Artificial intelligence

来自开放百科 - 灰狐
(版本间的差异)
跳转到: 导航, 搜索
(链接)
(文档)
 
(未显示1个用户的2个中间版本)
第71行: 第71行:
  
 
==文档==
 
==文档==
 +
*[https://fm.csl.sri.com/SSFT22/NuSCI-June2022-SS22.pdf Building Trustworthy, Resilient and Interpretable AI] 构建可信的、有弹性的和可解释的人工智能
 +
本教程将讨论通过将为自动推理开发的符号方法与深度学习模型相结合来构建可信赖的、有弹性的、可解释的人工智能模型的方法。人工智能和机器学习在系统中的应用越来越多,包括安全关键系统,因此迫切需要开发可扩展的技术,用于建立对其安全行为的信任,对对抗性攻击的弹性,以及可解释性以实现人类审计(human audits)。该教程包括三个部分:回顾形式化方法和机器学习文献中的可信深度学习技术,总结关键挑战和开放的研究问题,以及概述SRI正在开发的TRINITY-AI系统,以解决其中的一些挑战。
 
*[http://docs.huihoo.com/deep-learning/Learning-Deep-Architectures-for-AI.pdf Learning Deep Architectures for AI]
 
*[http://docs.huihoo.com/deep-learning/Learning-Deep-Architectures-for-AI.pdf Learning Deep Architectures for AI]
 
*[http://docs.huihoo.com/infoq/qconbeijing/2015/day1/%e4%b8%80%e4%b8%aaGoogle%e7%b3%bb%e7%9a%84%e5%88%9b%e4%b8%9a%e5%85%ac%e5%8f%b8%e5%a6%82%e4%bd%95%e5%9c%a8%e4%b8%ad%e5%9b%bd%e5%81%9a%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd.pdf 一个Google系的创业公司如何在中国做人工智能]
 
*[http://docs.huihoo.com/infoq/qconbeijing/2015/day1/%e4%b8%80%e4%b8%aaGoogle%e7%b3%bb%e7%9a%84%e5%88%9b%e4%b8%9a%e5%85%ac%e5%8f%b8%e5%a6%82%e4%bd%95%e5%9c%a8%e4%b8%ad%e5%9b%bd%e5%81%9a%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd.pdf 一个Google系的创业公司如何在中国做人工智能]
第94行: 第96行:
 
image:Acumos-AI-Platform.png|Acumos AI
 
image:Acumos-AI-Platform.png|Acumos AI
 
image:Mindsdb.png|MindsDB
 
image:Mindsdb.png|MindsDB
 +
image:HPC-AI.jpg|HPC AI
 
</gallery>
 
</gallery>
  

2022年10月13日 (四) 03:01的最后版本

Wikipedia-35x35.png 您可以在Wikipedia上了解到此条目的英文信息 Artificial intelligence Thanks, Wikipedia.

人工智能 Artificial Intelligence

AI

目录

[编辑] 简介

AI的核心问题包括推理,知识,规划,学习,交流,感知,移动和操作物体的能力等。

机器学习是人工智能研究领域中的一个极其重要的方向。

何为机器学习?

[编辑] 新闻

[编辑] 领域

[编辑] 行业细分

  • 深度学习/机器学习(通用):这类公司主要建立可依靠现存数据进行学习的算法。典型例子包括预测数据模型与分析行为数据的软件平台。
  • 深度学习/机器学习(应用):这类公司同样使用计算机算法,但却是基于非常垂直的特殊案例中存在的数据运行。典型例子有利用机器学习技术侦查金融诈骗或者识别最好的销售线索。
  • 自然语言处理(通用):此类公司构建的算法能够处理输入的自然语言,并将其转化为可理解的表达。例子包括文本自动生成以及文本挖掘生成数据。
  • 自然语言处理(语音识别):公司产品能够处理人类语音的片段,准确识别单词并推测含义。典型的例子是语音指令的检测并将其转化为可执行的数据。
  • 计算机视觉/图像识别(通用):这类公司研发的技术主要是图像处理、分析,可从中提取信息、识别图像中的物体。典型例子包括图像搜索平台和研发员使用的图像标签应用程序接口。
  • 计算机视觉/图像识别(应用):这类公司是在非常垂直的案例中使用图像处理技术。典型案例包括面部识别软件和能让用户通过拍照搜索商品的软件。
  • 手势控制:公司产品可让用户通过手势与计算机互动或交流。典型例子包括让人们通过肢体动作控制游戏角色的软件以及仅用手势就能控制计算机和电视的软件。
  • 虚拟私人助手:这是一类基于反馈和指令来为个体完成日常任务和服务的软件助理。典型例子有网络客服助理和个人助理app,管理个人日程安排等。
  • 智能机器人:可以进行经验学习并根据身边环境自主进行活动的机器人。典型例子有家庭机器人,可以在互动中根据情感做出反应,还有帮助人们找到商品的销售机器人。
  • 推荐引擎和协助过滤算法:软件能够预测用户对电影、餐厅等的偏好,并推荐个性化的内容。典型例子有音乐推荐app和基于用户过去选择进行推送的美食推荐网站。
  • 情境感知计算:软件能够自动感知周围环境以及使用背景,例如位置、方向、光度,并以此调整行为。典型例子包括感知环境的黑暗度并调高亮度的应用。
  • 语音翻译:识别人类语音并立刻自动从一种语言翻译至另一种语言的软件。典型例子是自动以及实时的将视频谈话或网络研讨会翻译为多种语言的软件。
  • 视频内容自动识别:这类软件可以将视频内容的一个样本与源内容文件相比较,通过它独特的特点识别内容。典型例子有对用户上传的视频与版权视频文件比较以侦测是否侵权的软件。

行业细分来自:Venture Scanner 15张图解人工智能行业创业与投资

[编辑] 区块链

[编辑] 项目

LF AI & Data Foundation

[编辑] 文档

本教程将讨论通过将为自动推理开发的符号方法与深度学习模型相结合来构建可信赖的、有弹性的、可解释的人工智能模型的方法。人工智能和机器学习在系统中的应用越来越多,包括安全关键系统,因此迫切需要开发可扩展的技术,用于建立对其安全行为的信任,对对抗性攻击的弹性,以及可解释性以实现人类审计(human audits)。该教程包括三个部分:回顾形式化方法和机器学习文献中的可信深度学习技术,总结关键挑战和开放的研究问题,以及概述SRI正在开发的TRINITY-AI系统,以解决其中的一些挑战。

[编辑] 视频

[编辑] 教育

[编辑] 厂商

[编辑] 图集

[编辑] 链接

分享您的观点
个人工具
名字空间

变换
操作
导航
工具箱