1、人工智能简介目录 人工智能定义1 人工智能历史与现状2 现阶段人工智能本质3 人工智能应用4 人工智能与广电5人工智能定义1定义人工智能人工智能（A Artificial I Intelligence, AIAI）计算机系统的理论和发展能够执行通常需要人类智能参与的任务。 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。人工智能历史与现状21960s1970s1980s2013深度学习算法在语音和视觉识别上取得成功，进入感知智能时代。“专家系统”盛行。但是由于难以捕捉专家的隐性知识，以及建立和维护大型系统的高成本和高复杂性等的问题，人工智能技术的发展又失去了动力。
2、 展现了计算机能够实现一些一度被认为是只有人类才能完成的任务，如证明定理，解决计算问题，专家系统开始出现。但是处理不确定性问题的算法不够成熟，以及计算能力的限制，阻碍了解决更难或更多样化问题的尝试。到20世纪70年代中期 ，AI进入第一个低谷。 美国达特茅斯学院， “人工智能之父”约翰麦卡锡使用人工智能（Artificial Intelligence）这一术语 。人工智能研究开启。1990s 互联网开始出现，神经网络和遗传算法等技术得到了新的关注。 2000s2006年杰弗里辛顿提出学习生成模型的观点，“深度学习”神经网络使得人工智能性能获得突破性进展。 发展历程1960年开发了一系列示范项目
3、,第一台工业机器人、自然语言解释程序等。 1950s关键因素促进人工智能发展的几大关键性因素：摩尔定律：摩尔定律：计算能力相对于时间周期将呈指数式的上升。 大数据：大数据：人工智能技术会使用统计模型进行数据分析推理，例如图像、文本或语音。通过大数据来验证这些模型，可以使模型得到改进或者“训练”。互联网和云：互联网和云：互联网和云连接的计算设备能够提供和计算海量的数据和信息。新算法：新算法：近年来，开发出的新算法极大地提高了机器学习的性能，机器学习技术是计算机视觉等其他技术的推动者。现阶段人工智能本质3现阶段人工智能本质 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机
4、视觉、自然语言处理、推荐系统等。现阶段人工智能本质机器学习：一种实现人工智能的方法机器学习：一种实现人工智能的方法 机器学习是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。 与传统的为解决特定任务的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。机器学习传统的算法包括关联规则、决策树、聚类、贝叶斯分类、支持向量机等等。机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、分析、
5、DNADNA序列测序、语音和手写识别、战略游戏和机器人序列测序、语音和手写识别、战略游戏和机器人等领域。规则：牛肉鸡肉，购买牛肉的顾客当中也购买了鸡肉可信度是3/4。现阶段人工智能本质深度学习：一种实现机器学习的技术。深度学习：一种实现机器学习的技术。 机器学习的分支，它是试图使用包含复杂结构的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。现阶段人工智能本质对于
6、人工智能的本质，大致可以用以下三点来概括：1、 现阶段所讨论的人工智能，较大程度上都是在谈人工智能这个大概念下机器学习机器学习领域中的深度学习技术领域中的深度学习技术。2、对数据有很大的依赖性，本质上是一种基于大数据的统计分析技术。基于大数据的统计分析技术。3 3、深度学习、深度学习所能做的，简单的来说就是将信息分类信息分类。对高维度海量信息的分类还能对高维度海量信息的分类还能实现类似人类实现类似人类“识别识别”和和“预测预测”的功能。的功能。 人工智能深度学习的局限性 首先，深度学习所有的分类、识别、预测功能都是以算法为驱动，以数据为对象的统计分析系统。人类智能的增长，取决于和真实世界的感知
7、和交互。 数据对于真实世界的抽象结构所进行的模拟与映射和真实世界本身还是有很大的差距数据对于真实世界的抽象结构所进行的模拟与映射和真实世界本身还是有很大的差距。 其次，深度学习需要深度学习需要“大数据大数据”，只能应用在特定场景中，只能应用在特定场景中；而人类智能只需要人类智能只需要“小数据小数据”甚至无需甚至无需数据，可以应用于通用场景中。数据，可以应用于通用场景中。 人类智能完全可以做到离开语言、符号、数学等数据工具做到和现实世界交互，人工智能很难脱离人工智能很难脱离数据运行。数据运行。人工智能应用4人工智能有三大主要应用领域：认知自动化、认知参与、认知洞察力认知自动化、认知参与、认知洞察
8、力应用领域认知自动化认知自动化 流程自动化，认知工具开发等。已有人工智能设备自动化了那些传统上需要训练有素的人才能完成的任务。 手写和字符识别是认知自动化应用的范例，支持高强度、复杂繁琐的办公业务，以帮助企业降低风险和成本。如，如机器翻译是对文本数据的处理；使用自然语言处理和OCR（光学字符识别）技术从文档中提取关键信息。应用领域认知参与认知参与系统通过认知技术与人类建立密切交互关系。 语音识别接口，它可以执行语音指令，降低温控器或打开电视频道，如Siri。再如，接收病人入院，或推荐产品和服务，需要人工智能接触到更复杂的信息并执行数字化任务，通过学习到的认知参与人类互动。应用领域认知洞察力认知
9、洞察力 认知洞察力是指从各种数据流中提取概念和关系提取概念和关系，用来生成隐藏在大量“结构化”和“非结构化”数据中的相关答案。认知洞察力可以检测来自多个数据源数据的关键内容和相关联系，从而获得更深入和可操作的洞见。自动驾驶等。应用领域随着处理数据量的增加，观察和预测的准确性得到了提高。人工智能不仅可以深入了解了解已经发生的事情，而且还能分析分析正在发生的事情，以及预测预测接下来可能发生的事情。根据斯坦福大学主题为“2030年的人工智能与生活”的调查研究，专家预测人工智能将在以下八大领域发挥重要作用：交通交通，服务型机器人，医疗，教育，低资源社区，公众安全，就业与工作服务型机器人，医疗，教育，低
10、资源社区，公众安全，就业与工作以及娱乐产业娱乐产业。应用领域第一步：寻找人工智能所能带来价值的应用场景第一步：寻找人工智能所能带来价值的应用场景 AI在哪些方面可以做的比人类更好？组织中有哪些大量的重复工作？ 即使不用机器替代人，利用AI提高工作效率（生产力）也已经是一项普遍的需求。 人工智能的落地第二步：人工智能落地的所需要具备的必要条件第二步：人工智能落地的所需要具备的必要条件数据基础数据基础：目前人工智能高度依赖大数据，数据基础往往是决定AI项目是否能成功实施的基石。数据基础建设还未完成，则必须通过业务流程的改进将数字化的程度提高才能考虑AI解决方案。有了大数据，人工智能的落地就成功了一
11、半！团队团队：AI技术专家 - 包括数学、统计学方面的科学家，进行底层算法的研究；同时也包括传统意义上IT技术专家，能使用最新的AI算法开发技术原型以及后续的商业产品。行业专家 对于特定行业的AI解决方案，团队中需要有经验的行业专家加入。AI应用专家了解算法特性，理解行业问题，构建适合行业的技术解决方案。人工智能的落地第三步：快速验证迭代，大规模实施第三步：快速验证迭代，大规模实施 有了应用场景，完善了数据基础，搭建好团队以后，接下去要做的是基于AI的过程设计、原型验证。在确认技术原型可行的情况下，再进行迭代和最终的大规模实施。人工智能的落地 上述是人工智能落地的基本框架。在技术上由于人工智能
12、还没有完全成熟，所以在不同行业和场景中也会有各种局限性，这既是一个大的挑战，也同时是行业发展中的机遇，谁能最先将AI发展成一种“通用技术”并制定标准，就将会在这场关于未来的竞争中取得巨大的优势。人工智能与广电5场景1：节目推荐，热度排行节目推荐；关联节目推荐；用户口味节目推荐；群体喜好节目推荐（广东省广电网络、江苏有线）场景2：智能终端具备语音搜索、语音控制和预约提醒功能。用户可享受到语音查找影片、查询天气、语音关机、语音预约节目等智慧服务。（中信国安广视）场景3：智能终端实现全屋智能控制，电视+语音+客房控制结合，营造出智能迎宾，娱乐等丰富的应用场景，带来交互体验。互联网电视搭载智能语音识别
13、系统。（华数）人工智能与广电场景4：通过智能化的方法对语音中的内容进行深层次的分析,将大量的语音信息转换为数字信息存储起来,从而使查询人员可进入该系统查询各种信息，实现语音、视频素材的自动化检索。（海南广播电视总台）场景5:日常采编环节,应用智能语音识别技术来替代部分以前需要大量人工才能完成的工作 ，提升工作效率,也能保证准确性。如热线电话报料、采访等, 将输入的语音信号通过语音识别技术直接转换成稿件。 （北京电视台、海南广播电视总台等）场景6：电视制作审片过程中的政治敏感任务审查。随着人脸识别技术的推广,其在后期制作过程中的应用包括人脸检测、人脸识别、人脸对比等。 （北京电视台等）场景7：人工智能机器人进行天气播报。虚拟主播新闻播报。（东方卫视、央视）人工智能与广电End谢谢
