本文将带你了解物联网之技术流丨需要密切关注的六大人工智能领域，希望本文对大家学物联网有所帮助。

　　近段时间，有许多关于人工智能公认定义的争论。有些人认为人工智能就是“认知计算”或是“机器智能”，而另一些人则把它与“机器学习”的概念混淆了。然而，人工智能并不是特指某种技术，它实际上是一个由多门学科组成的广阔领域，包括机器人学和机器学习等。人工智能的终极目标是让机器替代人类去完成需要认知能力的任务。为了实现这一目标，机器必须自动学习掌握能力，而不仅仅是执行程序员编写的命令。
   
    　　人工智能在过去的十年里取得了令人叹为观止的进步，例如自动驾驶汽车、语音识别和语音合成。在此背景之下，人工智能这一话题越来越多地出现在同事和家人的闲谈之间，人工智能技术已经渗透到他们生活的角角落落。与此同时，流行媒体几乎每天也在报道人工智能和技术巨头们，介绍他们在人工智能领域的长期战略。一些投资者和企业家渴望了解如何从这个新领域挖掘价值，大多数人还是绞尽脑汁思考究竟人工智能会改变什么。此外，各国政府也正在努力应对自动化给社会带来的影响（如奥巴马总统的离职演讲）。
   
    　　其中，人工智能的六大领域在未来可能对数字产品和数字服务产生重要的影响。作者一一列举了这六个方向，解释了它们的重要性，目前的应用场景，并列举出正在使用的公司和研究机构。
   
            强化学习
   
      　　强化学习是一种通过实验和错误来学习的方法，它受人类学习新技能的过程启发。在典型的强化学习案例中，代理者通过观察当前所处的状态，进而采取行动使得长期奖励的结果最大化。每执行一次动作，代理者都会收到来自环境的反馈信息，因此它能判断这次动作带来的效果是积极的还是消极的。在这个过程中，代理者需要平衡根据经验寻找最佳策略和探索新策略两方面，以期实现最终的目标。
   
      　　Google的DeepMind团队在Atari游戏和围棋对抗中都运用了强化学习的技术。在真实场景中，强化学习有被用来提高Google数据中心的能源利用率。强化学习技术为这套冷却系统节省了约40%的能耗。强化学习有一个非常重要的优势，它的代理者能以低廉的代价模拟生成大量的训练数据。相比有监督的深度学习任务，这个优势非常明显，节省了一大笔人工标注数据的费用。
   
    　　应用：包括城市道路的自动驾驶；三维环境的导航；多个代理者在同样的环境中交互和学习等。
   
      　　主要研究人员：PieterAbbeel（OpenAI），DavidSilver，NandodeFreitas，RaiaHadsell（GoogleDeepMind），CarlRasmussen（Cambridge），RichSutton（Alberta），JohnShawe-Taylor（UCL）等。
   
    　　技术公司代表：GoogleDeepMind，Prowler.io，Osaro，MicroPSI，Maluuba/Microsoft，NVIDIA，Mobileye等。
   
            生成模型
   
      　　不同于用来完成分类和回归任务的判别模型，生成模型从训练样本中学到一个概率分布。通过从高维的分布中采样，生成模型输出与训练样本类似的新样本。这也意味着，若生成模型的训练数据是脸部的图像集，那么训练后得到的模型也能输出类似于脸的合成图片。细节内容可以参考IanGoodfellow的文章。他提出的生成对抗模型（GAN）的结构当下在学术界非常的火热，因为它给无监督学习提供了一种新思路。GAN结构用到了两个神经网络：一个是生成器，它负责将随机输入的噪声数据合成为新的内容（比如合成图片），另一个是判别器，负责学习真实的图片并判断生成器生成的内容是否以假乱真。对抗训练可以被认为是一类游戏，生成器必须反复学习用随机噪音数据合成有意义的内容，直到判别器无法区分合成内容的真伪。这套框架正在被扩展应用到许多数据模式和任务中。
   
    　　应用：仿真时间序列的特征（例如，在强化学习中规划任务）；超分辨率图像；从二维图像复原三维结构；小规模标注数据集的泛化；预测视频的下一帧；生成自然语言的对话内容；艺术风格迁移；语音和音乐的合成。
   
      　　技术公司代表：TwitterCortex，Adobe，Prisma，Jukedeck，Creative.ai，Gluru,Mapillary，Unbabel。
   
    　　主要研究人员：IanGoodfellow（OpenAI），YannLeCu和SoumithChintala（Facebook人工智能研究院），ShakirMohamed和A?ronvandenOord（GoogleDeepMind）等等。
   
            记忆网络
   
      　　为了让人工智能系统像人类一样能够适应各式各样的环境，它们必须持续不断地掌握新技能，并且记住如何在未来的场景中应用这些技能。传统的神经网络很难掌握一系列的学习任务。这项缺点被科学家们称作是灾难性遗忘。其中的难点在于当一个神经网络针对A任务完成训练之后，若是再训练它解决B任务，则网络模型的权重值不再适用于任务A。
   
      　　目前，有一些网络结构能够让模型具备不同程度的记忆能力。其中包括长短期记忆网络（一种递归神经网络）可以处理和预测时间序列；DeepMind团队的微神经计算机，它结合了神经网络和记忆系统，以便于从复杂的数据结构中学习；渐进式神经网络，它学习各个独立模型之间的侧向关联，从这些已有的网络模型中提取有用的特征，用来完成新的任务。
   
    　　应用：训练能够适应新环境的代理者；机器人手臂控制任务；自动驾驶车辆；时间序列预测（如金融市场、视频预测）；理解自然语言和预测下文。
   
    　　技术公司代表：GoogleDeepMind，NNaisense，SwiftKey/MicrosoftResearch。
   
      　　主要研究人员：AlexGraves，RaiaHadsell，KorayKavukcuoglu（GoogleDeepMind），JürgenSchmidhuber（IDSAI），GeoffreyHinton（GoogleBrain/Toronto）。
   
    　　微数据学习微模型
   
      　　一直以来深度学习模型都是需要堆积大量的训练数据才能达到最佳的效果。比如，某只参加ImageNet挑战赛的团队使用了120万张分布于1000个类别的人工标注图像训练模型。离开大规模的训练数据，深度学习模型就不会收敛到最优值，也无法在语音识别、机器翻译等复杂的任务上取得好效果。数据量需求的增长往往发生在用单个神经网络模型处理端到端的情况下，比如输入原始的语音片段，要求输出转换后的文字内容。这个过程与多个网络协同工作各处理一步中间结果不同（比如，原始语音输入→音素→词→文本输出）。如果我们想用人工智能系统解决训练数据稀缺的任务时，希望模型训练用到的样本越少越好。当训练数据集较小时，过拟合、异常值干扰、训练集和测试集分布不一致等问题都会接踵而至。另一种方法是将在其它任务上训练好的模型迁移到新的任务中，这种方法被称为是迁移学习。
   
      　　一个相关的问题是用更少的模型参数建立更小的深学习架构，而模型的效果却保持最佳。这种技术的优势在于更高效的分布式训练过程，因为训练过程中需要传输的参数减少了，并且能够方便地将模型部署在内存大小受限制的嵌入式硬件上。
   
      　　应用：训练浅层模型来模拟在大规模的已标注训练数据集上训练得到的深度网络模型；构建效果相当但参数更少的模型结构（如SqueezeNet）；机器翻译。
   
      　　技术公司代表：GeometricIntelligence/Uber，DeepScale.ai，MicrosoftResearch，CuriousAICompany，Google，BloomsburyAI。
   
      　　主要研究人员：ZoubinGhahramani（Cambridge），YoshuaBengio（Montreal），JoshTenenbaum（MIT），BrendanLake（NYU），OriolVinyals（GoogleDeepMind），SebastianRiedel（UCL）。
   
    　　学习/推理硬件
   
    　　促进人工智能发展的催化剂之一就是图形处理器（GPU）的升级，不同于CPU的顺序执行模式，GPU支持大规模的并行架构，可以同时处理多个任务。鉴于神经网络必须用大规模（且高维度）数据集训练，GPU的效率远高于CPU。这就是为什么自从2012年第一个GPU训练的神经网络模型——AlexNet公布之后，GPU已经成为名副其实的淘金铁锹。NVIDIA在2017年继续领跑行业，领先于Intel、Qualcomm、AMD和后起之秀Google。
   
      　　然而，GPU并非专为模型训练或预测而设计，它原本是用于视频游戏的图像渲染。GPU具有高精度计算的能力，却遭遇内存带宽和数据吞吐量的问题。这为Google之类的大公司和许多小型创业公司开辟了新领域，它们为高维机器学习任务设计和制造处理芯片。芯片设计的改进点包括更大的内存带宽，图计算代替了向量计算（GPU）和矢量计算（CPU），更高的计算密度，更低的能源消耗。这些改进令人感到兴奋，因为最终又反哺到使用者的身上：更快和更有效的模型训练→更好的用户体验→用户更多的使用产品→收集更大的数据集→通过优化模型提高产品的性能。因此，那些训练和部署模型更快的系统占据显著的优势。
   
    　　应用：模型的快速训练；低能耗预测运算；持续性监听物联网设备；云服务架构；自动驾驶车辆；机器人。
   
      　　技术公司代表：Graphcore，Cerebras，IsoclineEngineering，Google（TPU），NVIDIA（DGX-1），NervanaSystems（Intel），Movidius（Intel），Scortex。
     
            仿真环境
   
    　　正如之前提到，为人工智能系统准备训练数据很具有挑战性。而且，若要将人工智能系统应用到实际生活中，它必须具有适用性。因此，开发数字环境来模拟真实的物理世界和行为将为我们提供测试人工智能系统适应性的机会。这些环境给人工智能系统呈现原始像素，然后根据设定的目标而采取某些行动。在这些模拟环境中的训练可以帮助我们了解人工智能系统的学习原理，如何改进系统，也为我们提供了可以应用于真实环境的模型。
   
    　　应用：模拟驾驶；工业设计；游戏开发；智慧城市。
   
    　　技术公司代表：Improbable，Unity3D，Microsoft（Minecraft），GoogleDeepMind/Blizzard，OpenAI，Comma.ai，UnrealEngine，AmazonLumberyard。
   
    　　主要研究人员：AndreaVedaldi（Oxford）。
     
     
     
     
     
     
         

以上就介绍了物联网的相关知识，希望对物联网有兴趣的朋友有所帮助。了解更多内容，请关注职坐标人工智能之物联网频道！

延伸阅读

数据分析师培训

作为分析师而言，数据处理只是工作的基本能力，而解读数据才是真正区分初级和高阶分析师的重点。要想成为一名优秀的分析师，仅仅看数据是不够的；你需要理解它，并扩展到数字之外的商业含义。

比如：我们app的次日留存率为25%，有数据敏感性的分析师很快能判断出这个指标相比较于以往是高了还是低了？如果对数据指标的不熟悉，那么没有数据敏感性的分析师可能对这个指标毫无感觉。

在分析过程中，分析师通过在IBMi2中以Excel电子表格、Word文档或图表的形式创建结构化表示来对数据进行图式化。在这里，分析师创建了一个可视化的通话数据，以显示在两个地点发现的电话号码之间的联系-酒店和房子。

你可以继续在JD中列出任何需要的技术要求，但主要内容保持不变。任何优秀分析师的基本素质都包括数学思维、沉着冷静的能力、对细节的关注，和强大的分析能力。分析师们会谈论数字，数据表中的数字列以及SQL查询。大多数情况下，他们会考虑数据结构、对象属性、指标和参数，但分析师通常不会考虑业务问题和假设。

Mayta说，分析师和业务用户之间的合作“创造了一种学习体验，同时增强了业务流程，加快了结果的产生。如果分析师了解原始形式的数据，但不了解业务需求或得出解决方案所需的特定数据集，那么就会把大量时间浪费在沟通或者试错开发上。”

作为一个技术人员，我曾经以为数据分析师只要会写SQL，就可以做数据分析，但是随着工作年限的提高，我发现，做好数据分析的难度远高于我的想象。我从互联网上查找了一些关于“数据（商业）分析师技能要求”的文章，发现要想当好数据（商业）分析师，需要具备的能力可能远远超出技术人员的想象（如下图所示）

基本所有企业一旦有了数字化的意识，便开始招兵买马，采购数据仓库来进行数据的存储、聘请数据分析师来进行数据分析。同时我们也发现，基本每个企业在「业务-分析师-数据研发」这条链路的协作上，都会遇到需求堵塞、效率低下的问题。

新一代业务分析尚处于早期阶段，但这些工具的潜力是惊人的。他们承诺更快地为组织内的更多人提供更多更好的见解。商业智能分析师和量化专业人士仍将有重要任务要执行，但许多人将不再需要为业余数据用户提供支持和培训。负担不起数据分析师费用的中小型企业将能够以更高的精度和更清晰的洞察力分析自己的数据。对组织的分析能力至关重要的将是对数据的文化偏好、生成待分析数据的一组事务系统，以及投资和部署这些新技术的意愿。

目前，市场研究行业对于数据分析师的需求日益增多，成为数据分析师不但能够发挥研究者的专业特长，通过参加数据分析师的培训，可以不断提升自身的数据分析能力，掌握更多的数据分析技巧，更好的进行自身的职业规划，同时，依托CMRA的行业专家资源，针对行业人员在BDA数据分析领域开展系列培训项目，促进行业数据分析人员的技能提升，加强行业人才储备和培养工作。