人工智能的应用领域
人工智能的應用領域
人工智能在我們的生活中有許多應用。就在此刻，聰明的工程師正在開發更多的人工智能應用來改善生活的各個方面。
人工智能的一個非常流行的應用是知識表示。這包括試圖復制人腦的超強能力，通過一種易于檢索和關聯的方式存儲大量信息，以便回答問題。如果我問你第一天工作時的情景，你可能記得很清楚，很可能還有美好的回憶，但你可能記不太清楚其他時間的事情了，比如工作的第15 天，除非那天發生了什么大事。我們的大腦非常擅長存儲大量上下文相關聯的信息。因此，當需要時，它可以根據上下文快速查找正確的信息并進行檢索。類似地，人工智能系統需要將大量的原始數據轉換成知識，這些知識可以與上下文一起存儲，并且很容易檢索以找到答案。這方面的一個很好的示例是IBM 的Watson，它是一臺超級計算機，能夠通過在互聯網上閱讀數百萬份文件并在內部存儲這些知識來學習。Watson 能夠利用這些知識回答問題，并在《危險邊緣》節目中擊敗人類專家。IBM還教授Watson 醫學診斷知識，以便它能夠像醫生一樣幫助開醫學處方。
IBM Watson 完勝《危險邊緣》節目冠軍
人工智能的另一個更流行、更酷的應用是在機器中建立一種感知。機器內部的計算機收集和解釋來自高級傳感器的數據，以幫助機器了解其環境。想想一輛自動駕駛汽車，它使用攝像機、激光雷達、雷達和超聲波傳感器來定位路上的物體。自動駕駛汽車配有人工智能計算機，幫助尋找路上的行人、汽車、標志和信號，并確保它們避開障礙物，遵守交通規則。圖展示了谷歌的自動駕駛汽車Waymo。
谷歌的自動駕駛汽車
人工智能還可用于戰略和規劃，在這方面，我們有智能體（smart agent），它們知道如何與現實世界中的對象交互，并實現給定的目標。目標可以是人工智能在國際象棋比賽中擊敗特級大師，或是工業智能體、機器人從亞馬遜的倉庫接收在線訂單，并以最快的方式準備貨物。
人工智能的更多應用包括推薦引擎，如亞馬遜使用的推薦引擎，它根據你的購買歷史推薦你可能感興趣的商品；又如Netflix 根據你過去看過的電影推薦你可能喜歡的電影。在線廣告是一個巨大的領域，人工智能在其中被用來理解人類活動的模式，提高產品的可見性。谷歌和Facebook自動標記朋友的照片也是通過人工智能完成的。
視頻監控是被人工智能徹底改變的另一個領域。人工智能不僅能在監控錄像中找到人，還有更多用途。人工智能能夠理解人類的表情和身體姿勢，以檢測出有疲勞、憤怒、暴力行為等跡象的人。醫院使用人工智能的攝像機來觀察病人是否壓力極大，并通知醫生。現代汽車、卡車和火車使用攝像機來檢測司機是否有壓力或昏昏欲睡，從而試圖避免事故。
最后，視頻游戲行業是最先開始采用人工智能的行業之一，并正在充分利用其最新進展。絕大多數的現代游戲有人工智能引擎為游戲制定策略，并與用戶對抗。一些現代游戲的引擎非常了不起，以至于做到了真實世界的完美再現。例如，在我最喜歡的游戲《俠盜獵車手5》中，穿越鐵路的互動非常真實。游戲中的人工智能捕捉到了各種各樣的場景，包括停止交通、信號燈閃爍、讓火車通過、打開大門恢復交通等，非常完美。使用強化學習等方法，游戲可以學習不同的策略 來采取行動，構建能與人類競爭并讓我們娛樂的智能體。
在過去的幾年里，人工智能領域真正引人注目的是機器學習，這將是本書的重點內容。機器學習就是從數據中學習，提取模式，并使用這些模式進行預測。雖然大多數人把機器學習作為人工智能的一個類別，但你會發現，現代機器學習在人工智能應用的不同領域中有著相當大的影響。事實上，你可能很難找到不含任何機器學習元素的人工智能。如果你回想一下我們討論過的不同人工智能應用，就會發現機器學習會以某種方式觸及所有這些應用。
IBM Watson 建立了一個知識庫，利用自然語言處理（機器學習的一個領域）從中學習，從而提供解決方案。自動駕駛汽車使用機器學習模型——更具體地說是深度學習模型——來處理大量非結構化數據，以提取有價值的知識，如行人、其他汽車和交通信號燈的位置。下象棋的智能體使用強化學習，這也是機器學習的一個領域。智能體試圖通過一遍又一遍地觀察國際象棋比賽來學習不同的策略，最終變得足以打敗人類。這可以和孩子如何學習玩游戲相比較，但是速度要快得多。最后，找到物品和準備訂單的機器人正在模仿10 個甚至更多倉庫工人會做的事情——當然，機器人沒有午餐時間！
人工智能領域中備受關注的一個話題是通用人工智能（AGI）。這是一種高級人工智能，幾乎與人類智能無法區分。它幾乎能完成人類可完成的所有智力任務。通用人工智能基本上可以愚弄人類，讓人類認為它也是人類。這就是你會在《黑鏡》或《疑犯追蹤》等電視節目中看到的那種東西。我記得在2018 年的谷歌公司活動中，首席執行官（CEO）桑達爾·皮查伊演示了他們的虛擬助理是如何打電話給餐館進行預約的（見圖1-7）。餐廳服務員分辨不出電話的另一端其實是計算機。這個演示引發了人工智能倫理辯論，以及對谷歌誤導人們的批評。果不其然，谷歌公司團隊發表了道歉聲明，并發布了人工智能倫理政策，基本上是說他們不會利用人工智能做壞事。然而，我們仍然要注意，人工智能的能力日益成熟，并將越來越多地對我們的生活產生重大影響。
谷歌CEO 演示Duplex 虛擬助理愚弄餐廳服務員
基于數據構建分析類型
分析的發展取決于你試圖解決的問題。基于你所追求的預期結果，你首先需要了解哪些數據是可用的，哪些在處理后可用，以及可以使用哪些技術來處理數據。從被調查的系統收集的數據可以是人為輸入或傳感器讀數，也可以是數據庫、攝像機的圖像和視頻、音頻信號等現有來源。如果從頭開始構建系統，你可以自由決定要測量哪些參數和安裝哪些傳感器。然而，在大多數情況下，你將數字化現有的系統，并在有限范圍內測量新參數。你可能必須使用現有的傳感器和數據源。
傳感器測量特定的物理特征，將它們轉換成電信號，然后轉換成一系列數字進行分析。傳感器測量系統的特征，如運動、溫度、壓力、圖像、音頻、視頻，等等。這些通常位于戰略位置，以便盡可能多地為你提供系統詳細信息。例如，應該放置一個監控攝像機，使其覆蓋你想要監視的最大區域。有些汽車的尾部裝有超聲波傳感器，可以測量物體之間的距離，以便在倒車時幫助你。這些物理特征被傳感器測量并轉換成電信號，然后流經信號處理電路，被轉換成數字。你可以用計算機對這些數字進行分析。
如果系統已有了收集數據的傳感器，或者有系統數據的現有數據庫，那么可以使用這些歷史數據來理解系統。否則，我們可能需要安裝傳感器并運行系統一段時間來收集數據。工程系統也使用模擬器來生成與真實系統非常相似的數據。然后可以使用這些數據來構建處理邏輯——這就是我們的分析。例如，如果想建立溫度控制邏輯來模擬恒溫器數據，那么可以模擬房間中不同的溫度。然后，對這些數據進行熱統計分析，熱統計分析是為了根據設定的溫度增加或減少室內的熱量流動而設計的。模擬的另一個示例可能是生成關于不同股票市場條件的數據，并利用這些數據來構建決定買賣股票的分析。從真實系統或模擬器收集的數據也可以用來訓練人工智能系統學習模式，并根據系統的不同狀態做出決策。
無論構建的是基于人工智能的分析還是基于非人工智能的分析，構建的一般模式都一樣：從數據源讀取輸入，構建處理邏輯，在真實數據或模擬數據上測試該邏輯，并將其部署到系統中以生成所需的輸出。從數學上講，所有這些輸入和輸出的值都可以隨著時間的推移而變化，它們被叫作變量。輸入通常被叫作自變量（X），輸出被叫作因變量（Y）。我們的分析試圖在因變量和自變量之間建立一種關系。當在本書的其余部分描述不同的人工智能算法時，我們將使用這些 術語。
我們的分析試圖將Y 表達或映射為X 的函數。這可以是簡單的數學公式，也可以是將自變量映射到因變量的復雜神經網絡。我們可以知道公式的細節，也就是說，我們知道系統行為的內在細節。或者這種關系可能是一個黑盒，我們不知道任何細節，只使用黑盒根據輸入預測輸出。自變量即X 可能有內部關系，但我們通常選擇忽略這一點，而專注于X-Y 關系。
將Y 表示為X 的函數
分析類型：基于應用程序
分析是通過處理系統的輸入數據來產生輸出，這樣人類就可以根據系統做出決策。在開始構建分析之前，理解我們想要問系統的問題是非常重要的。根據我們提出的問題，可能有4 類分析。下面用這4 類分析試圖回答的問題來解釋一些示例。
這些非常簡單，但也非常重要，因為它們試圖清楚地描述數據。這里的輸出可能是統計摘要，如平均值、眾數和中位數。我們可以有像圖表和直方圖這樣的視覺輔助工具來幫助人類理解數據中的模式。許多商業智能和報告工具，如Tableau、Sisense、QlikView、Crystal Reports 等，都基于這個概念。這樣做的目的是為用戶提供數據的綜合視圖，幫助他們做出決策。圖中的示例顯示了哪些月份的月支出高于平時。
為人類描述數據
在這里，我們試圖診斷已發生的事情，并試圖理解它為什么會發生。一個明顯的示例是醫生觀察你的癥狀并診斷出疾病。我們有像WebMD這樣的系統試圖捕捉醫生擁有的驚人的人類智能，并做出快速的初步診斷。類似地，像核磁共振掃描儀這樣的醫療機器使用診斷性分析來試圖隔離疾病模式。這種類型的分析在診斷機器的工業應用中也非常流行。工業控制和安全系統使用傳感器數據和診斷規則來檢測出現的故障，并試圖在重大損壞發生前停止機器運行。
可以使用與描述性分析相同的工具（如圖表和摘要）來診斷問題，也可以使用推理統計等技術來識別某些事件發生的根本原因。在推理統計中，假設事件依賴于問題中的某些X，然后收集數據，看看是否有足夠的數據來證明這一假設。
這里的分析通常會為我們提供關于特定事件的證據。人類仍必須用自己的直覺來確定事件發生的原因和需要做什么。圖1-10 中的示例顯示了發動機機油溫度如何持續升高，這可能導致了發動機故障。
使用數據診斷問題
前兩個人工智能應用處理過去發生的事情，預測性分析則關注未來或預見。這里，我們使用機器學習等技術從歷史數據中學習，并建立預測未來的模型。我們將在這里主要使用人工智能來開發預測性分析。因為我們在這里做預測，所以這些分析廣泛使用概率來提供一個置信因子。本書的余下部分會討論這種類型的分析案例。
圖示例顯示了天氣網站分析歷史數據模式來預測天氣。
天氣預報
現在我們將預測向前推進一步，并規劃一項行動。這是最復雜的分析類型，仍是一個活躍的研究領域，也有一些爭論。規劃性分析可以看作一種預測性分析。然而，為了使分析具有規劃性，它也清楚地說明了人類必須采取的行動。在某些情況下，如果預測可信度足夠高，我們可允許分析自己采取行動。這種分析在很大程度上依賴于要預測的領域。為了構建有效的規劃性分析，我們需要探索許多先進的人工智能方法。
圖中的示例顯示了谷歌地圖如何通過考慮交通條件來規劃最快的路線。
去上班的路
圖顯示了高級別的分析類型。可以看到復雜性從描述性上升到規劃性，對人類決策的幫助也在增加——規劃性有可能推動完全自動化。我們使用了不同領域的示例來強調分析是一門適用于多個領域（醫療保健、工程、金融、天氣，等等）的通用學科。如果重新思考每個示例，我們往往會問自己這些問題，并在大腦中計算答案。
分析類型
我們查看不同月份的銀行對賬單，并使用描述性分析來推斷我們在某個月份比其他月份花銷大，然后深入挖掘，試圖診斷原因——也許是家庭度假導致了開支的增加。我們用心智模型來將日常事件[如吃泰國菜（富含魚油）等特定風格的菜]與可能遇到的過敏癥狀聯系起來。我們通過做出如“八月的傍晚班加羅爾經常下雨”這樣的推斷成為氣象專家。我們經常能做出正確預測。最后，我們聽說專業機械師能感覺到汽車發動機過熱或聽到某些噪聲，并能提出換油或水位低加水等操作。
每種分析都有人工智能的示例。我們在大腦中做出這些明智的決定，也可以建立人工智能系統來做同樣的事情。我們可以建立一個人工智能系統，嘗試將這些思維過程委托給計算機，以幫助我們以最大的準確性盡快獲得見解。這就是我們用基于人工智能的分析所做的事。人工智能可以用于任何分析應用程序，以改善結果。
分析類型：基于決策邏輯
另一種在行業中更為常見的對分析進行分類的方式是，基于分析中決策邏輯的編碼方式。根據編寫邏輯的方式，可能有以下兩種類型的分析。
基于規則（也叫作基于物理）是構建分析的更傳統的方法。在這里，你需要知道不同的自變量是如何相互關聯以構成因變量的。當你很好地理解了系統內部結構以及變量之間的關系時，這種方法是很常見的。你使用這些知識并編寫顯式方程，然后用計算機來計算。
基于規則的分析模型
這里，我們不完全了解正在研究的系統。我們使用歷史數據來導出模式，并將這些模式編碼成叫作模型的工件。隨著數據越來越多，這些模型越來越擅長做出預測，并形成了分析的內部結構。你可能已猜到，隨著從現實世界系統中收集的數據的增長，這種方法越來越受歡迎。這也將是本書的重點。
數據驅動的分析模型
構建分析驅動的系統
最后，讓我們看一個分析開發的簡單示例。這不是一個包含所有細節的完整系統，我們會從宏觀上進行討論，以促進你思考核心分析如何構成更大系統的一部分，以及什么是系統性思考。當你開發任何類型的分析時，記住這些非常重要。此外，我們將討論3 個概念，它們將幫助我們決定要開發的分析類型。
讓我們以測量人運動時消耗熱值的系統為例。我們感興趣的結果是燃燒的熱值數，這是因變量Y。為了測量Y，我們考慮可測量的自變量：所有的X。如果能把因變量建立為自變量的函數，就有了分析模型。
為了測量運動，我們需要測量運動過程中發生的活動。運動與結果成正比，結果就是燃燒的熱值數。你運動得越多，燃燒的熱值就越多。可以用幾種方法測量運動，接下來會討論。
我們讓受試者，即我們關注的人，在跑步機上跑步。我們找到了跑步距離，并試圖用它來計算運動量。基于一個人的跑步距離、跑步時間和體重，我們可以建立方程式來測量這段時間消耗的熱值。這是一個基于規則的分析，因為你確切地知道所有X 與所有Y 的關系。這是一個“已知的知識”的示例，即我們知道所有的變量及其關系。
跑步機上的人
我們可以用Fitbit 來測量手的運動，并把它與熱值關聯起來。Fitbit 測量3 個方向的加速度（見圖1-17）。很難將這種加速度直接與步行或跑步的步數聯系起來，然后再與熱值聯系起來。對于這個問題，通常采用像機器學習這樣的數據驅動方法。我們從許多走路的人身上取樣，測量與行走和跑步等動作相對應的加速度值。我們使用這些數據來訓練一個機器學習模型。從大量數據中學習后，機器學習模型變得足夠好，可以開始預測從原始加速度數據中取得的步數。然后，這些 步驟的數據可以映射到燃燒的熱值。機器學習讓我們進入“已知的未知”的領域。我們知道影響結果的所有X，但不知道它們與Y 的關系。我們使用數據來確定這種關系。
Fitbit 手環
如果我們決定在一個人走路或跑步的時候用攝像機來監控他，會怎么樣呢？這個人身上沒有傳感器，也沒有像跑步機這樣的特殊設備。這里的傳感器數據是此人走路的視頻片段。視頻基本上是圖像的序列，每個圖像被數字化為像素強度值的數組。這是非結構化數據，因為圖像只有一組沒有條理的數據。從這組數據中，我們如何識別這個人在哪里并測量其運動呢？這就是深度學習發揮作用的地方。深度學習通過多層學習構建大型模型，幫助解碼這種大量的非結構化數據并提取知識。這是我們處理“未知的未知”的領域。變量X 太多了，我們不知道它們與Y 有什么關系。
攝像機追蹤運動
總結
- 上一篇： 安装ubuntu20.04（安装vim、
- 下一篇： 智能家居 (1) ——智能家居整体功能框