编辑推荐

null

内容简介

当人们听说“AI的进化将剥夺人类的就业机会”时，出于对机器的担忧和反感，他们就会产生逆反心理，从而造成对AI能力的过高预估；另一方面，当这种过高的期待没有实现时，人们就会产生对AI的全面否定，如“AI什么也干不了”“到头来还不是一无是处、毫无意义”。我们该如何澄清关于AI的各种误解，使企业能够从容自如地使用AI？ 本书作者野村直之30多年来一直致力于AI的开发、应用和部署。在本书中，他针对已经参与或即将参与Al系统相关工作的读者揭示了诸多为了充分应用AI系统需要掌握的要点。 ·AI的现状。目前的AI都是辅助性工具，“强AI”还无法在21世纪内诞生。 ·AI的核心技术——深度学习。AI应用落地的关键在于目标精度的评测与活用，通过使用精确率和召回率两个指标，来准备良好的样本数据。 ·样本数据的制作。通过短周期原型开发评估目标精度，加之专业人士的参与，同时使用高性能的GPU硬件。 ·AI部署人才应具备的技能。AI时代的人才需要福尔摩斯般的思考能力，不仅要善于发现问题，打破现有局面，还要为解决问题设定目标，完成从“知识劳动”到“智能劳动”的转变。

目 录

第1章 当今AI的功能与局限 关于AI常见的误解 利用大数据的围棋AI 如何有效运用“幼儿智能” 思考能够使用图像识别技术的商业领域 深度学习是“原始数据计算” 通过三个数轴对AI进行分类 深度学习是如何提取特征的 “模式识别”：AI的眼睛和耳朵 使用深度学习的机器翻译能够获得压倒性胜利的原因 “强AI”的出现至少要到22世纪吗 指数函数的恐怖 知识量的增加至多是二次曲线级 充分运用深度学习的必要性 深度学习与其他方式的结合也很有价值 第2章 使用深度学习的基本流程 在AI应用中不可或缺的目标设定 分享评测数据使其可以共用 作为精度指标的“精确率”和“召回率” 作为前提的正确结果不止一个 不同场景中对精确率和召回率的重视程度不同 业余和专业所需的精度是不同的 深度学习的准确性评估测试非常简单 能准备反映共同特征和多样性差异的训练数据 使用开发环境进行数据学习的流程 注意过度拟合 第3章 目标精度的实际评估和利用 从危险驾驶分类中了解自动驾驶的问题 AI给生产力带来的提升效果 交通标志与AI的匹配和RFID化也是必要的 精度目标的设定和预算是“鸡与蛋”的问题 自动驾驶需要用各种观点进行综合评估 特斯拉汽车为何发生车祸 结合预期值评估服务质量非常重要 设计业务流程时的混淆矩阵很重要 用附有概率值的判定结果将分支条件精细化 根据置信度对处理结果进行场景分类 为每个样本或医疗机构设置最佳精度 对AI纠错的意义 如何评估聊天机器人的准确性 用“对话成立度”对精度进行定量评估 参考信息技术架构库改善业务流程 让AI学习特殊情况下的数据 第4章 AI部署的实例 企业的数字化 将AI API化后公开 AI部署的战略以及企业内部体制 制作样本数据时的注意点 标注人员进行的标注工作 增加相互之间只有少许差异的样本数据 深度学习的引入需要耐心 描绘实际运行整体系统的结构 GPU的挑选：目前NVIDIA是唯一选择 硬件的选择：性能要超过十几年前最先进的超级计算机 主内存要注意主内存容量 GPU云服务也是一种选择 深度学习的机制是多种多样的 主流深度学习框架的特点和选择 多种类型的网络结构该如何进行选择 编程语言几乎只有Python一种选择 利用现成AI资源的意识 将完成后的AJ应用程序化、API化 将API向世界公开 争取各种安全措施保护隐私 以眼还眼，以AI对AI 保护AI开发企业的防盗版措施 主动公开部分源代码的交付方法 第5章 AI部署人才应具备的技能 用户企业如何获得A1人才 用户企业的管理人员应掌握的心得 AI时代需要我们具备福尔摩斯般的思考能力 A1人员所需的资格和专业领域 旧知识可能成为绊脚石 样本数据的准备成为开发工作的核心 在API经济中擅长混聚开发的人才更重要 A1人员的沟通能力不可或缺 知识会迅速过时 从知识劳动到智能劳动 知识将可以无偿获得 思考人类与AI的角色分担 即使没有大数据，人类也可以相对准确地推断 实现不同专家合作的“配对需求开发” 推动AI项目的关键人才 熟练工艺移植给AI后的产业空心化对策 第6章 将AI用于商业用途时需注意的问题 大数据越来越重要 利用AI防止人类被数据牵制 AI的知识获取瓶颈 数据准备和增值更要活用AI 准备和收集样本数据时的要点 AI在日本的应用前景广阔 与人类相同的服务员AI会出现吗 人文和哲学对于AI研究人员来说非常重要 基本收入制度无法解决问题 将AGI作为工具使用 结语

媒体评论

null