精华内容
下载资源
问答
  • 影像组在医学影像中的应用

    千次阅读 2019-07-01 21:44:03
    首先介绍一下影像组:目前来讲,影像设备所生成的图像数据量越来越大,过去对图像数据的处理与使用方式显然难以充分挖掘图像的大数据信息。因此影像组应运而生。2012年,荷兰学者Lam bin等人[1]正式提出了影像组...

         首先介绍一下影像组学:目前来讲,影像设备所生成的图像数据量越来越大,过去对图像数据的处理与使用方式显然难以充分挖掘图像的大数据信息。因此影像组学应运而生。2012年,荷兰学者Lam bin等人[1]正式提出了影像组学的概念,Radiomics即应用大量的自动化数据特征化算法将感兴趣区域(region ofinterest,ROI)的影像转换为可发掘的数据信息,并对之进行高通量 (high throughput) 定量分析。同年 Kumar等人[2]发表文章,将Radiomics的定义进一步扩展为:从CT、PET或MRI等医学影像图像中高通量地提取并分析大量高级、定量的影像学特征。

          那么问题来了,影像组学究竟是什么呢。我浅薄的理解:影像组学是一门技术,应用人工智能与机器学习的方法对医学图像进行感兴趣区域(ROI)的分割,定量ROI特征提取,分析模型构建,临床辅助决策。其中提取影像组学特征是关键的一步。在这里,我将其应用到医学图像肿物的良恶性分类上。我们对感兴趣区域提取一阶、二阶(GLCM、GLDS......)以及高阶Gabor特征,但是由于多模态特征的特征维度较高,在建立机器学习的分类模型之后,导致模型的计算复杂度高、很难训练一个鲁棒性强的模型。在这里就要考虑到特征降维,例如:Lasso、Relief、MI互信息等等。在这里,我想表达的是,单个好的特征的组合并不能增加分类器的性能,换一种说法,m个最佳特征并不是最好的特征[3],因为有可能特征之间是高度相关的。在特征降维之后,我们接下来将进行数据挖掘与统计分析,从而更深层次的发掘特征数据与临床数据之间的关系。主要采用的方法就是机器学习和数据的统计分析。在这里,我们将采用机器学习的方法进行分类模型的构建,较为经典的方法有神经网络,支持向量机(support vector machine,SVM)或者贝叶斯决策树等等。

          随着分类器的应用,有必要使用相应的措施来评估结果作为生成的模型的稳定性情况的验证。因此,采取以下措施:混淆矩阵:真阳性(TP),真阴性(TN),假阳性(FP),假阴性(FN)。

     

    模型性能的评估通过:(灵敏度)

     (特异性)

    (准确性)

    (F1_score)

    还有一种常用的评估手段:接受者工作特性曲线(Recevier operating characteristic, ROC)和曲线下面积(area under the curve,AUC)值,用来描述参数的整体表现能力。对于AUC值来讲,接近于1是理想值,当值小于0.5时,证明参数没有任何的分类能力。

            

    ............

    就先到此为止,上述表述如有错误,还忘批评指正。

    [1] Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. European journal of cancer, 2012, 48(4): 441-446.

    [2] Kumar V, Gu Y, Basu S, et al. Radiomics: the process and the challenges[J]. Magnetic resonance imaging, 2012, 30(9): 1234-1248.

    [3]Cover T M. The best two independent measurements are not the two best[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1974 (1): 116-117.

    展开全文
  • 图像识别技术原理和神经网络的图像识别技术

    万次阅读 多人点赞 2019-03-03 19:44:58
    其实,图像识别技术背后的原理并不是很,只是其要处理的信息比较繁琐。计算机的任何处理技术都不是凭空产生的,它都是学者们从生活实践中得到启发而利用程序将其模拟实现的。计算机的图像识别技术和人类的图像识别...

    图像识别技术是信息时代的一门重要的技术,其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展,人类对图像识别技术的认识越来越深刻。图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。简单分析了图像识别技术的引入、其技术原理以及模式识别等,之后介绍了神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。从中可以总结出图像处理技术的应用广泛,人类的生活将无法离开图像识别技术,研究图像识别技术具有重大意义。

    1图像识别技术的引入

    图像识别是人工智能的一个重要领域。图像识别的发展经历了三个阶段:文字识别、数字图像处理与识别、物体识别。图像识别,顾名思义,就是对图像做出各种处理、分析,最终识别我们所要研究的目标。今天所指的图像识别并不仅仅是用人类的肉眼,而是借助计算机技术进行识别。虽然人类的识别能力很强大,但是对于高速发展的社会,人类自身识别能力已经满足不了我们的需求,于是就产生了基于计算机的图像识别技术。这就像人类研究生物细胞,完全靠肉眼观察细胞是不现实的,这样自然就产生了显微镜等用于精确观测的仪器。通常一个领域有固有技术无法解决的需求时,就会产生相应的新技术。图像识别技术也是如此,此技术的产生就是为了让计算机代替人类去处理大量的物理信息,解决人类无法识别或者识别率特别低的信息。

    1.1图像识别技术原理

    其实,图像识别技术背后的原理并不是很难,只是其要处理的信息比较繁琐。计算机的任何处理技术都不是凭空产生的,它都是学者们从生活实践中得到启发而利用程序将其模拟实现的。计算机的图像识别技术和人类的图像识别在原理上并没有本质的区别,只是机器缺少人类在感觉与视觉差上的影响罢了。人类的图像识别也不单单是凭借整个图像存储在脑海中的记忆来识别的,我们识别图像都是依靠图像所具有的本身特征而先将这些图像分了类,然后通过各个类别所具有的特征将图像识别出来的,只是很多时候我们没有意识到这一点。当看到一张图片时,我们的大脑会迅速感应到是否见过此图片或与其相似的图片。其实在“看到”与“感应到”的中间经历了一个迅速识别过程,这个识别的过程和搜索有些类似。在这个过程中,我们的大脑会根据存储记忆中已经分好的类别进行识别,查看是否有与该图像具有相同或类似特征的存储记忆,从而识别出是否见过该图像。机器的图像识别技术也是如此,通过分类并提取重要特征而排除多余的信息来识别图像。机器所提取出的这些特征有时会非常明显,有时又是很普通,这在很大的程度上影响了机器识别的速率。总之,在计算机的视觉识别中,图像的内容通常是用图像特征进行描述。

    1.2模式识别

    模式识别是人工智能和信息科学的重要组成部分。模式识别是指对表示事物或现象的不同形式的信息做分析和处理从而得到一个对事物或现象做出描述、辨认和分类等的过程。

    计算机的图像识别技术就是模拟人类的图像识别过程。在图像识别的过程中进行模式识别是必不可少的。模式识别原本是人类的一项基本智能。但随着计算机的发展和人工智能的兴起,人类本身的模式识别已经满足不了生活的需要,于是人类就希望用计算机来代替或扩展人类的部分脑力劳动。这样计算机的模式识别就产生了。简单地说,模式识别就是对数据进行分类,它是一门与数学紧密结合的科学,其中所用的思想大部分是概率与统计。模式识别主要分为三种:统计模式识别、句法模式识别、模糊模式识别。

    2图像识别技术的过程

    既然计算机的图像识别技术与人类的图像识别原理相同,那它们的过程也是大同小异的。图像识别技术的过程分以下几步:信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。

    信息的获取是指通过传感器,将光或声音等信息转化为电信息。也就是获取研究对象的基本信息并通过某种方法将其转变为机器能够认识的信息。

    预处理主要是指图像处理中的去噪、平滑、变换等的操作,从而加强图像的重要特征。

    特征抽取和选择是指在模式识别中,需要进行特征的抽取和选择。简单的理解就是我们所研究的图像是各式各样的,如果要利用某种方法将它们区分开,就要通过这些图像所具有的本身特征来识别,而获取这些特征的过程就是特征抽取。在特征抽取中所得到的特征也许对此次识别并不都是有用的,这个时候就要提取有用的特征,这就是特征的选择。特征抽取和选择在图像识别过程中是非常关键的技术之一,所以对这一步的理解是图像识别的重点。

    分类器设计是指通过训练而得到一种识别规则,通过此识别规则可以得到一种特征分类,使图像识别技术能够得到高识别率。分类决策是指在特征空间中对被识别对象进行分类,从而更好地识别所研究的对象具体属于哪一类。

    3图像识别技术的分析

    随着计算机技术的迅速发展和科技的不断进步,图像识别技术已经在众多领域中得到了应用。2015年2月15日新浪科技发布一条新闻:“微软最近公布了一篇关于图像识别的研究论文,在一项图像识别的基准测试中,电脑系统识别能力已经超越了人类。人类在归类数据库Image Net中的图像识别错误率为5.1%,而微软研究小组的这个深度学习系统可以达到4.94%的错误率。”从这则新闻中我们可以看出图像识别技术在图像识别方面已经有要超越人类的图像识别能力的趋势。这也说明未来图像识别技术有更大的研究意义与潜力。而且,计算机在很多方面确实具有人类所无法超越的优势,也正是因为这样,图像识别技术才能为人类社会带来更多的应用。

    3.1神经网络的图像识别技术

    神经网络图像识别技术是一种比较新型的图像识别技术,是在传统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。这里的神经网络是指人工神经网络,也就是说这种神经网络并不是动物本身所具有的真正的神经网络,而是人类模仿动物神经网络后人工生成的。在神经网络图像识别技术中,遗传算法与BP网络相融合的神经网络图像识别模型是非常经典的,在很多领域都有它的应用。在图像识别系统中利用神经网络系统,一般会先提取图像的特征,再利用图像所具有的特征映射到神经网络进行图像识别分类。以汽车拍照自动识别技术为例,当汽车通过的时候,汽车自身具有的检测设备会有所感应。此时检测设备就会启用图像采集装置来获取汽车正反面的图像。获取了图像后必须将图像上传到计算机进行保存以便识别。最后车牌定位模块就会提取车牌信息,对车牌上的字符进行识别并显示最终的结果。在对车牌上的字符进行识别的过程中就用到了基于模板匹配算法和基于人工神经网络算法。
      3.2非线性降维的图像识别技术

    计算机的图像识别技术是一个异常高维的识别技术。不管图像本身的分辨率如何,其产生的数据经常是多维性的,这给计算机的识别带来了非常大的困难。想让计算机具有高效地识别能力,最直接有效的方法就是降维。降维分为线性降维和非线性降维。例如主成分分析(PCA)和线性奇异分析(LDA)等就是常见的线性降维方法,它们的特点是简单、易于理解。但是通过线性降维处理的是整体的数据集合,所求的是整个数据集合的最优低维投影。经过验证,这种线性的降维策略计算复杂度高而且占用相对较多的时间和空间,因此就产生了基于非线性降维的图像识别技术,它是一种极其有效的非线性特征提取方法。此技术可以发现图像的非线性结构而且可以在不破坏其本征结构的基础上对其进行降维,使计算机的图像识别在尽量低的维度上进行,这样就提高了识别速率。例如人脸图像识别系统所需的维数通常很高,其复杂度之高对计算机来说无疑是巨大的“灾难”。由于在高维度空间中人脸图像的不均匀分布,使得人类可以通过非线性降维技术来得到分布紧凑的人脸图像,从而提高人脸识别技术的高效性。

    3.3图像识别技术的应用及前景

    计算机的图像识别技术在公共安全、生物、工业、农业、交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统;公共安全方面的人脸识别技术、指纹识别技术;农业方面的种子识别技术、食品品质检测技术;医学方面的心电图识别技术等。随着计算机技术的不断发展,图像识别技术也在不断地优化,其算法也在不断地改进。图像是人类获取和交换信息的主要来源,因此与图像相关的图像识别技术必定也是未来的研究重点。以后计算机的图像识别技术很有可能在更多的领域崭露头角,它的应用前景也是不可限量的,人类的生活也将更加离不开图像识别技术。

    图像识别技术虽然是刚兴起的技术,但其应用已是相当广泛。并且,图像识别技术也在不断地成长,随着科技的不断进步,人类对图像识别技术的认识也会更加深刻。未来图像识别技术将会更加强大,更加智能地出现在我们的生活中,为人类社会的更多领域带来重大的应用。在21世纪这个信息化的时代,我们无法想象离开了图像识别技术以后我们的生活会变成什么样。图像识别技术是人类现在以及未来生活必不可少的一项技术。
      人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
      AI可以识别图像,但它能理解标题吗?
    http://www.duozhishidai.com/article-10635-1.html
      图像识别经历了哪几个阶段,主要应用在哪些领域?
    http://www.duozhishidai.com/article-6461-1.html
      图像识别技术是什么,应用于智能家居哪些领域
    http://www.duozhishidai.com/article-133-1.html


    多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

    多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
    展开全文
  • 中信银行总行信息科技部今年在成都设立研发中心,而且今年总部也在扩招,听说一共招1000+(宣讲会说的),成都这边招400+,目前来看,估计今年比较进(虽然我也还没拿到offer,流程中,记录一下)。 一、 校招时间...

    已offer
    中信银行总行信息科技部今年在成都设立研发中心,而且今年总部也在扩招,听说一共招1000+(宣讲会说的),其中成都这边招400+,目前来看,估计今年比较好进
    ·········································分割线···············································
    2020.01.17更新:
    看群里HR说的,估计真的会招1000个人,因为第一批北京+成都实习的,HR说一共发了500封左右的签约邮件。后面还有几批实习签约的,估计没有一千也有七八百?
    2020.04.15更新:(以下内容全部来自脉脉查询)
    关于薪资,在脉脉上看了一下,总包应该会给到,年终奖会发12个月及以上。
    关于职级,校招统一定级T1(社招也是T1,但是校招和社招是两条线,没可比性),半年试用期+2年锁定期,再过半年开始第一次晋升期(第一次晋升基本都能从T1升到T2,也就是说校招最快三年可以升级到T2),之后每半年一次晋升的机会,听说T6属于高级职位,一般来讲T6之前升级都比较好升

    一、 校招时间线

    1. 网申(10月25截止)+ 行测
    2. 宣讲会+提前批面试 10月14日
    3. 笔试(11月7日)
    4. 邮件通知实习(11月28日),正式批的同学大概也是这两天发的面试通知。
    5. 实习(2019年12月2日-12月5日(原计划3天,改成了4天)),成都场第一批实习,实习会刷人,实习过程中和实习导师进行了一个简单的面谈,最后一天有一个4对1的专业面试,后面还会有一个现场的HR面谈。
    6. 发二次面谈邮件(12月6日),需要的资料是真的多,,,,
    7. 二次面谈(12月7日)
    8. 体检:12月20日 发52人体检邮件,共500人左右会收到体检通知,分批发送(不知道是不是按照实习的批次发送的),可能持续两周之久,本人体检(12月23日已通知)
    9. 背调(12月23日已通知)
    10. 签约,可以签两方:2020年1月9日邮件通知签约时间,北京10号签约会,成都11号签约会。

    附:2019校招时间线
    10月18日 笔试,
    两周后发面试邮件,
    11月21日 现场面试,
    11月22日 发体检背调邮件,
    12月14日 发邮件offer,
    12月19日 签约会
    实习(持续两到三周)

    注:去年和今年的流程有些不同,今年增加了提前批预面试(宣讲会面试),没有参加宣讲会面试的同学则是按照正常笔试面试实习的流程进行(流程会慢一些),并且今年实习日期也减少到了3天,可能是因为扩招,人太多的原因。并且今年是先实习再签约,而邮件中也说了,实习可能会刷人。(也有一种说法是,去年有两种流程,一种是笔试成绩高,直接签约,签约后再实习,另一种是笔试成绩不高,所以先实习,实习通过再签约)

    二、 笔试

    11月7日,线上笔试形式,题型:英语,行测,计算机知识(就是银行信息科技岗笔试常见题型),据说笔试会刷人,想来中信的,手里没offer的,还是刷刷题,认真准备一下。

    三、 面试

    1. 10月14日,电子科技大学,宣讲会后现场面试(因为四川场只有电子科技大学和四川大学,所以面试的时候有成电的,交大的,西华的等等),将近200号人(根据宣讲会签到的先后顺序领取面试号码),面试分为两部分,一面技术面,二面HR面。可能因为人数太多的原因,面试很水,一面和二面基本都是三分钟,自我介绍30秒左右,超过了会被打断,一面面试官按照简历问,因为我是做算法的,项目也写的是算法的项目,然而面试官没有问,打断我的自我介绍直接问SQL,数据结构与算法(我简历里简单写了一下),根据现场询问其他小伙伴,数据结构与算法必问,其他的还是按照简历来问(开发相关的)。一面会进行打分(1,2,3,4,5),低于3分的不能进入二面,我被打了3分(没有开发项目,而且问的问题回答的一般),侥幸进入二面,马上就去另一个教室门口等二面,二面也是进去大概30秒自我介绍,然后被打断,问我四六级成绩,想去北京还是成都,为什么想留成都(我不是四川人),奖学金情况,成绩排名情况,问我专业问题(我是非科班的),看我是做算法的,问我会不会java,说这边是要做开发的。然后结束。听说二面也有一个打分,但是我没看到,不知道是不是确实有。最后面试官问我有没有网申,测评有没有做,让我等着参加笔试。
    2. 没有进行宣讲会预面试的则是顺延到了正式批,所以实习的日期应该也会更慢一些。

    四、 实习

    实习是在下周,目前还没有开始,北京第一批实习的同学们在28日已经开始了第一天的工作(人数太多,实习每批次进行,通知邮件也是分批次的,)。实习的大概内容就是第一天HR会把这一批实习的人分到不同的部门(这个部门大概率就是你以后入职的部门),然后拉入不同的微信群,有些部门划分了5个人,有些则划分了20个人,期间如果觉得自己不适合这个部门,可以申请调换。
    实习内容的话,应该是做一些简单的工作,然后做汇报。
    实习要求自备笔记本电脑,据说实习的最后一天还会有一次面试。
    目前**中信银行总行信息科技部有两个研发中心,一个北京,一个成都,**目前两个地点的第一批实习通知应该已经发送完毕,看样子是按照就近原则,北京的发了北京高校的学生,成都的发了成都高校的学生。路费,住宿费都要自己掏腰包,不管饭。。。(北京那边管饭)。北京那边有两个实习地点,成都这边则是在中信银行四川分行,成都研发中心地点在兴隆湖,可能还没有建好。
    今年的实习可能一直会持续到12月下旬(估计每次实习人数也就100人左右?)
    后续实习情况等实习完毕再更新。。。。。。。
    ·········································分割线···············································
    12.02更新:
    今天实习第一天,地点在中信银行四川分行,第一批成都实习一共180人左右,被分为了8个小组,每组十几个人(应该有一些人放弃了实习,实际来了125人,中午还走了一些人,估计今晚还会有一些人放弃,,,一群人在一个会议室敲代码,讨论项目,感觉很闷热,没有wifi,需要自己手机开热点,讲道理,实习体验有点点差)。一个老师带两组成员,每组的题目都是一样的,每组合作完成这个题目。和北京那边有些不同,这边没有分科室,就是分了几组人员,老师是北京那边调过来的。
    实习的同学去了之后没有工位,大家都挤在一个会议室里,HR看人太多了,后面分成了三个会议室,实习时间由3天改为4天(这4天都要在这个会议室度过。)
    实习日期: 12.02——12.05,上午9点到12点,下午1点到5点半。最后一天需要小组答辩展示成果,这个实习就类似于软件工程实验课吧。。。
    在这里插入图片描述
    在这里插入图片描述

    上午: 主要是分了一下组,简单的介绍了一下实习,题目:某银行自营或代销某产品,半开放式题目,具体题目自拟,做出一套系统。可加入一些自己的特色内容。目的是考察大家的合作能力,项目能力,以及了解一下银行在这方面的业务知识。分组后小组讨论题目。

    中午: 实习地点在高新区,出门就是奥克斯商场,负一楼有很多吃的,但是人也很多,需要排队。

    下午: 导师补充说明:因为这次实习大部分小组都使用的java+sql,对于不会这两种语言的同学来说,不必担心,可以写一些文档类或者资料搜集类的工作,答辩的时候我们看的是综合能力,以及小组整体的完成度,不是只看代码能力。我们中信银行不只有开发岗,也有一些其他的岗位,看各位的岗位匹配度。
    导师介绍成都研发中心的情况:地点在兴隆湖,2019年12月23日开始运营,组织了一些社招人员,并且从某地调来了一些中信的员工(没听清是哪里调来的),今年第一批校招,往年招的很少,对于大家来说可能是一次机遇。

    小记: 导师上午说的是原计划5天的实习内容,后来听说邮件通知的是3天,所以说时间会比较紧,任务之前安排的是5天的,后面他们又商量了一下,改为了4天,第四天下午答辩。在周五或者周末会有HR进行一次两三分钟的面谈(类似于一次HR面吧,估计是聊聊这次实习的收获)。在我看来,这次成都的实习,其实就相当于一个软件工程实验课,只是周期由一学期改成了4天,小组成员由几位变成了十几位。类似于那种马拉松编程大赛,24小时编程大赛之类的,个人感觉目的是让实习整个系统开发流程,了解银行理财购买系统的相关知识,团结合作能力,创新能力等,4天时间,应该不会主要考察代码能力,大家应该都是在现有开源代码中进行修改加以利用。

    ·········································分割线···············································
    12.3更新:
    上午: 每组出两位成员去进行一个简单的答辩,讲一下自己的项目思路,设计思路,技术使用等。由导师指导一下,看看是否偏题,是否能按期完成等。
    课余活动: 12.3日午休时间,搜集资料,任务:宣传自己的队伍,设计logo,队名,口号,做PPT,介绍每一位成员和各自特点等。12.4日中午午休时间答辩
    其他没什么说的了。

    ·········································分割线···············································
    12.4更新:
    上午: 早上签到后去导师那补充信息:本科学校,本科专业,代码量,学没学过计算机基础课等。
    明天答辩形式: 每组半小时,PPT的形式,组内生成的各种代码,需求文档,设计文档,测试文档等所有文件统一发送给老师。
    中午: 13:30的时候有一个小组宣传活动的答辩,一共8个组,每个组以PPT的形式进行展示,前两组太过牛批,当然了,只是展示了一下,老师们也没说什么,就结束了。
    下午: 每个人找导师面谈几分钟,问你在这次实习中负责哪部分,然后问一个相关部分的很基础的问题;对996的看法愿不愿意做开发,问了手中offer的情况,简单介绍中信在成都新成立的研发中心的情况(据老师说,今年招聘可能较去年严格一些,可能会考察代码能力)。下午快下班的时候,有一位老师拿着一张打印的名单叫人去面试(每组人员中,在这份表单上的人,随便去4个)。去的同学回来后表示,这是一次多对1的技术面,没有自我介绍,上来就是问技术问题(数据库,java,数据结构与算法相关)。因为名单上也就几十个人,猜测是统计了非计算机专业的人员, 然后组织一个简单的面试,问问计算机基础情况。明天其他人应该陆陆续续会去面试。
    晚上: 群里老师通知带一份简历,实习这几天自己做的东西以及成果写成一段话上交。(估计明天又要面试了,,)
    注: 据老师讲,成都新成立的研发中心是北京研发中心那边的某一两个处+其他处的一些员工,搬迁到成都这边,又组织了一批社招人员。 成都这边预计会拆分成五个处/科室,做分行的一些业务,还有其他的任务,后续根据总部的安排进行扩充,目前成都这边只有开发岗,没有其他岗位,后续可能会招聘(所以会问愿不愿意做开发,可能有些同学想做算法,有些想做产品之类的)。

    ·········································分割线···············································
    12.5更新:
    上午: 导师陆续叫名单上的人去面试(4对1,专业面试),名单上大概有四五十人?,原以为是统计了非计算机专业的同学,后面得知,有些计算机专业的同学也进行了面试,而导师在实习结束后说只是随机抽取了几十位同学进行了面试。而面试的内容大概就是问问你学过什么计算机专业课,然后问计算机专业课的一些基础知识,导师的意思是找到优秀的同学,同时剔除完全没有代码能力的人。(其实跟宣讲会那个面试差不多,也就是常规的银行面试套路,喜欢问计算机专业基础课)
    下午: 抽出了一两位导师继续面试,剩下的导师参与实习答辩,下午两点开始,一直持续到下午六点,共8组,预计每组30分钟(20分钟PPT讲解+项目展示,10分钟提问),最终参与实习答辩的导师应该是6位。答辩重点: 需求分析,银行业务了解,业务逻辑,前端页面展示,没有看具体代码。后续导师针对展示的页面与系统进行简单的提问。下午6点,导师宣布实习结束,在下周末之前会有一次现场HR面谈
    小记: 通过网上的了解,结合此次实习的体验,基本可以验证两个点,第一,中信内部会有加班时长排名,第二,每个月会有代码量的要求作为绩效考核的一项标准,第三,没有加班费,加班长短看科室,但是995我觉得没跑,甚至996。

    五、 二次面谈

    5号下午6点实习结束,6号晚上发了二次面谈邮件,7号现场面谈,需要准备的资料非常多,像是一次背调。去了现场之后按照签到顺序叫号依次面谈,面谈形式1对1,旁边有一位工作人员进行信息录入。面试官应该是HR,问的问题基本和宣讲会之后的二面一样:自我介绍,想留哪个地区,为什么想留这个地区,能不能接受996,为什么想来中信,拿了哪些offer,还有三方吗等等,就是基本问题,照实回答就可以。然后就结束了。最后说了一句:回去等通知吧。

    小记:此次实习应该是刷了一些人(有些人没有被通知过来二次面谈),但是应该刷的人应该很少, 银行面试不同于互联网纯看技术,有很多不确定性因素,可能你的表现力,你的态度,也是一个考核的点。另外二次面谈不知道刷不刷人,接着等通知吧。

    六、 建议

    1. 简历与自我介绍:

    简单说一下,给明年准备签银行的小伙伴们一些建议,银行还是比较看重学校和专业的,相比之下,更看重专业,也就是计算机专业的,如果你不是计算机专业的,但是你所在的学院和计算机专业有相关点,那么在你的简历中一定要标清楚你的学院;如果你研究生的研究方向也是计算机相关的,那么你也要在简历中突出;另外如果本科课程中有学过计算机相关基础课的,也要在简历中标明。

    除了上面要在简历中标明的东西外,自我介绍中也要重点体现,可能你那些和银行不匹配的项目,在面试官那里还不如计算机基础课入耳。如果专业和计算机无关,那么建议提前一两个月学一学(去银行信科岗,,起码要会一点SQL,数据结构,一门语言吧,这些提前学一学,写到简历中,自我介绍时重点说一下)。

    还有就是四六级和奖学金,这是HR比较看重的点

    2. 技术积累:

    银行最看重的技术是java和SQL。其次是数据结构
    刷一下银行信科的笔试题。

    3. 宝洁八大问:

    类似这种问题,自己想想怎么回答,不需要背别人的答案,根据自己的性格和特点,自己总结一下。
    还有就是必问问题:
    为什么想来银行?
    为什么想来我们银行?
    我们银行和XX银行的区别?
    你怎样看待私企与国企?

    七、 签约

    可以两方入职
    北京户口的话中信肯定不稳,今年又扩招,更不稳了。当然我报的成都岗,不需要户口。。。
    ·········································分割线···············································
    12.14更新:
    实习群内工作人员说目前成都第一批实习通过的签报名单已经于12月12日递交给总部了,各位同学的资料审核通过并且领导签批通过后会邮件通知后续的签约和体检。个人估计12月底或者下月初。(不知道是先体检还是先签约,工作人员没说,反正这个时间节点肯定会有结果,体检or签约,收到后续邮件之后,后面应该就不会刷人了)。
    另外,工作人员说这次面谈的人员中,可能还会刷人。

    ·········································分割线···············································
    12.20更新:
    实习群内人资说体检已经发了52个人,分批发送,一共500人左右,有可能持续两周之久。

    ·········································分割线···············································
    12.23更新:
    收到背调邮件+短信,群内人资说今天和明天大概会发400封体检和背调的邮件,目前收到了背调邮件,等待明天的体检邮件。
    随后收到了体检短信,免费体检,自行预约时间。

    ·········································分割线···············································
    2020.01.09更新:
    2020年1月9日邮件通知签约时间,北京10号签约会,成都11号签约会。

    ·········································分割线···············································
    2020.01.11更新:
    成都地区现场签约会:
    以下内容均为HR所说,括号中内容为博主补充。

    1. 可签两方走改派入职;
    2. 六险三金:企业年金,补充医疗保险,终身重疾险,(说以后生大病基本不用花钱了)
    3. 公积金: 第一年正常缴纳,以后按照上一年的总收入(总月薪+年终)*12%的比例来缴纳
    4. 试用期六个月,理论上无年终奖
    5. 第一次签约4年,第二次3年,第三次签3年或者签“终身”合同。(或者是第四次签“终身”合同)
    6. **两年锁定期:**实习期结束后,还有两年的锁定期,这两年不会晋升
    7. 快速成长期:锁定期结束后,每年两次晋升的机会。(看脉脉上说每次晋升可以涨4,5W的年薪)
    8. 定级T1,硕士研究生好像都是一样的,HR说本科和硕士薪资差不多;社招一般定级也是T1,但是社招和校招是两条不同的线
    9. 996:HR说封顶996,说目前经济不景气,而且公司正在转型,加班是必然。HR自称已经一年没有过过周六了。周六的话一般九点十点来上班,下午三四点就下班了。
    10. 上班时间早晨8点半,11点半下班,下午1点半上班,5点半下班。(网上很多人说每周124八点半下班,周356正常下班,其中周三是健身日,周五是家庭日。)
    11. 上班地点,兴隆湖这边的一个科创中心租了几层,未来两三年要搬到附近其他的楼(说要自己买一栋楼)
    12. 与总行签约,总行编制
    13. 福利部分: 饭补(据说每个月1400),交通补,话费补(据说交通补和话费补已经没了),过节费(估计几千块),高温费(HR说只有北京有,成都没有);还有一些隐形福利,包括购物卡,电影票等非现金;没有房补,国家不允许发房补了
    14. 薪资: 试用期税前7000-8000,转正后,年终占年薪将近50%,具体薪资,HR说是机密,不能说,打了个比方:去中南大学/东南大学校招的某石油企业,给本科开10W,硕士15W,博士20W,去非洲的话25W,然后说在中信的薪资是肯定比这个企业开出最高档的薪资要高的。(不知道加没加福利补贴,我猜肯定是加了的);年终奖一般人都能拿到将近年薪的50%,也就是将近12个月的月薪(这句话是HR说的,不知道是不是画饼)
    15. 违约金:2W
    16. 理论上是3月1号之前都可以签约,因为三月份就要开始启动春招了。但是后面的情况说不准,最好是尽快签约。
    17. 有两周的入职培训
    18. 专业培训:入职后有很多培训可以参加和学习
    19. 优选计划:(具体名字记不清了),从校招生里选出大概10%的优秀应届生,去省分行或其他机构进行学习之类的。

    博主补充说明:
    20. 1月10号是北京的签约会,不管是交流群里还是牛客还是offershow,都有人说了薪资,说北京签约会,透露出的薪资是本科26W起,不包含福利补贴,硕士比本科要高一点; 成都薪资是北京的85折(按照这个说法的话,成都就是22W起)
    21. 如果真如HR所说的,一般人都能拿到12个月的年终的话,这个成都22W的年薪感觉还是比较可靠的,但是福利补贴肯定是缩水了的,听说有些福利已经没了,也有人说以其他形式进行补发了的。
    22. 毕竟两万块钱的违约金,签了肯定就是要去的,所以博主也还没签,趁着这个周末,好好思考一下,还是蛮心动的。

    ·········································分割线···············································
    2020.01.12更新:
    因为我是成都地区的,北京那边的签约会不太了解,成都这边HR简单说了一下关于去北京的问题,主要就是户口。
    中信这边每年的户口指标不是很多,而且今年又扩招,所以只能给一部分人京户:
    第一,签三方的,两方同学应该是没戏;HR说大概每年四月份左右会出来今年的户口指标,到时候拿着各位的 三方协议 去给各位办理北京户口(听说必须拿三方协议才能办户口,而不是中信要求的),然后HR的意思是,在这之前只要和我们签三方的同学都有可能拿到京户
    第二,排名靠前的,实习的时候听说有个打分,然后出一个排名。

    八、 加班与薪资情况(道听途说)

    offershow和脉脉上可查,
    北京那边校招税前20W+5W福利补贴,平时与年终各一半(绩效A应该可以拿更多) 。 (我觉得薪资依然是个谜,北京25W是网上查到比较可靠的,也有说其他的,并且说今年要降薪,,搞不懂,如果有了解的,欢迎留言补充)。如果成都也是这个薪资的话,那么在成都这边的银行中,还是很有竞争力的。
    中信据说有代码量考核,每个月要完成多少行的代码量,作为绩效考评。
    听说北京那边社招的有申请转到成都的,然后降薪了,北京的员工转到成都,薪资打85折(5W的福利不打折,但是福利不清楚都有什么,竟然有5W,,,不知道包不包含企业缴纳的五险一金),所以不清楚,校招的话成都这边会不会打折。。如果打折的话感觉性价比不高了。
    据说995 996是日常,忙的时候可能9106,项目上线的时候可能要通宵?每周124,早晨8点半上班,晚上8点半下班。周35一般正常点下班。(都是道听途说,无法考证)
    成都这边工作地点应该就是兴隆湖,属于天府新区,成都市重点发展区域,但是。。。那边现在很荒凉,而且很远,,从兴隆湖到春熙路/天府广场的话坐地铁估计要一个小时吧。

    九、 个人感受

    在校招开始前打算去银行,所以有过还算深入的了解,银行软开的话,只看这些比较大型的银行中的总行信息科技部,中信银行可能是加班最多也是工资最高的,银行软开这边基本就是加班多的钱就多,加班少的钱就少。面试的话,有了解过去年的,也是相对比较简单,今年面试也是如此(不知道实习难不难),而且今年又扩招,所以从发展上来讲,也不能有一个确定的感受,不清楚这次扩招是不是一个机遇。

    十、 相关截图

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 人工智能时代,所需要了解人工智能的基本常识

    万次阅读 多人点赞 2018-12-10 22:49:44
    国内对于人工智能的讨论大多是不成体系的碎片式,很从中深入了解人工智能的发展脉络和技术体系,也很有实际借鉴意义。人工智能的历史、核心技术和应用情况进行了详细说明,尤其是其中重要的认知技术。这份报告将...

      国内对于人工智能的讨论大多是不成体系的碎片式,很难从中深入了解人工智能的发展脉络和技术体系,也很难有实际借鉴意义。人工智能的历史、核心技术和应用情况进行了详细说明,尤其是其中重要的认知技术。这份报告将有助于我们对人工智能和认知技术进行深入了解,也有助于各行业的公司考量人工智能应用的实际价值。

      一、概述

      近几年各界对人工智能的兴趣激增,自2011年以来,开发与人工智能相关的产品和技术并使之商业化的公司已获得超过总计20亿美元的风险投资,而科技巨头更是投资数十亿美元收购那些人工智能初创公司。相关报道铺天盖地,而巨额投资、计算机导致失业等问题也开始浮现,计算机比人更加聪明并有可能威胁到人类生存这类论断更是被媒体四处引用并引发广泛关注。

      IBM承诺拨出10亿美元来使他们的认知计算平台Watson商业化。

      谷歌在最近几年里的投资主要集中在人工智能领域,比如收购了8个机器人公司和1个机器学习公司。

      Facebook聘用了人工智能学界泰斗YannLeCun来创建自己的人工智能实验室,期望在该领域获得重大突破。

      牛津大学的研究人员发表了一篇报告表明,美国大约47%的工作因为机器认知技术自动化而变得岌岌可危。

      纽约时报畅销书《TheSecondMachineAge》论断,数字科技和人工智能带来巨大积极改变的时代已经到来,但是随之而来的也有引发大量失业等负面效应。

      硅谷创业家ElonMusk则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。

      著名理论物理学家StephenHawking认为,如果成功创造出人工智能则意味着人类历史的终结,“除非我们知道如何规避风险。”

      即便有如此多炒作,但人工智能领域却也不乏显著的商业行为,这些活动已经或者即将对各个行业和组织产生影响。商业领袖需要透彻理解人工智能的含义以及发展趋势。

      二、人工智能与认知科技

      揭秘人工智能的首要步骤就是定义专业术语,勾勒历史,同时描述基础性的核心技术。

      1、人工智能的定义

      人工智能领域苦于存在多种概念和定义,有的太过有的则不够。作为该领域创始人之一的NilsNilsson先生写到:“人工智能缺乏通用的定义。”一本如今已经修订三版的权威性人工智能教科书给出了八项定义,但书中并没有透露其作者究竟倾向于哪种定义。对于我们来说,一种实用的定义即为——人工智能是对计算机系统如何能够履行那些只有依靠人类智慧才能完成的任务的理论研究。例如,视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。比起研究人类如何进行思维活动,从人类能够完成的任务角度对人工智能进行定义,而非人类如何思考,在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。值得一提的是,随着计算机为解决新任务挑战而升级换代并推而广之,人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以,人工智能的定义随着时间而演变,这一现象称之为“人工智能效应”,概括起来就是“人工智能就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。”

      2、人工智能的历史

      人工智能并不是一个新名词。实际上,这个领域在20世纪50年代就已经开始启动,这段探索的历史被称为“喧嚣与渴望、挫折与失望交替出现的时代”——最近给出的一个较为恰当的评价。

      20世纪50年代明确了人工智能要模拟人类智慧这一大胆目标,从此研究人员开展了一系列贯穿20世纪60年代并延续到70年代的研究项目,这些项目表明,计算机能够完成一系列所本只属于人类能力范畴之内的任务,例如证明定理、求解微积分、通过规划来响应命令、履行物理动作,甚至是模拟心理学家、谱曲这样的活动。

      但是,过分简单的算法、匮乏的难以应对不确定环境(这种情形在生活中无处不在)的理论,以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题。伴随着对缺乏继续努力的失望,人工智能于20世纪70年代中期逐渐淡出公众视野。

      20世纪80年代早期,日本发起了一个项目,旨在开发一种在人工智能领域处于领先的计算机结构。西方开始担心会在这个领域输给日本,这种焦虑促使他们决定重新开始对人工智能的投资。20世纪80年代已经出现了人工智能技术产品的商业供应商,其中一些已经上市,例如Intellicorp、Symbolics、和Teknowledge。

      20世纪80年代末,几乎一半的“财富500强”都在开发或使用“专家系统”,这是一项通过对人类专家的问题求解能力进行建模,来模拟人类专家解决该领域问题的人工智能技术。

      对于专家系统潜力的过高希望彻底掩盖了它本身的局限性,包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本,当这一点被越来越多的人所认识到时,人工智能研究再一次脱离轨道。

      20世纪90年代在人工智能领域的技术成果始终处于低潮,成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注,这一方面是因为这些技术避免了专家系统的若干限制,另一方面是因为新算法让它们运行起来更加高效。

      神经网络的设计受到了大脑结构的启发。遗传算法的机制是,首先迭代生成备选解决方案,然后剔除最差方案,最后通过引入随机变量来产生新的解决方案,从而“进化”出解决问题的最佳方案。

      3、人工智能进步的催化剂

      截止到21世纪前10年的后期,出现了一系列复兴人工智能研究进程的要素,尤其是一些核心技术。下面将对这些重要的因素和技术进行详细说明。

      1)摩尔定律

      在价格、体积不变的条件下,计算机的计算能力可以不断增长。这就是被人们所熟知的摩尔定律,它以Intel共同创办人GordonMoore命名。GordonMoore从各种形式的计算中获利,包括人工智能研究人员使用的计算类型。数年以前,先进的系统设计只能在理论上成立但无法实现,因为它所需要的计算机资源过于昂贵或者计算机无法胜任。今天,我们已经拥有了实现这些设计所需要的计算资源。举个梦幻般的例子,现在最新一代微处理器的性能是1971年第一代单片机的400万倍。

      2)大数据

      得益于互联网、社交媒体、移动设备和廉价的传感器,这个世界产生的数据量急剧增加。随着对这些数据的价值的不断认识,用来管理和分析数据的新技术也得到了发展。大数据是人工智能发展的助推剂,这是因为有些人工智能技术使用统计模型来进行数据的概率推算,比如图像、文本或者语音,通过把这些模型暴露在数据的海洋中,使它们得到不断优化,或者称之为“训练”——现在这样的条件随处可得。

      3)互联网和云计算

      和大数据现象紧密相关,互联网和云计算可以被认为是人工智能基石有两个原因,第一,它们可以让所有联网的计算机设备都能获得海量数据。这些数据是人们推进人工智能研发所需要的,因此它可以促进人工智能的发展。第二,它们为人们提供了一种可行的合作方式——有时显式有时隐式——来帮助人工智能系统进行训练。比如,有些研究人员使用类似MechanicalTurk这样基于云计算的众包服务来雇佣成千上万的人来描绘数字图像。这就使得图像识别算法可以从这些描绘中进行学习。谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量。

      4)新算法

      算法是解决一个设计程序或完成任务的路径方法。最近几年,新算法的发展极大提高了机器学习的能力,这些算法本身很重要,同时也是其他技术的推动者,比如计算机视觉(这项科技将会在后文描述)。机器学习算法目前被开源使用,这种情形将促成更大进步,因为在开源环境下开发人员可以补足和增强彼此的工作。

      4、认知技术

      我们将区分人工智能领域和由此延伸的各项技术。大众媒体将人工智能刻画为跟人一样聪明的或比人更聪明的计算机的来临。而各项技术则在以往只有人能做到的特定任务上面表现得越来越好。我们称这些技术为认知技术(下图),认知技术是人工智能领域的产物,它们能完成以往只有人能够完成的任务。而它们正是商业和公共部门的领导者应该关注的。下面我们将介绍几个最重要的认知技术,它们正被广泛采纳并进展迅速,也获得大量投资。

      一文了解人工智能的基本常识

      1)计算机视觉

      是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如,一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。

      计算机视觉有着广泛应用。其中包括,医疗成像分析被用来提高疾病的预测、诊断和治疗;人脸识别被Facebook用来自动识别照片里的人物;在安防及监控领域被用来指认嫌疑人;在购物方面,消费者现在可以用智能手机拍摄下产品以获得更多购买选择。

      机器视觉作为一个相关学科,泛指在工业自动化领域的视觉应用。在这些应用里,计算机在高度受限的工厂环境里识别诸如生产零件一类的物体,因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究,而机器视觉则是“已经解决的问题”,是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大,计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。

      2)机器学习

      指的是计算机系统无需遵照显式的程序指令而只是依靠暴露在数据中来提升自身性能的能力。其核心在于,机器学习是从数据中自动发现模式,模式一旦被发现便可用于做预测。比如,给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库,系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多,预测就会越好。

      机器学习的应用范围非常广泛,针对那些产生庞大数据的活动,它几乎拥有改进一切性能的潜力。除了欺诈甄别之外,这些活动还包括销售预测、库存管理、石油和天然气勘探、以及公共卫生。机器学习技术在其他的认知技术领域也扮演着重要角色,比如计算机视觉,它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。现如今,机器学习已经成为认知技术中最炙手可热的研究领域之一,在2011-2014年中这段时间内就已吸引了近十亿美元的风险投资。谷歌也在2014年斥资4亿美金收购Deepmind这家研究机器学习技术的公司。

      3)自然语言处理

      是指计算机拥有的人类般文本处理的能力,比如,从文本中提取意义,甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式,但是它却可以用非常复杂与成熟的手段巧妙处理文本,例如自动识别一份文档中所有被提及的人与地点;识别文档的核心议题;或者在一堆仅人类可读的合同中,将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成,后者仅能针对简单的文本匹配与模式进行操作。请思考一个老生常谈的例子,它可以体现自然语言处理面临的一个挑战。在句子“光阴似箭(Timeflieslikeanarrow)”中每一个单词的意义看起来都很清晰,直到系统遇到这样的句子“果蝇喜欢香蕉(Fruitflieslikeabanana)”,用“水果(fruit)”替代了“时间(time)”,并用“香蕉(banana)”替代“箭(arrow)”,就改变了“飞逝/飞着的(like)”与“像/喜欢(like)”这两个单词的意思。

      自然语言处理,像计算机视觉技术一样,将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布,举例来说,就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字,通过识别这些元素可以把某类文字同其他文字区别开来,比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准,用来决定一封邮件是否属于垃圾邮件。

      因为语境对于理解“timeflies(时光飞逝)”和“fruitflies(果蝇)”的区别是如此重要,所以自然语言处理技术的实际应用领域相对较窄,这些领域包括分析顾客对某项特定产品和服务的反馈、自动发现民事诉讼或政府调查中的某些含义、以及自动书写诸如企业营收和体育运动的公式化范文等。

      4)机器人技术

      将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中,这就催生了新一代的机器人,它有能力与人类一起工作,能在各种未知环境中灵活处理不同的任务。例如无人机,还有可以在车间为人类分担工作的“cobots”,还包括那些从玩具到家务助手的消费类产品。

      5)语音识别技术

      主要是关注自动且准确的转录人类的语音。该技术必须面对一些与自然语言处理类似的问题,在不同口音的处理、背景噪音、区分同音异形异义词(“buy”和“by”听起来是一样的)方面存在一些困难,同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术,再辅以其他技术,比如描述声音和其出现在特定序列和语言中概率的声学模型等。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino’sPizza最近推出了一个允许用户通过语音下单的移动APP。

      上面提到的认知技术进步飞快并吸引了大量投资,其他相对成熟的认知技术仍然是企业软件系统的重要组成部分。这些日渐成熟的认知技术包括决策最优化——自动完成对复杂决策或者在资源有限的前提下做出最佳权衡;规划和调度——使设计一系列行动流程来满足目标和观察约束;规则导向系统——为专家系统提供基础的技术,使用知识和规则的数据库来自动完成从信息中进行推论的处理过程。

      三、认知技术的广泛使用

      各种经济部门已经把认知技术运用到了多种商业职能中。

      1)银行业

      自动欺诈探测系统使用机器学习可以识别出预示着欺诈性付款行动的行为模式;借助语音识别技术能够自动完成电话客服;声音识别可以核实来电者的身份

      2)医疗健康领域

      美国有一半的医院采用自动语音识别来帮助医生自动完成医嘱抄录,而且使用率还在迅速增长;机器视觉系统自动完成乳房X光检查和其他医学影响的分析;IBM的Watson借助自然语言处理技术来阅读和理解大量医学文献,通过假设自动生成来完成自动诊断,借助机器学习可以提高准确率。

      3)生命科学领域

      机器学习系统被用来预测生物数据和化合物活动的因果关系,从而帮助制药公司识别出最有前景的药物。

      4)媒体与娱乐行业

      许多公司正在使用数据分析和自然语言生成技术,自动起草基于数据的的公文材料,比如公司营收状况、体育赛事综述等。

      5)石油与天然气

      厂商将机器学习广泛运用在矿藏资源定位、钻井设备故障诊断等众多方面。

      6)公共部门

      出于监控、合规和欺诈检测等特定目的,公共部门也已经开始使用认知技术。比如,乔治亚州正在通过众包的形式来进行财政披露和竞选捐助表格的数字化,在这个过程中他们就采用了一套自动手写识别系统。

      7)零售商

      零售商利用机器学习来自动发现有吸引力的交叉销售定价和有效的促销活动。

      8)科技公司

      它们正利用机器视觉、机器学习等认知技术来改进产品或者开发全新产品,比如Roomba机器人吸尘器,Nest智能恒温器。

      上述例子表明,认识技术的潜在商业收益远大于自动化带来的成本节约,这主要体现在:

      更快的行动与决策(比如,自动欺诈检测,计划和调度)

      更好的结果(比如,医学诊断、石油探测、需求预测)

      更高的效率(亦即,更好的利用高技能人才和昂贵设备)

      更低的成本(比如,自动电话客服减少了劳动成本)

      更大的规模(亦即,开展人力无法执行的大规模任务)

      产品与服务创新(从增加新功能到创造新产品)

      四、认知技术影响力与日俱增的原因

      在未来五年,认知技术在商业领域的影响力将显著增长。原因有二,首先,近些年来,技术性能有了实质进步,并处于持续研发状态。其次,数亿美元已经投入到技术商业化中,许多公司正致力于为各商业部门的广泛需求提供定制化开发和打包方案,以使这些技术更易购买和配置。虽然并非所有的技术提供商都能幸存,但他们的努力将共同推动市场前进。技术性能的改善和商业化正在共同扩大着认知技术的应用范围,这种情况在未来几年都将持续下去。

      1、技术提升扩展了应用范围

      认知技术大踏步前进的例子非常多。比如Google的语音识别系统,一份报告显示,Google用了不到两年时间就将语音识别的精准度从2012年的84%提升到如今的98%。计算机视觉技术也取得了突飞猛进的发展。如果以计算机视觉技术研究者设置的技术标准来看,自2010年到2014年,图像分类识别的精准度提高了4倍。Facebook的DeepFace技术在同行评审报告(译者注:同行评审,是一种学术成果审查程序,即一位作者的学术著作或计划被同一领域的其他专家学者评审。)被高度肯定,其脸部识别率的准确度达到97%。2011年,IBM为了让Watson在智力节目《危险边缘》中获胜,曾对Watson进行优化,提升两倍的答案精确度。现在,IBM又宣称如今的Watson比当时“智能”了2400%。

      随着技术的改进和提高,技术应用的范围也在不断扩大。比如,在语音识别方面,机器曾经需要大量训练才能在有限词库里勉强识别出来,由语音识别技术延伸出的医疗应用程序也很难得到真正普及。而现在,每个月互联网上都会有数以百万次的语音搜索。另外,计算机视觉技术过去被狭隘的理解为部署在工业自动化方面,但现在,我们早已看到这一技术被广泛运用到监控、安全以及各种各样的消费应用里。IBM如今正拓展Watson在竞赛游戏之外的应用,从医疗诊断到医学研究再到财务建议以及自动化的呼叫中心。

      并不是所有的认知技术都有如此令人瞩目的发展。机器翻译有了一定发展,但幅度很小。一份调查发现,从2009年到2012年,将阿拉伯语翻译到英语的精确度仅仅提升了13%。尽管这些技术还不完美,但他们已经可以影响到专业机构的工作方式。很多专业翻译人员依靠机器翻译提升翻译精准度,并把一些常规翻译交给机器,自己专注在更具挑战性的任务上。

      很多公司正努力将认知技术做进一步研发,并逐步将其融入到更多产品尤其是企业级产品里,以方便企业用户购买和部署。

      2、对商业化进行的大规模投资

      从2011年到2014年5月,超过20亿美元的风险投资流入到基于认知技术研究的产品和服务里。与此同时,超过100家的相关公司被兼并或收购,其中一些被互联网巨头如亚马逊、苹果、Google、IBM或Facebook收购。所有这些投资都在培育一个多样化的公司图谱,这些公司正在加速认知技术的商业化进程。

      在这里,我们并不会提供关于某公司在认知技术商业化方面的细节,我们希望说明,认知技术产品拥有丰富的多样性。下面就是致力于认知技术商业化的公司名单,这个名单既不是完整无缺也非固定不变,而是一个动态的,用于推动和培育市场的指标。

      数据管理和分析工具主要使用自然语言处理、机器学习等认知技术。这些工具利用自然语言处理来从非结构化的文本中提取出意思,或者借助机器学习帮助分析人员从大规模数据集中发现深层含义。这个领域的公司包括ContextRelevant(译者注:美国的一家大数据挖掘和分析公司)、PalantirTechnologies(译者注:这家公司称要将数据、技术、人类和环境连接起来)、以及Skytree(译者注:一家借助机器学习进行市场分析并提供决策依据的大数据公司)。

      认知技术的各个部分可以被整合到各种应用和商业决策中,分别起到增加功能和提高效率的作用。例如,Wise.io公司提供一套模块来促进商业决策,比如客户支持、营销和销售,这里面会用到机器学习模型来预测哪些客户比较容易流失,以及哪些潜在客户更加容易转化。Nuance公司通过提供一种语音识别技术来帮助开发者进行需要语音控制的移动APP的开发。

      单点解决方案。众多认知技术成熟的标志是它们正在被不断的嵌入到特定商业问题的解决方案中。这些解决方案的设计初衷是要比公司原有的解决方案更加有效,并且几乎不需要认知技术方面的专业人员。普及度比较高的应用领域包括广告、营销和销售自动化、预测以及规划。

      技术平台。平台的目的是为建立高度定制化的商业解决方案提供基础。它们会提供一系列功能,包括数据管理、机器学习工具、自然语言处理、知识表示和推理、以及将这些定制化软件整合在一起的统一框架。

      3、新兴应用

      如果这些技术的表现和商业化趋势继续发展,我们就能够大胆预测认知技术的应用将更加广泛,被接受程度也会大大增加。数亿美金的投资涌入这些基于机器学习、自然语言处理、机器视觉或者机器人技术的公司,这预示着许多新应用即将投入市场。在商业机构依托认知技术构建自动化业务流程、增强产品和服务方面,我们也看到了巨大空间。

      五、认知技术在企业的应用路径

      认知技术将在接下来几年里变得流行。在未来2-5年,技术层面的进步和商业化将扩大认知技术对企业的影响。越来越多的企业会找到一些创新性应用来显著改善他们自身的表现或者创造新功能,以增强他们的竞争地位。企业的IT部门现在可以行动起来,增加对这些技术的了解,评估出适用这些技术的机会,将这些技术可能带来的价值向领导进行汇报。高级商务和公共部门的领导应该思考认知技术将对他们的部门以及整个公司产生何种影响,这些技术将如何激发创新并提升经营表现。


    1.人工智能大发展时代,如何利用大数据改变现有商业模式?

    http://www.duozhishidai.com/article-17554-1.html

    2.人工智能来势凶猛,人工智能最热门的技术趋势是什么

    http://www.duozhishidai.com/article-923-1.html

    3.今年人工智能领域,十项中外人工智能领域富有突破性的技术

    http://www.duozhishidai.com/article-17560-1.html

     

    展开全文
  • 做硬件还是做软件?硬件真的不如软件有前(钱)途?这不是一个新鲜的话题,而是很多电子硬件工程师长久以来的无奈和痛楚。尤其近几年,全球互联网发展迅速,让软件人才变得炙手可热。供求关系决定价格,加之软件...
  • 万般皆下品惟有读书高、书中自有黄金屋、黑发不知勤学早,白首方悔读书迟、书犹药也,善读之可以愚、用宝珠打扮自己,不如用知识充实自己、鸟欲高飞先振翅,人求上进先读书…….. 我想关于描写读书的谚语都不用我...
  • 我的自学中医之路

    千次阅读 2019-05-07 09:56:57
    三、众里寻他千百度──我的学医路  一开始的目标,是在家里受冷落多年的《三个月学开药方》。读来读去,我发现里面云山雾罩、很难看明白。后来就广泛撒网,到处瞎看。  看着看着,我发现很多人说,学中医要从...
  • 《人工智能杂记》人工智能时间简史

    万次阅读 多人点赞 2018-03-13 08:54:55
    人工智能(Artificial Intelligence,AI)是指计算机像人一样拥有智能能力,是一个融合计算机科学、统计学、脑神经和社会科学的前沿综合学科,可以代替人类实现识别、认知,分析和决策等多种功能。如当你说一句话...
  • 问:零基础,想FPGA,应该从哪入手?应该看什么教程?应该用什么学习板和开发板?看什么书等? 如果想速成,那就上网看视频吧,这样主要是面对应用的,一个小时内让你的板子运行起来。早期起来的快,活活用,...
  • C#基础教程-c#实例教程,适合初学者

    万次阅读 多人点赞 2016-08-22 11:13:24
    程序所完成的输入输出功能是通过Console类来完成的,Console是在名字空间System中已经定义的一个类。Console类有两个最基本的方法WriteLine和ReadLine。ReadLine表示从输入设备输入数据,WriteLine则用于在输出...
  • 本文由Markdown语法编辑器编辑完成。 《医生的修炼》 目录 总序: 了不起的葛文德 楔子: 当简单科学遇到复杂个体 第一部分: 孰能无过 01: 一把刀的修炼 ... 05: 医生是怎...
  • 大数据时代下的人工智能医疗

    万次阅读 多人点赞 2020-08-06 17:04:45
    事实上,人工智能医疗领域最紧缺的是算法工程师,大部分有一定规模的社招平台,在AI领域招聘的技术人员算法居多,的算法工程师一票求,在这里我对“千军易得,一将难求”有很深的体会,从产品的角度,初级阶段...
  • 问:本人零基础,想FPGA,求有经验的人说说,我应该从哪入手,应该看什么教程,应该用什么学习板和开发板,看什么书等,希望有经验的好心人能够给我一些引导。 如果想速成,那就上网看视频吧,这样主要是面对应用...
  • 传统数学建模是我们在学校里都过的建模方法,该方法中,数学家们基于专家经验和对现实世界的理解进行建模。而机器学习建模则是另一种完全不同的建模方式,机器学习算法以一种更加隐蔽的方式来描述一些客观事实,...
  • 但是成绩就是很,她化学进了学校的竞赛培训班,数学也很,但是平时完全没有死命的迹象。 第二个,另一个寝室的,我们是寄宿学校要求交手机,她没交,经常看见她玩,成绩也是铁打的特别。 我观察了一下,...
  • 【转】FPGA真的很难学详细解答

    千次阅读 多人点赞 2019-01-07 10:36:59
    早期起来的快,活活用,就是后期没有系统理论支持,会有些吃力,特别是大项目,那完全是个悲剧。国内做的可以的,周立功算一个了,艾米电子也可以。这两家都有学习板,不过后者的教程抄袭的前者的。前者功底深厚些...
  • (还是那句话,借鉴网上现有的,自己开发难度Huge) 2.11 无人机 吧,不得不又谈四轴了,现在无人机导航送快递、监控交通可谓前景广大,有兴趣创客可以做一个,网上各类资料,实现不,但主要是烧钱…....
  • 多源数据融合学习

    万次阅读 多人点赞 2017-10-14 20:08:55
    容错能力 最差 较差 较 融合算法难度 中 易 融合前处理 最小 中 最大 融合性能 最好 中 差 传感器依赖程度 大 中 小 信息融合中的关键技术主要包括:数据转换、数据关联、融合算法。 常用融合方法的比较 融合...
  • 基于深度学习的医学图像分割综述

    万次阅读 多人点赞 2018-07-03 10:15:34
    此外,相比于CT图像,MRI的获取需要相当长的时间,且通常条件下很得到统一的图像质量。 1.2 CT图像 医学CT成像设备使用X射线(一种电磁波)得到人体的结构和功能信息。CT影像是基于X射线吸收剖面的重构图像...
  • SEO并不难学,我是如何学习SEO的

    千次阅读 2018-01-07 12:04:59
    后来到一家美网站,开始接触正规化SEO流程,对接产品技术,提需求、改页面等等(之前都是一个人承担所有职位),网站还和百度有正规的阿拉丁合作,且开始接手SEM的工作。那时候注意到了google的网站质量指南,回头...
  • 如何学习离散数学和在计算机科学中应用

    万次阅读 多人点赞 2014-12-18 20:45:26
    一般来说,离散数学内容广泛且高度抽象,可以说是一门既教又难学的课程,这无疑给教师的教学和学生的学习带来了一定的难度。一方面,离散数学不仅 是为专业服务的基本理论,而且通过该课程可以培养学生的抽象思维...
  • AI基本概念和应用

    万次阅读 2017-11-09 22:13:58
    机器学习的一个子集,用复杂、庞大的神经网络进行机器学习,也是机器学习里面现在比较火的一个Topic,目前在图像,语音等富媒体的分类和识别上取得了非常的效果。 综合来说,可以理解为:机器学习是实现人工...
  • 基于深度学习的医学图像配准综述(2020-6-25更新)

    万次阅读 多人点赞 2019-05-07 10:27:19
    标注的数据极其有限,深度学习极其依赖数据,大家都知道,而利用监督学习方法就需要大量的带标注的数据,这就更收集了,不过还,现在有无监督学习; 等等。 近几年深度学习的火热带动了很多领域的研究,配准...
  • 医学图像分割

    万次阅读 2018-06-05 20:57:15
    尽管医学图像搜索社区付出了显著的努力,大脑组织的自动分割和异常区的检测任然没有解决,由于脑部形态正常解剖变异,获取设置和核磁共振成像扫描仪的变化,图像采集的缺陷,病理表现的异常。 深度学习在医学...
  • 咱所说的话从来没有从语法开始起, 照样能说的. 何况是世界上最学习的语言之一的中文. 如果从基础开始, 相对低效. 并且是用需要用自然主义的学习方法用了结构主义去. 这样只会事倍功半. 自然主义的学习...
  • 经常看到有初学者的提问,本人零基础,想FPGA,求有经验的人说说,我应该从哪入手,应该看什么教程,应该用什么学习板和开发板,看什么书等,希望有经验的好心人能够给我一些引导。FPGA到底怎么呢?如果想速成,...
  • 于是可以得出下表(表3): 表3 患病 吸烟 非吸烟 肺癌(100) a(81) b(19) 健康人(100) c(28) d(72) 根据表3的内容不算出,与非吸烟个体相比,吸烟患者发生肺癌的 RR 是 3.56(计算过程略),该 RR 值与表1的 ...
  • 移动医疗是什么 移动医疗应用实例

    千次阅读 2019-07-10 17:48:51
    移动医疗简介 移动医疗(mHealth),就是通过使用移动通信技术——例如PDA、移动电话和卫星通信来...移动医疗服务主要包括移动护、患者服务、移动支付、资产管理及远程诊疗。其涉及到医院的门诊、输液、病房、手术...
  •  丁香园、大夫、春雨医生等虽然具体的细分领域略有不同,但是都希望搭建一个平台,整合医生资源,通过合理利用碎片时间来解决“就医”的问题。但是该类平台目前受到政策的影响比较大,虽然三者都刚刚拿到融资,...
  • 用同样的经济发展方式与经济原理来分析医疗行业的“看病、看病贵”的问题可知:其根本原因也就在于社会所提供的医疗资源无法满足人民的医疗需求,而又没有很的技术创新手段来解决束缚医疗资源快速增长和快速流通...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 59,159
精华内容 23,663
关键字:

学医好难