大揭秘!
图1:人脸技术的基本流程

如图 1 所示,用户在应用中输入一张图像(例如:特朗普的图像),人脸识别的基本流程如下:
• 通过人脸检测技术,找到输入图像中的人脸位置。
• 关键点定位技术,将人脸中的关键点位置找到,例如:眼睛、鼻子、嘴巴以及轮廓上的关键点。

人工智能有望助力精准医疗

随着计算机的不断发展,医学影像的精度、密度等数据信息量会越来越大,生物标本库和生物组学信息的数据也在快速增长,数据的存储甚至人工的智能判读成为重要问题。

精准医疗,就是要克服千人一方、万人一药的瓶颈问题,根据患者个体的遗传基因特征,量体裁衣式地制定具有个性化的治疗方案。然而,随着生物数据的爆炸式增长,更多的挑战出现在了计算技术领域。

“我们已经进入了一个医学数据大规模整合的时代,要参考基因组学、微生物组、环境、行为、临床检验等各种信息,这个整合就导致数据量出现指数级的增长。”中国国家罕见病注册系统执行总监弓孟春在2017人工智能计算大会上表示,现在精准医疗的知识体系已经超过医生个人承载的范围,知识更新的速度也超出了传统医学教育系统处理的能力。

而人工智能最大的优势就是其碾压性的计算能力,医疗若想更精准,急需人工智能前来救场。

“胖数据”待“瘦身”

“现在病人会拿着基因测序的报告问你,糖尿病会不会遗传给孩子、会不会很早就得眼底病变、会不会很快出现心血管病变、是不是应该用胰岛素、应该先吃什么药、运动会不会对我有效……”精准医疗普及的同时也给医生提出了很多难题,弓孟春就遇到过很多问题不断的病人,这些问题已经远远超出医生原来数据搜集的范围。

代码之外,我们能在多大程度上信任人工智能呢

关于人工智能(AI)这个相当过时的概念,最近引起了大量的讨论。人工智能充斥着我们的生活,涉及了无数的应用程序,从谷歌搜索,到Uber或Lyft打车软件,到机票价格,到智能助手Alexa。对一些人来说,人工智能是一种拯救,它会提高生活质量,同时在众多成熟的行业中注入创新元素。

然而,另一些人则发出了可怕的警告:我们很快就会完全被高超的机器智能所征服。人工智能是典型的软件主导,而软件是容易出现漏洞的。考虑到这一点,我们如何知道人工智能本身是足够可靠去完成工作的?或者更确切地说,我们对于人工智能的成果能够信任到什么程度?

盲目信任的风险

我们来讨论一下自动驾驶汽车。汽车自动驾驶系统的发展中,人工智能的元素发挥了很大的作用。现在制造出了大部分时间都遵守道路规则的车辆。这里有一个案例,一辆自动驾驶汽车在佛罗里达州侧面撞上一辆转弯的卡车,导致“司机”死亡。这起事故最终被归咎于“司机”的失误,因为自动控制装置被认为是在他们的设计范围内运行的。当时的躲避系统设计要求雷达和视觉系统的结果达成一致后做出闪避的动作。

人工智能和大数据的开发过程中需要注意这12点

人工智能是近年来科技发展的重要方向,在大数据时代,对数据采集、挖掘、应用的技术越来越受到瞩目。在人工智能和大数据的开发过程中,有哪些特别需要注意的要点?

人工智能领域的算法大师、华盛顿大学教授Pedro Domingos对此进行了深入思考。

在我们新近翻译的《智能Web算法》(第2版)中,对Pedro Domingos教授的观点进行了高度的概括,提炼出12个注意点,为行业开发实践提供了重要参考:

注意点1:你的数据未必可靠

在实际应用中,有很多各种各样的原因会导致你的数据是不可靠的。因此,当你将数据用于解决问题前,必须经常留心来检查数据是否值得信赖。如果基于糟糕的数据来挖掘,无论多么聪明的人也永远只会获得糟糕的结果。下面列举了一些常见的可导致数据可靠性问题的因素:

用于开发的数据,往往和实际情况下的数据分布不同。例如也许你想把用户按照身高划分为“高”、“中等”、“矮”三档,但如果系统开发时使用的数据集里最低用户的身高是6英尺(184cm),那么很有可能你开发出来的系统里会把一个“仅有6英尺”的用户称为“矮”用户

人工智能在医疗行业的9个落脚点,让你更懂AI

很多思想领袖认为我们正在经历第四次工业革命。这次工业革命融合了物理世界、数字世界和生物世界,将影响所有学科、经济体和产业,甚至挑战“人类”的定义。

医疗行业是这场革命的主要领域,而导致医疗行业变革的主要催化剂就是AI(人工智能)。

大数据和人工智能将革新我们的生活

随着数字容量的扩展,越来越多的数据被产生并存储在数字空间中。可用数据量正在以每两年翻一番的惊人速度增长。2013年,可用数据量为4.4千兆字节,但到2020年,每年创建和复制的数据将达到44千兆字节!

通常,我们通过建立系统的规则和流程来了解我们周围的世界。但大数据世界对我们而言过于巨大了,我们需要人工智能来帮我们了解它。

我们目前还没有实现真正的人工智能,但它已经蓄势待发,准备潜入我们的生活。在我们的车里,在谷歌搜索中,在亚马逊推荐里,以及许多其他设备上,狭义的AI早就出现了。苹果的Siri,微软的Cortana,Google的OKGoogle以及亚马逊的Echo,都是极好的AI,它们使用自然语言处理技术,从对话中提取出问题,然后执行一些事情,比如寻找餐厅,获得行车路线,找一个开放的会议室,或者进行简单的网页搜索。

人工智能、数据挖掘、机器学习和深度学习的关系

一、人工智能

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括语音识别、图像识别、机器人、自然语言处理、智能搜索和专家系统等。

人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也有可能超过人的智能。

二、数据挖掘

数据挖掘(Data Mining),顾名思义就是从海量数据中“挖掘”隐藏信息,按照教科书的说法,这里的数据是“大量的、不完全的、有噪声的、模糊的、随机的实际应用数据”,信息指的是“隐含的、规律性的、人们事先未知的、但又是潜在有用的并且最终可理解的信息和知识”。在商业环境中,企业希望让存放在数据库中的数据能“说话”,支持决策。所以,数据挖掘更偏向应用。

数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。

三、机器学习

给人工智能降点温:深度学习不是万能良药

近几年,深度学习已经进入一定程度的狂热状态,人们正试图用这个技术解决每一个问题。然而,深度学习真是万能的吗?阅读此文后,你便能够从深层理解为什么深度学习并不是想象的那般“神话”了。

写在前面

近日,在深度学习领域出现了一场热烈的争论。这一切都要从 Jeff Leek 在 Simply Stats 上发表了一篇题为《数据量不够大,别玩深度学习》(Don’t use deep learning your data isn’t that big)的博文开始。作者 Jeff Leek 在这篇博文中指出,当样本数据集很小时(这种情况在生物信息领域很常见),即使有一些层和隐藏单元,具有较少参数的线性模型的表现是优于深度网络的。为了证明自己的论点,Leek 举了一个基于 MNIST 数据库进行图像识别的例子,分辨 0 或者 1。他还表示,当在一个使用仅仅 80 个样本的 MNIST 数据集中进行 0 和 1 的分类时,一个简单的线性预测器(逻辑回归)要比深度神经网络的预测准确度更高。

人工智能型网络攻击即将到来对未来网络安全意味着什么?

下一波重大网络攻击很可能涉及人工智能系统,而且攻击活动可能将很快发生:在最近召开的一次网络安全会议上,100位受访行业专家中的62位认为,首轮AI强化型网络攻击很可能在接下来12个月内出现。

这并不是说机器人将很快成为网络攻击活动中的主体。相反,人工智能将继续遵循现有网络攻击的套路(例如身份窃取、拒绝服务攻击以及密码破解),只是具备更为强大的能力与执行效率。但凭这一点,足以造成经济损失、情感伤害甚至人身威胁等危险后果。规模更大的攻击活动甚至有可能导致数十万人陷入无电可用的境地,关闭医院甚至影响到国家安全。

AI决策制定的研究者警告称,AI仍然很难解释人类行为,而人类也并不真正相信AI系统作出的重大决策。因此与电影桥段有所不同,AI能够为网络攻击以及网络防御带来的并非由计算机选定目标并自动施以攻击。人们仍然需要自行创建AI攻击系统,并设定特定目标再将其启动。但尽管如此,AI的介入仍然会进一步升级目前的网络犯罪与网络安全体系,进而成为攻击者与防御者之间军备竞赛的核心支柱之一。

AI的优势

除了不需要进食与休息之外,计算机相较于人类黑客团队还拥有另一大根本性优势,以自动化方式提升复杂攻击的速度与执行效率。

同步内容
--电子创新网--
粤ICP备12070055号