人工智能四要素分析

大數(shù)據(jù)：

人工智能的智能都蘊含在大數(shù)據(jù)中。

算力：

算力為人工智能提供了基本的計算能力的支撐。

算法：

算法是實現(xiàn)人工智能的根本途徑，是挖掘數(shù)據(jù)智能的有效方法。

場景：

大數(shù)據(jù)、算力、算法作為輸入，只有在實際的場景中進行輸出，才能體現(xiàn)出實際的價值。

舉個非常形象的類比：如果把炒菜作為我們的場景，那么大數(shù)據(jù)相當于炒菜需要的食材，算力就相當于炒菜需要的煤氣/電力/柴火，算法就相當于烹飪的方法和調(diào)料。

1）大數(shù)據(jù)

如今這個時代，無時無刻不在產(chǎn)生大數(shù)據(jù)。移動設備、廉價的照相機、無處不在的傳感器等等積累的數(shù)據(jù)。這些數(shù)據(jù)形式多樣化，大部分都是非結(jié)構(gòu)化數(shù)據(jù)。如果需要為人工智能算法所用，就需要進行大量的預處理過程。

2）算力

人工智能的發(fā)展對算力提出了更高的要求。以下是各種芯片的計算能力對比。其中GPU領(lǐng)先其他芯片在人工智能領(lǐng)域中用的最廣泛。GPU和CPU都擅長浮點計算，一般來說，GPU做浮點計算的能力是CPU的10倍左右。

另外深度學習加速框架通過在GPU之上進行優(yōu)化，再次提升了GPU的計算性能，有利于加速神經(jīng)網(wǎng)絡的計算。如：cuDNN具有可定制的數(shù)據(jù)布局，支持四維張量的靈活維度排序，跨步和子區(qū)域，用作所有例程的輸入和輸出。在卷積神經(jīng)網(wǎng)絡的卷積運算中實現(xiàn)了矩陣運算，同時減少了內(nèi)存，大大提升了神經(jīng)網(wǎng)絡的性能。

3）算法

主流的算法主要分為傳統(tǒng)的機器學習算法和神經(jīng)網(wǎng)絡算法。神經(jīng)網(wǎng)絡算法快速發(fā)展，近年來因為深度學習的發(fā)展到了高潮。

4）場景

人工智能經(jīng)典的應用場景包括：

1.用戶畫像分析

2.基于信用評分的風險控制

3.欺詐檢測

4.智能投顧

5.智能審核

6.智能客服機器人

7.機器翻譯

8.人臉識別
責任編輯人：CC