AI應用落地之道

定　價：￥69.00

作　者：	[日] 野村直之著
出版社：	中國人民大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥69.00)

ISBN：	9787300278643	出版時間：	2020-04-01	包裝：	平裝
開本：	16開	頁數：	264	字數：

內容簡介

　　從AI核心技術、樣本數據提取到業(yè)務流程構建、人才培養(yǎng)機制 MIT人工智能研究所客座研究員、日本人工智能專家全流程指導幫助企業(yè)實現AI技術的落實應用，指導個人從知識勞動人才向智能勞動人才轉變當人們聽說“AI的進化將剝奪人類的就業(yè)機會”時，出于對機器的擔憂和反感，他們就會產生逆反心理，從而造成對AI能力的過高預估；另一方面，當這種過高的期待沒有實現時，人們就會產生對AI的全面否定，如“AI什么也干不了”“到頭來還不是一無是處、毫無意義”。我們該如何澄清關于AI的各種誤解，使企業(yè)能夠從容自如地使用AI？本書作者野村直之30多年來一直致力于AI的開發(fā)、應用和部署。在本書中，他針對已經參與或即將參與AI系統(tǒng)相關工作的讀者揭示了諸多為了充分應用AI系統(tǒng)需要掌握的要點。·AI的現狀。目前的AI都是輔助性工具，“強AI”還無法在21世紀內誕生。·AI的核心技術——深度學習。AI應用落地的關鍵在于目標精度的評測與活用，通過使用精確率和召回率兩個指標，來準備良好的樣本數據。·樣本數據的制作。通過短周期原型開發(fā)評估目標精度，加之專業(yè)人士的參與，同時使用高性能的GPU硬件。·AI部署人才應具備的技能。AI時代的人才需要福爾摩斯般的思考能力，不僅要善于發(fā)現問題，打破現有局面，還要為解決問題設定目標，完成從“知識勞動”到“智能勞動”的轉變。

作者簡介

　　野村直之1984年畢業(yè)于東京大學工學專業(yè)，2002年獲得九州大學理學博士學位。曾在NEC C&C研究所、JUSTSYSTEM公司、法政大學、理光集團任職，后擔任法政大學客座教授。2005年創(chuàng)立元數據公司，從事大數據分析、社交網絡應用、各種人工智能應用方案的提供等方面的工作。在此期間，擔任MIT人工智能研究所客座研究員，與人工智能之父馬文？？明斯基曾同在一個實驗室，并與該校語言學者諾姆·喬姆斯基進行過學術探討。他曾參與名詞網絡（Wordnet）的應用研究以及日本第五代計算機開發(fā)機構（ICOT）衍生知識庫開發(fā)，同時對AI在產業(yè)、生活、行政、教育等領域的應用保持著高度的關注。

圖書目錄

目錄
第1章當今 AI 的功能與局限
關于 AI 常見的誤解 // 2
利用大數據的圍棋 AI // 5
如何有效運用“幼兒智能” // 6
思考能夠使用圖像識別技術的商業(yè)領域 // 7
深度學習是“原始數據計算” // 9
通過三個數軸對 AI 進行分類 // 12
深度學習是如何提取特征的 // 14
“模式識別”：AI 的眼睛和耳朵 // 17
使用深度學習的機器翻譯能夠獲得壓倒性勝利的原因 // 20
“強 AI”的出現至少要到 22 世紀嗎 // 26
指數函數的恐怖 // 28
知識量的增加至多是二次曲線級 // 30
充分運用深度學習的必要性 // 34
深度學習與其他方式的結合也很有價值 // 36

第2章使用深度學習的基本流程
在 AI 應用中不可或缺的目標設定 // 40
分享評測數據使其可以共用 // 42
作為精度指標的“精確率”和“召回率” // 44
作為前提的正確結果不止一個 // 46
不同場景中對精確率和召回率的重視程度不同 // 47
業(yè)余和專業(yè)所需的精度是不同的 // 49
深度學習的準確性評估測試非常簡單 // 51
能準備反映共同特征和多樣性差異的訓練數據 // 53
使用開發(fā)環(huán)境進行數據學習的流程 // 55
注意過度擬合 // 59

第3章目標精度的實際評估和利用
從危險駕駛分類中了解自動駕駛的問題 // 66
AI 給生產力帶來的提升效果 // 71
交通標志與 AI 的匹配和 RFID 化也是必要的 // 73
精度目標的設定和預算是“雞與蛋”的問題 // 79
自動駕駛需要用各種觀點進行綜合評估 // 81
特斯拉汽車為何發(fā)生車禍 // 82
結合預期值評估服務質量非常重要 // 85
設計業(yè)務流程時的混淆矩陣很重要 // 89
用附有概率值的判定結果將分支條件精細化 // 93
根據置信度對處理結果進行場景分類 // 96
為每個樣本或醫(yī)療機構設置最佳精度 // 98
對 AI 糾錯的意義 // 101
如何評估聊天機器人的準確性 // 103
用“對話成立度”對精度進行定量評估 // 107
參考信息技術架構庫改善業(yè)務流程 // 109
讓 AI 學習特殊情況下的數據 // 112

第4章 AI 部署的實例
企業(yè)的數字化 // 116
將 AI API 化后公開 // 118
AI 部署的戰(zhàn)略以及企業(yè)內部體制 // 120
制作樣本數據時的注意點 // 125
標注人員進行的標注工作 // 127
增加相互之間只有少許差異的樣本數據 // 129
深度學習的引入需要耐心 // 132
描繪實際運行整體系統(tǒng)的結構 // 135
GPU 的挑選：目前 NVIDIA 是唯一選擇 // 138
硬件的選擇：性能要超過十幾年前最先進的超級計算機 // 142
主內存要注意主內存容量 // 143
GPU 云服務也是一種選擇 // 151
深度學習的機制是多種多樣的 // 154
主流深度學習框架的特點和選擇 // 156
多種類型的網絡結構該如何進行選擇 // 160
編程語言幾乎只有 Python 一種選擇 // 160
利用現成 AI 資源的意識 // 162
將完成后的 AI 應用程序化、API 化 // 164
將 API 向世界公開 // 166
爭取各種安全措施保護隱私 // 167
以眼還眼，以 AI 對 AI // 169
保護 AI 開發(fā)企業(yè)的防盜版措施 // 171
主動公開部分源代碼的交付方法 // 173

第5章 AI 部署人才應具備的技能
用戶企業(yè)如何獲得 AI 人才 // 177
用戶企業(yè)的管理人員應掌握的心得 // 178
AI 時代需要我們具備福爾摩斯般的思考能力 // 179
AI 人員所需的資格和專業(yè)領域 // 180
舊知識可能成為絆腳石 // 183
樣本數據的準備成為開發(fā)工作的核心 // 184
在 API 經濟中擅長混聚開發(fā)的人才更重要 // 186
AI 人員的溝通能力不可或缺 // 187
知識會迅速過時 // 189
從知識勞動到智能勞動 // 191
知識將可以無償獲得 // 193
思考人類與 AI 的角色分擔 // 196
即使沒有大數據，人類也可以相對準確地推斷 // 199
實現不同專家合作的“配對需求開發(fā)” // 203
推動 AI 項目的關鍵人才 // 205
熟練工藝移植給 AI 后的產業(yè)空心化對策 // 208
第6章將 AI 用于商業(yè)用途時需注意的問題
大數據越來越重要 // 213
利用 AI 防止人類被數據牽制 // 214
AI 的知識獲取瓶頸 // 216
數據準備和增值更要活用 AI // 219
準備和收集樣本數據時的要點 // 222
AI 在日本的應用前景廣闊 // 224
與人類相同的服務員 AI 會出現嗎 // 226
人文和哲學對于 AI 研究人員來說非常重要 // 230
基本收入制度無法解決問題 // 233
將 AGI 作為工具使用 // 234
結語 // 237