1、云计算原理与实践Principles and Practice of Cloud ComputingOutline14.1初识大数据14.2 初识人工智能14.3 云计算、大数据与人工智能的D关ata 系Scie14.1 初识大数据1.大数据的发展背景2.大数据的定义3.大数据的技术14.1.1 大数据的发展背景Data Never Sleeps项目 半个世纪以来，随着计算机技术 全面融入社会生活，信息爆炸已 经积累到了一个开始引发变革的 程度。它不仅使世界充斥着比以 往更多的信息，而且其增长速度 也在加快。互联网（社交、搜索、电商）、移动互联网（微博）、物联网（传感器，智慧地球）、车联网、G
2、PS、医学影像、安全 监控、金融（银行、股市、保险）、电信（通话、短信）都在 不断产生着新数据14.1.2 大数据的定义大数据的一种4V定义大数据到底有哪些关键与本质 的特征，我们总结了如下四个 特征：多维度：特征维度多 完备性：全面性，全局数据 关联性：数据间的关联性 不确定性：数据的真实性难 以确定，噪音干扰严重多维度数据的多维度往往代表了一个事物的多种属性，很多时候也代表 了人们看待一个事物的不同角度，这是大数据的一个本质特征之一百度曾经发布过一个有趣的统计结果：中国十大“吃货”省市 排行榜。百度在没有做任何问卷调查和深入研究的情况下，只是 从“百度知道”的7700万条与吃有关的问题中，
3、挖掘出一些结论，反而比很多的学术研究更能反映问题。百度了解的数据维度很多，不仅涉及食物的做法、吃法、成分、营养价值、价格、问题来源地、时间等显性维度，而且还蕴藏着很多别人不太注意的隐含信息，例 如，提问或回答者的终端设备、浏览器类型等。虽然这些信息看上 去“杂乱无章”，但实际上正是这些杂乱无章的数据将原来看似无 关的维度联系起来了完备性大数据的完备性，或者说全面性，代表了大数据的另外一个本质 特征，而且在很多问题场景下是非常有效的Google的机器翻译系统就是利用了大数据的完备性。它通过数据 学到了不同语言之间长句子成分的对应，然后直接把一种语言翻译 成另一类。它的前提条件就是使用的数据必须是
4、比较全面地覆盖中 文、英文，以及其他的各种语言的所有句子，然后通过机器学习，获得两种语言之间各种说法的翻译方法，也就是说具备两种语言之 间翻译的完备性。目前，Google是互联网数据的最大拥有者，随着 人类活动与互联网的密不可分，Google所能积累的大数据将会越来 越完备，它的机器翻译系统也就越来越准确关联性大数据研究不同于传统的逻辑推理研究，它是对数量巨大的数据 做统计性的搜索、比较、聚类、分类等分析归纳，因此继承了统计 科学的一些特点统计学关注数据的关联性或相关性，“关联性”是指两个或两个 以上变量的取值之间存在某种规律性。“相关分析”的目的是找出 数据集里隐藏的相互关系网，一般用支持度
5、、可信度、兴趣度等参 数反映相关性两个数据A和B有相关性，只能反映A和B在取值时相互有影响，并 不是一定存在有A就一定有B，或者反过来有B就一定有A的情况。严格地讲，统计学无法检验逻辑上的因果关系不确定性大数据的不确定性最根本的原因是我们的这个世界是不确定的，当然也有技术的不成熟、人为的失误等因素总之，大数据往往不准确并充满噪音。即便如此，由于大数据的 体量大、维度多、关联性强等特征，使得大数据相对于传统数据有 着很大的优势，使得我们能够用不确定的眼光看待世界，再用信息 来消除这种不确定性。当然，提高大数据的质量，消除大数据的噪 音是开发和利用大数据的一个永恒话题大数据的其他一些特征体量大：4
6、V中的Volume；类型多：结构化、半结构化和非结构化；来源广：数据来源广泛；及时性：4V中的Velocity；积累久：长期积累与存储；在线性：随时能调用和计算；价值密度低：大量数据中真正有价值的少；最终价值大：最终带来的价值大14.1.3 大数据的技术Hadoop的发展历程总而言之，大数据技术有如下几点趋势：Hadoop、Spark这类分布式处理系统已经成为大数据处理各环节的通用处理方 法，并进一步构成生态圈结构化大数据与非结构化大数据处理平台将逐渐融合与统一，用户不必为每 类数据单独构建大数据平台MapReduce将逐渐被淘汰，被Spark这类高性能内存计算模式取代，同时 Hadoop的H
7、DFS将继续向前发展，并将成为大数据存储的标准传统的SQL技术将在大数据时代继续发扬光大，在SQL on Hadoop/Spark的技 术支持下，SQL将成为大数据时代的“霸主”，同时，NoSQL会起到辅助和补 充作用以SQL、Hadoop/Spark为核心的大数据系统成为新一代数据仓库的关键技术，将挑战传统数据库市场，并将逐步代替传统的数据仓库大数据软件栈大数据软件栈 存储引擎层：主要包括分布式文件系统、分布式大表、搜索引擎、分 布式缓存和消息队列、分布式协作服务 资源框架层：YARN、Mesos和Kubernetes三者之间存在类似于演变的关 系，YARN和Mesos都借鉴了Google的
8、Borg和Omega；未来基于容器技术 的资源管理框架Kubernetes将有可能取代前两者 通用计算引擎层：其中MapReduce和Tez技术将逐渐退出舞台，Spark将 成为主流的通用计算引擎，如星环的引擎已经全面采用Spark技术 领域级引擎层：SQL批处理、交互式分析、实时数据库、数据挖掘和机 器学习、深度学习、图分析引擎、流处理引擎 分析管理工具层：主要包括ETL数据装载工具、Workfolow工作流开发 工具、数据质量管理工具、可视化报表工具、机器学习建模工具、统 计挖掘开发工具和资源管理工具大数据生态圈大数据已经围绕Hadoop和Spark技术形成了一个巨大的生态圈14.2 初识
9、人工智能1.人工智能的历史及概念2.人工智能的特征与参考框架3.人工智能的发展趋势14.2.1 人工智能的历史及概念人工智能发展历史 早在1950 年，Alan Turing 在计算机器与智能中就阐述了对人工智能的思考 1959年，Arthur Samuel首次提出了机器学习，机器学习将传统的制造智能演化为通过学习 能力来获取智能，推动人工智能进入了第一次繁荣期 20世纪80年代中期，随着美国、日本立项支持人工智能研究，以及以知识工程为主导的机 器学习方法的发展，具有更强可视化效果的决策树模型和突破早期感知机局限的多层人工 神经网络出现，人工智能又一次进入繁荣期 1997年，IBM开发的深蓝（
10、Deep Blue）战胜国际象棋世界冠军卡斯帕罗夫。这是一次具有 里程碑意义的成功，它代表了基于规则的人工智能的胜利 2006年，在Hinton 和他的学生的推动下，深度学习开始备受关注，为后来人工智能的发展 产生了重大影响2011年，BM Waston在综艺节目危险边缘中战胜了最高奖金得主和连胜纪录保持者 2012年，谷歌大脑通过模仿人类大脑在没有人类指导的情况下，利用非监督深度学习方法 从大量视频中成功学习到识别出一只猫2014年，微软公司推出了一款实时口译系统，可以模仿说话者的声音并保留其口音2016 年，谷歌AlphaGo 机器人在围棋比赛中击败了世界冠军李世石 2017 年，苹果公司
11、在原来个人助理Siri的基础上推出了智能私人助理Siri和智能音响 HomePod14.2.2 人工智能的特征与参考框架（1）人工智能的特征由人类设计，为人类服务，本质为计算，基础为数据能感知环境，能产生反应，能与人交互，能与人互补有适应特性，有学习能力，有演化迭代，有连接扩展（2）人工智能参考框架人工智能参考框架图人工智能系统主要由基础设施提供者、信息提供者、信息处理者和系统协调者四 个角色组成。此外，人工智能系统还有其他非常重要的框架构件：安全、隐私、伦理和管理 基础设施提供者：基础设施提供者为人工智能系统提供计算能力支持，实现 与外部世界的沟通，并通过基础平台实现支撑 信息提供者：在人工
12、智能领域，信息提供者是智能信息的来源。通过知识信 息感知过程由数据提供商提供智能感知信息，包括原始数据资源和数据集 信息处理者：人工智能领域中，信息处理者是指技术和服务提供商。信息处 理者的主要活动包括智能信息表示与形成、智能推理、智能决策及智能执行 与输出 系统协调者：系统协调者提供人工智能系统必须满足的整体要求，包括政策、法律、资源和业务需求，以及为确保系统符合这些需求而进行的监控和审计 活动 安全、隐私和伦理：安全、隐私和伦理覆盖了人工智能领域的其 他四 个主要角色，对每个角色都有重要的影响。同时，安全、隐私和伦理处于管理角色的覆盖范围之内，与全部角色和活动都 建立了相关联系 管理：管理
13、角色承担系统管理活动，包括软件调配、资源管理等 工作，管理的功能是监视各种资源的运行状况，应对出现的性能 或故障事件，使得各系统组件透明且可观 智能产品及行业应用：智能产品及行业应用指人工智能系统的产 品和应用，是对人工智能整体解决方案的封装，将智能信息决策 产品化，进而实现落地应用14.2.3人工智能的发展趋势人工智能技术的发展历程人工智能技术的应用领域技术类别场景描述应用领域视频图像识别人脸识别、车牌识别、动作识别等主要用于安防和安保；发票识别、财财务报表识别等主要用于影像数据结构化医疗影像分析辅助诊断自然语言理解與情分析、智能投研预则性分析、风险分析聊天机器人、智能客服自动化部分简单的客
14、服应答文本数据结构化自动化校对，减少人工审核人工智能技术的应用领域技术类别场景描述应用领域语音处理机器翻译.语文-文本转换呼叫中心客户问题分析机器学习和深度学习精准营销精准广告，交叉销售ACRM客户全生命周期管理提升客户体验，留住高净值客户，获取新客户市场/需求预测预测销量、库存等反欺诈/实时风险分析交易风险、经营风险分析智能投顾根据宏观经济指标、各类事件信息做出预测智能运维、故障预测根据设备/软件状态，预测故障发生监管审计经营风险分析机器人自动驾驶、无人机.AI发展趋势AI in ProductionAI从一门科学开始转变成一个系统或产品，一句话，AI需要 产品化，也必将产品化。随着机器学习
15、和深度学习算法的不断成熟，需要将AI打造成产品和系统，并在各个领域寻找Killer Applications。但是深度学习仍然面临着很大挑战，需要强大的计 算能力（需要大量CPU、GPU、FPGA/ASIC的混合计算能力，以及分 布式计算能力），需要大量样本和数据，甚至需要大量人工来制作 样本（以传递知识给机器）AI发展趋势AI for everyone机器学习工具需要更加易用化，更普及，让更多普通人能够 使用。目前的一个重要趋势，是使用深度学习技术，来提升AI工具 的智能化程度，包括自动建模，自动寻找最优参数，特征工程半自 动化等，使整个机器学习过程更加智能化/自动化。现在所有的机 器学习工
16、具厂商都开始往这个方向努力，例如，DataRobot一直在 宣传自动建模（Auto-Modeling）的优势，Google的Li Feifei团队 发布的AutoML，可以让普通人也可以用这个工具来创建计算机视觉 相关的应用AI发展趋势AI in everywhereAI算法虽然是核心，但也只是整个系统的一部分，它本身不 能形成独立的产品，更多地是需要将算法应用到各个应用领域中，赋能各个行业，以发挥算法的价值。目前各个行业、领域，都在积 极地尝试利用AI来赋能已有的产品或应用，以提高现有产品或服务 的智能化水平14.3 云计算、大数据与人工智能的关系云计算、大数据与人工智能大数据，事实上从属于
17、云计算，是云 计算的应用。没有云计算，大数据就 是空中楼阁大数据也成就了云计算，没有了大数 据的云计算将会变得无的放矢云计算、大数据和人工智能之间并不 是“谁取代谁”的竞争关系，而是“谁成就谁”的辅佐关系14.3.1 云计算与大数据的融合DCOS的层次结构为数据中心开发出高效可靠的操作系统Data Center Operation System（DCOS）必定是未来趋势平台服务层负责按照需求动态地创建 分布式服务（如HDFS、HBase等），部 署传统应用操作系统内置服务提供DCOS的必备功 能，例如，集群扩容减配、服务发现、流量计费等操作系统内核负责管理存储器、文件、外设和资源，便于创建和部
18、署容器、虚拟机或集群等物理资源14.3.2 云计算与人工智能的融合 AI的兴起，是云计算、大数据演进和成熟的必然结果。AI的核心 不仅仅是算法，更是学习，尤其是在大数据环境下充分发挥大数 据碎片化认知的优势，降低认知难度，最终实现“数据有价值”的人工智能。打个形象的比喻，如果说云计算是大数据的土壤，那么大数据就是AI生长所需要的水分和肥料，而AI就是最终在云 计算和大数据的呵护下盛开的花朵。AI作为一个交叉学科始于20 世纪50年代，除了离不开计算机、模式识别技术外，还涉及复杂 的脑科学、认知科学乃至哲学等诸多领域，但它自诞生后一直处 于缓慢前行的状态，直到遇见了云计算和大数据才出现了质的飞 跃
