精华内容
下载资源
问答
  • AI与医学:AI预测结合医学案例应用——当基因编辑转角遇到AI 背景  今年生物医学领域十大预测中两项出乎意料!  一是没想到“基因编辑婴儿”诞生了!这让全球科学界为之哗然,媒体疯狂炒作了一番。另一项预测...

    AI与医学:AI预测结合医学案例应用——当基因编辑转角遇到AI

    背景

          今年生物医学领域十大预测中两项出乎意料!

          一是没想到“基因编辑婴儿”诞生了!这让全球科学界为之哗然,媒体疯狂炒作了一番。另一项预测更让人沮丧:人工智能对医疗健康的影响并没有想象的那样惊天动地,至今也没人能说清楚AI究竟如何改变医疗服务、护佑健康。

          日前,《JAMA》发表了一篇专家观点,评述人工智能(AI)与医学的未来:探讨AI在医疗和保健领域或改变疾病诊断和精准治疗,或助力患者在正确时间获得正确的治疗。

          AI主要是依靠计算机的超算和学习模型来筛选和解析患者数字化信息,在医疗保健领域里,诸如个人年龄、病史、健康状况、临检报告、医学影像资料,DNA基因编码序列以及与健康相关的其他信息。

          AI擅长从复杂的数据中应用模型和识别规律,并以超人的极速完成工作。人们希望利用AI辅助医生和患者做出更好的诊疗和健康决策。

           有机构调研数据显示:目前国内有近200家从事医疗人工智能的公司,累计融资金额超过180亿元人民币。产品主要以软件为主,业务面向主体包括医院、药店、药企、研究机构、保险公司、移动医疗,可应用场景主要有医学影像、疾病风险预测、药物研发、健康管理等,不过都处于早期阶段,例如,医学虚拟助理类产品一般只能让病人做选择题,还达不到siri的水平。

     

    当基因编辑转角遇到AI

     

     

    参考文章
    人工智能与医疗,发展到什么阶段了?
    当AI遇上基因编辑=基础医学顶刊《Cell》
    《JAMA》观点:评述人工智能与医学的未来 

     

    展开全文
  • 硕博足球走地大数据智能AI预测软件使用秘籍。配合硕博团队研发的足球软件一起使用。喜欢足球的人,可以一起研究!
  • ai 预测未来股市If you have ever studied computer architecture, you probably know the basic steps the hardware takes to execute a certain routine. If you don’t, here is a brief explanation about this ...

    ai 预测未来股市

    If you have ever studied computer architecture, you probably know the basic steps the hardware takes to execute a certain routine. If you don’t, here is a brief explanation about this process [1]:

    如果您曾经学习过计算机体系结构,那么您可能知道硬件执行某个例程所需的基本步骤。 如果不这样做,这里是有关此过程的简要说明[1]

    The first step is to have the high-level code translated to assembly language. The compiler is responsible for doing this. After that, the assembler will translate the assembly language into binary instructions. So, if your code has the following sentence in some high-level language:

    第一步是将高级代码翻译为汇编语言。 编译器负责执行此操作。 之后,汇编器会将汇编语言转换为二进制指令。 因此,如果您的代码在某些高级语言中包含以下句子:

    A + B

    The compiler will turn into:

    编译器将变成:

    add A,B

    The assembler will translate to something like this:

    汇编器将转换为以下内容:

    000001010011

    From this point, the processor executes the following steps:

    从这一点来看,处理器执行以下步骤:

    • Fetch: Read instruction from RAM.

      提取:从RAM读取指令。

    • Decode: Understand the purpose of the instruction (add, for example) and set all flags and registers that will allow the execution of it.

      解码:了解指令的用途(例如添加),并设置允许执行该指令的所有标志和寄存器。

    • Execute: Process the instruction. The instruction can or not use the arithmetic logic unit (ALU). Arithmetic-logical instructions use ALU,

      执行:处理指令。 该指令可以使用算术逻辑单元(ALU),也可以不使用。 算术逻辑指令使用ALU,

      and memory instructions can also use it for addresses calculation.

      存储指令也可以将其用于地址计算。

    • Write-back: Write into the register set the results obtained.

      将获得的结果写入寄存器组。

    This sequence is repeated all the time while the processor is operating and each step takes one clock cycle. The execution depends on decoding which depends on fetching. However, fetching doesn’t depend on decode which doesn’t depend on execution, so once the fetching of a certain instruction is done, the next instruction can be fetched already. The same goes for the others, that’s the processor pipeline (as the following picture shows).

    在处理器运行期间,始终重复此序列,并且每个步骤需要一个时钟周期。 执行取决于解码,而解码取决于提取。 但是,获取不依赖于解码,解码不依赖于执行,因此,一旦完成对某条指令的获取,就可以获取下一条指令。 其他方面也是如此, 这就是处理器管道 (如下图所示)。

    Image for post
    Colin M.L. Burnett on Colin ML BurnettWikimedia CommonsWikimedia Commons上

    预测从何而来? (Where do predictions come in?)

    To talk about predictions, we first need to talk about conditional jumps (or conditional branches). A conditional branch instruction is a jump to a new address that may or may not occur depending on a specific condition [2]. Translating to the high-level languages, it is basically an if-then-else clause:

    要谈论预测,我们首先需要谈论条件跳跃(或条件分支)。 条件分支指令是根据特定条件[2]可能会或可能不会发生的新地址的跳转。 翻译成高级语言,基本上是一个if-then-else子句:

    if some condition:
    do this;
    else:
    do this instead;

    If the condition is satisfied, the code will continue its normal execution. If the condition is not satisfied, the code will jump all lines inside the if block to execute all lines inside the else block. This is one example of conditional branching. For’s and while’s are conditional branches too, since conditions define if the code will be repeated or go straight. The point about conditional branches is: the condition result needs to be calculated at execution time.

    如果满足条件,则代码将继续其正常执行。 如果不满足条件,则代码将跳过if块内的所有行以执行else块内的所有行。 这是条件分支的一个例子。 ForWhile也是条件分支,因为条件定义了代码将重复还是直接执行。 关于条件分支的要点是: 需要在执行时计算条件结果

    That means when a conditional branch instruction comes up in the pipeline, the processor will only know if the branch needs to be taken after calculating the condition result, that is, after the execution stage. Thus, the processor doesn’t know if the following instruction will be executed or a jump to another instruction will occur. This kind of dependency implies a pipeline bubble [3].

    这意味着当条件分支指令在管道中出现时,处理器将仅在计算条件结果之后(即在执行阶段之后)知道是否需要执行分支。 因此,处理器不知道是否将执行以下指令,否则将跳转到另一条指令。 这种依赖性意味着管道泡沫 [3]

    Image for post
    Erhu Hao on 郝二虎ResearchGateResearchGate上的图片

    A pipeline bubble, as the image above shows, is a kind of delay on the processor’s pipeline in order to solve some dependency (or hazard, in the computer architecture language) [1]. The grey blocks represent idle time. Considering that the first instruction of the image above is the conditional branch, the next instruction is fetched only after the conditional branch instruction finishes its execution step, to make sure that the next instruction to be executed will be the right one. So if you give it some thought, this isn’t sustainable in terms of performance. That’s where predictions come in.

    如上图所示,管道气泡是处理器管道上的一种延迟,目的是解决某种依赖性(或在计算机体系结构语言中的危害) [1] 灰色块代表空闲时间。 考虑到上图中的第一条指令是条件分支,因此只有在条件分支指令完成其执行步骤后才提取下一条指令,以确保要执行的下一条指令正确。 因此,如果您想一想,就性能而言,这是不可持续的。 那就是预测的来源。

    分支预测 (The branch prediction)

    What choice the processor have if it doesn’t wait until the calculation of the conditional branches? Well, guessing or predicting the condition result could be a good choice… and it is. The process of predicting the condition result instead of blocking the processor has been used for decades and it is called “branch prediction”.

    如果不等到条件分支的计算,处理器有什么选择? 好吧,猜测或预测条件结果可能是一个不错的选择……确实如此。 预测条件结果而不是阻塞处理器的过程已经使用了数十年,这被称为“分支预测”。

    The fact that they have been used for a long time does not imply that they are perfect, there is always room for improvement. Experiments using real processors revealed that reducing mispredictions by 50% improved the performance of the processor by 13% [4]. However, designing a branch predictor (BP) covers not only accuracy but a lot of other tradeoffs, such as the area used in the processor chip, energy consumption, and many others.

    它们已经使用了很长时间了这一事实并不意味着它们是完美的,总有改进的空间。 使用真实处理器的实验表明,将错误预测降低50%可以将处理器的性能提高13% [4] 。 但是,设计分支预测器(BP)不仅涵盖准确性,而且还涉及许多其他折衷,例如处理器芯片中使用的面积,能耗等。

    分支预测如何工作? (How does branch prediction work?)

    Harshal Parekh wrote a nice story not just explaining how it works but showing its impacts in a real situation. I really recommend reading:

    Harshal Parekh写了一个不错的故事,不仅解释了它的工作原理,还展示了它在实际情况下的影响。 我真的建议阅读:

    Like most prediction models, the branch prediction is usually based on the past behavior of conditional branches. The most simple branch prediction algorithm could be defined using a flag that indicates if the last branch was taken or not, and the algorithm will always guess that what happened last time will also happen next time. Thus, the flag needs to assume an initial value (1 for yes, 0 for no). If the guessing is correct, the flag will keep its value. If it doesn’t, the flag changes its value. An example can be given in the following situation.

    像大多数预测模型一样,分支预测通常基于条件分支的过去行为。 可以使用一个标志来定义最简单的分支预测算法,该标志指示是否采用了最后一个分支,并且该算法将始终猜测上次发生的情况也将在下次发生。 因此,该标志需要采用初始值( 1表示是, 0表示否)。 如果猜测正确,则标志将保留其值。 如果不是,则标志更改其值。 在以下情况下可以给出一个例子。

    After running a certain routine, a given branch b got the following behavior:

    在运行了某个例程之后,给定的分支b表现出以下行为:

    0 0 0 1 1 0 0 0 0 1

    On the first three iterations, the branch wasn’t taken, on the following two, they were. The next four also wasn’t taken, and the last one was. Considering that our branch predictor starts with the flag as 0, the accuracy will be 70%. The image below represents each iteration with a red arrow, followed by the current flag value and a symbol representing if the branch behavior was predicted correctly.

    在前三个迭代中,未采用分支,在后两个迭代中,采用了。 接下来的四个也没有被拿走,最后一个被拿走了。 考虑到我们的分支预测变量以标志0开头则准确性为70%。 下图使用红色箭头表示每次迭代,其后是当前标志值和一个符号,表示分支行为是否被正确预测。

    Image for post
    Image by author
    图片作者

    The first misprediction will be on the fourth iteration because the last one was 0 (and the fourth is 1). This way, the flag now changes its value to 1. Since the branch will be taken on the following iteration, the prediction will be correct, however, on the sixth iteration, the branch is not taken again, so another miss prediction occurs. Now, the flag becomes 0 again and correctly predicts the next three iterations and then misses on the last iteration. In the end, we got 7 correct predictions and 3 mispredictions.

    第一个错误预测将在第四次迭代中进行,因为最后一个为0 (第四次为1) 。 这样,标志现在将其值更改为1 。 由于将在下一次迭代中采用该分支,因此预测将是正确的,但是,在第六次迭代中,不会再次采用该分支,因此会发生另一个未命中预测。 现在,该标志再次变为0 ,并正确预测下三个迭代,然后错过最后一个迭代。 最后,我们得到了7个正确的预测和3个错误的预测。

    Obviously this is not the way processors do branch prediction nowadays. There is a bunch of other techniques that give much better results. You can look for some of them in this paper written by Sparsh Mittal.

    显然,这不是当今处理器进行分支预测的方式。 还有许多其他技术可以提供更好的结果。 您可以在Sparsh Mittal撰写的这篇论文中寻找其中的一些。

    AI可以用于分支预测吗? (Can AI be used for branch prediction?)

    It is quite easy to wonder if this kind of problem could be solved by artificial intelligence algorithms, and the answer is yes, they can. Since a long time ago, indeed. An example of a branch predictor that uses this kind of approach is the perceptron predictor, also addressed in the Sparsh Mittal survey. Due to recent advances in the field of artificial intelligence, the combination of these two areas is probably a hot trend inside the buildings of major tech companies such as Intel and AMD, and we can expect much more to come.

    很容易怀疑这种问题是否可以通过人工智能算法解决,答案是肯定的,他们可以 。 自从很久以前以来,的确如此。 感知器预测器就是使用这种方法的分支预测器的一个示例,Sparsh Mittal 调查中也谈到了预测器 。 由于人工智能领域的最新进展,这两个领域的结合可能是英特尔和AMD等大型科技公司内部的热门趋势,并且我们可以期待更多。

    So if you enjoy computer architecture and artificial intelligence, this is the research area that you can use all your knowledge in order to improve even more the processors that we have today.

    因此,如果您喜欢计算机体系结构和人工智能,那么您可以在此研究领域中使用所有知识,以便进一步改进我们如今拥有的处理器。

    翻译自: https://towardsdatascience.com/your-processor-is-trying-to-predict-the-future-long-before-you-start-with-ai-892beeaf6a48

    ai 预测未来股市

    展开全文
  • 摘要:作者比较理性和冷静地分析了AI预测,阐述了AI预测的七宗致命罪恶,文章其实也是表明人类真的不擅长预测。以下是译文。错误的推断,有限的想象力,以及其他通常会犯的错误,都会使得我们很难更富有成效地思考...

    原文:The Seven Deadly Sins of AI Predictions
    作者:Rodney Brooks
    翻译:无阻我飞扬

    摘要:作者比较理性和冷静地分析了AI预测,阐述了AI预测的七宗致命罪恶,文章其实也是表明人类真的不擅长预测。以下是译文。

    错误的推断,有限的想象力,以及其他通常会犯的错误,都会使得我们很难更富有成效地思考未来。

    我们都被有关人工智能和机器人的未来的歇斯底里包围了——这种歇斯底里体现在它们会多快变得有多强大上,以及它们会对工作造成什么影响上。

    我最近看到MarketWatch网站上一篇文章说:在10到20年内,机器人将取代目前一半的工作。网站甚至还用一张图形来证明这些数字。

    这种说法是荒唐可笑的。(我尽量保持专业的语言,但有时…)比方说,这篇文章似乎说:在10到20年内,美国的地面维护工人将会从100万缩减到只用5万人,因为机器人会接管这些工作。在这些工作领域,目前有多少个机器人在运行? 。机器人在这些领域应用的实际展示案例有多少呢? 。类似的故事适用于文章展示图形中的所有其他的工作类别,我们将看到目前超过90%的工作在某些特定的地方还是需要人类有形的存在。

    错误的预测会导致大家对那些不可能发生的事情感到恐惧,无论是对工作大规模的破坏,奇点,或者说AI的出现,它的价值观与我们背离,可能会毁了我们。我们需要扭转这些错误的观念。但是为什么人们要制造这些错误的观点呢?以下我概括出了7种导致错误预测机器人与人工智能未来的思维方式。

    这里写图片描述

    1、高估和低估

    Roy Amara是Palo Alto未来研究院的创始人之一,Palo Alto是硅谷的智慧中心,他最著名的是他的格言,他的格言现在被称为Amara定律:

     我们往往会高估技术的短期影响,而又低估了它的长期影响。
    

    在这寥寥数词中包含了太多东西。乐观主义者可以这样解读,悲观主义者也可以那样解读。

    一个反映Amara定律两面性很好的例子是美国全球定位系统(GPS)。自从1978年以来,一个有24颗卫星组成的星群(现在包括31颗卫星)被放置到了轨道上面。GPS的目标是为了给美军的炸弹提供精准的制导。但是这个计划在上个世纪80年代一次又一次地几乎面临夭折。第一个作战用途是在1991年的沙漠风暴(海湾战争)行动期间,军方由于使用GPS的定位功能取得了更多的胜利。今天的全球定位系统(GPS)是Amara定律所谓的长期的效用,将会如何使用它,在最一开始是无法想象的。我的二代Apple Watch在我外出跑步时,使用GPS,准确地记录我的位置,足以看出我是沿着街道的哪一边在跑。现在GPS接收器的尺寸之小、价格之低,对于早期的GPS工程师来说是不可思议的。该技术在全球范围内同步着物理实验,在同步美国电网并保持其运行方面发挥着直接的作用。它甚至还能使得真正控制股市的高频交易商基本不会陷入灾难性的计时错误中。所有的飞机,无论大小,都是用GPS来导航,它也被用来跟踪假释出狱的犯人。它决定着应该在全球的哪一块地种植哪一个种子变种。它追踪卡车车队,报告司机的表现。

    GPS从一个目标开始,但让它达到原先期望的效果却需要一个漫长而艰辛的过程。现在它已经渗透到我们日常生活的方方面面,如果没有它的话,我们不仅会走丢,还会挨冻受饿,甚至可能都活不了。

    在过去的30年里,我们在其它技术身上也目睹了类似的模式。一开始是很大的预期,然后慢慢地加大信心,超出了我们原先的预计。计算、人类基因组测序、太阳能、风力发电、甚至日用百货的送货上门都是如此。

    在20世纪60年代和80年代,人工智能一再被高估,我相信现在又一次被高估,但长远的前景也可能被低估了。问题是:长期有多长?接下来要讨论的六个错误有助于解释为什么人工智能的未来被严重低估了。
    这里写图片描述

    2、想象的魔力

    在我十几岁的时候,Arthur C. Clarke是科幻小说家的“三巨头”之一,还有Robert Heinlein和Isaac Asimov。但Clarke不仅是一位科幻小说家,他还是发明家,科学作家,同时也是未来学家。在1962年到1973年之间,Clarke提出了三条格言,也被称为Clarke三定律(他说牛顿也只有3条定律,所以3条对于他来说也足够了):

      如果一个年高德劭的杰出科学家说,某件事情是可能的,那他可能是正确的;但如果他说,某件事情是不可能的,那他也许是非常错误的。
    
      要发现某件事情是否可能的界限,唯一的途径是跨越这个界限,从不可能跑到可能中去。
    
      任何非常先进的技术,初看都与魔法无异。
    

    就我个人而言,我会对他第一条定律的第二句话比较提防,因为对于AI的发展速度,我要比其他人保守得多。不过目前我来先讲Clarke第三定律。

    想象一下,我们有一台时光机,可以让牛顿从19世纪末穿越到今天,把他安置在一个他熟悉的地方:剑桥大学的三一学院小教堂。

    现在给牛顿看一个苹果(不是砸在他头上的苹果,而是一个苹果手机),从口袋里掏出一部iPhone手机,开机,屏幕亮了起来,然后把屏幕布满图标的手机交给他。牛顿揭示了白光是由不同颜色的光线组成的,用棱镜把阳光光线分开,然后再把它聚在一起,毫无疑问,在黑暗的教堂中,这样一个小小的物体发出如此鲜艳的色彩,一定会令他感到惊奇。现在再用iPhone手机播放一部英国乡村场景的电影,然后再播放一些他熟悉的教堂音乐。再给他看500多页他的巨著《自然哲学的数学原理》的个人注释副本,教他如何利用手势操作来放大文字。

    牛顿能不能开始解释这小小的设备究竟是怎么做到这些的呢?虽然他发明了微积分,并且对光学和重力做出了解释,但牛顿永远也无法分辨化学与炼金术。所以我认为他会感到不知所措,对这台设备究竟是什么东西,哪怕连一点思路都没有。对于他来说,这设备与神秘学的化身没有什么不同——神学是他非常感兴趣的事。在他看来,这与魔法是分不开的。记住,牛顿可是非常聪明的家伙。

    如果有什么东西是魔法的话,那就很难知道它的局限是什么了。假设我们进一步向牛顿展示这个设备是如何照亮黑暗的,它是如何拍摄照片、电影以及录音的,如何将它用作放大镜和镜子的。然后我们再向他炫一下这个设备如何以惊人的速度进行算术运算,并可以精确到到小数点以后很多位的。让他随身带着手机,我们甚至还可以给他看看他的走路步数是多少,并向他表明,他可以用手机与世界各地的人们立即进行交谈,就在他的教堂里。

    牛顿还会猜测面前的这个东西会做哪些事情呢?棱镜可以永远工作下去。他会不会猜想iPhone也能永远像现在一样工作下去,而不会理解这个玩意需要充电?要知道我们是从迈克尔·法拉第出生前的100年时间将他召来,电的概念还没有出现,所以他缺乏对电力的科学认知。如果iPhone可以成为没有火的光源,那么它是否也能将铅转化为黄金呢?

    这是我们大家想象未来技术的时候都会出现的一个问题。如果它离我们今天所掌握和理解的技术足够遥远的话,那么我们就不知道它的局限性了。如果它变得与魔法难以区分,任何人说的关于它的说法都不再是可以证明真伪的。

    这是我经常遇到的问题,当试图与人辩论关于我们是否应该担心通用人工智能,或者AGI——我们将在这个世界上创造一种可以像人类一样自治的机器人的想法。我说我不了解AGI会如何强大。那不是一个论点。我们甚至都不知道这样的东西是否存在。我希望它存在——这一直是我自己在机器人和人工智能领域工作的动力。但现代的AGI研究做的不够好,无论是在通用性方面还是支持一个持续存在的独立实体方面。它似乎主要停留在同样的问题上,AI在推理和常识方面存在的问题已经至少存在了50年。我所看到的所有证据表明我们还没有真正有效的想法。它的特性是完全未知的,所以说它很快变得神奇,强大到无极限。

    宇宙中没有什么是没有限制的。

    要小心那些有关具有魔力的未来科技的论点。因为这些论点你永远也无法反驳。因为它以信念为基础,而不是科学依据。
    这里写图片描述

    3、表现与能力

    我们都使用人们如何完成某项特定的任务的线索去评估他们完成不同的任务会有多么好。当我们身处在一个陌生的城市,向街上的陌生人问路,她信心十足地回答,似乎有道理的样子,所以当你想乘公交车的时候,你也可以问她是怎么付费的。

    现在假定有个人告诉我们,一张特别的照片显示人们在公园里玩飞盘。我们顺理成章地认为这个人可以回答出类似以下几个问题: 飞盘是什么形状的?一个人大体上可以把飞盘扔多远?人能咬住飞盘吗?大概多少人可以同时玩飞盘?一个三个月大的孩子会玩飞盘吗?今天的天气适合玩飞盘吗?

    能标记图片象“人们在公园里玩飞盘”的计算机没有机会回答那些问题。除此之外,它们能做的只是可以给更多图像打标签,根本不能回答问题。它们不知道玩飞盘的人是谁,公园通常是不是在室外,人的年龄大小,以及这个图片看起来受天气影响最大等等这些问题都一无所知。

    不过这并不意味着这些系统就一无是处;它们对于搜索引擎是很有价值的。但这就是错误的地方。人们得知一些机器人或AI系统已经完成了一些任务。然后,他们从这种表现中归纳出一些能力,即一个人执行同样的任务可能会有的能力。接下来他们将这些归纳应用到机器人或者AI系统。

    今天的机器人和AI系统相对于我们能做的事情在能力上是极其狭隘的。人类风格的那种归纳概括并不适用于它们。

    这里写图片描述

    4、手提箱单词

    Marvin Minsky称那些有很多词义的单词为“手提箱单词”。“学习”是一个强大的手提箱单词;它可以指很多不同类型的经验。学习使用筷子跟学习新歌的调子当然是非常不同的体验。学习编写代码跟学习在特定城市穿行也会有很大的不同。

    当大家听说机器学习在一些新领域取得了长足进步,他们会考虑在一些新领域的机器学习,他们往往将人学习该新领域的心智模式套用过去。然而,机器学习是非常脆弱的,每一个新的问题领域需要研究人员或者工程师做大量的准备工作,要有特定目的的编码来处理输入数据,需要特殊用途的训练数据,以及定制的学习结构。今天计算机的机器学习根本就不是像人类的那种海绵式的吸收,可以无需进行手术般篡改或者有目的开发的基础上就能在新的领域取得快速进展。

    同样,当人们听说计算机能打败世界象棋冠军(1997)或世界上最好的围棋选手(2016)时,他们往往认为机器就像人一样在“下”棋。当然在现实中这些程序对游戏是什么样以及自己的下法其实是一无所知的。它们的适应性也差得多。人在比赛的时候,规则的一点小改动并不会让他们迷惑。但是对于AlphaGo和深蓝却截然不同。

    手提箱单词导致大家在理解机器执行人类能做的事情有多好时会误入歧途。而另一方面,更糟的是AI研究人员所在机构的新闻处则渴望宣称自己所取得的进展,就是手提箱单词之于人类的一个例子。这里重要的是“一个例子”。细节很快就被弄丢了。新闻头条开始吹嘘那个手提箱单词,并且误导对AI的一般理解,以及距离实现更多还有多近。
    这里写图片描述

    5、指数性

    很多人都饱受所谓的“指数论”之苦。

    每个人对摩尔定律都有自己的想法,至少知道计算机会像发条般精确地变得越来越快。其实摩尔的说法是芯片可容纳的元件数量每年都会翻番。这种情况持续了50年,尽管时间常数逐步从1年延长到2年,而现在它终于走到了尽头。

    把芯片的元件数翻番使得计算机速度也加倍。还使得内存芯片每2年容量变成之前的4倍。这还导致了数字照相机分辨率越来越高,LCD屏幕像素呈指数增长。

    摩尔定律见效的原因在于它适用于真/假的数字化抽象。在任何给定的电路中,存在电荷或者电压吗?随着芯片组越来越小,答案依然清晰,直到一个物理限制的介入,当非常少的电荷时,量子效应就开始发挥主导作用。而我们的硅晶芯片技术现在就走到这个关键节点上。

    当人们受到指数论影响时,他们可能会认为他们用来证明自己论点的指数性还会继续。摩尔定律,以及像摩尔定律这样的指数定律可能会失效,因为它们不是真正的把指数放在第一位。

    回到本世纪初时我正在管理着MIT一家很大的实验室(CSAIL),需要给超过90家研究小组筹集研究经费,我试图向赞助商表明iPod的内存增长有多快。以下是关于400美元可以给iPod提供多大存储的数据:

                                      year  gigabytes
    
                                    2002    10
                                    2003    20
                                    2004    40
                                    2006    80
                                    2007    160
    

    然后依据此数据,我再向外推几年询问兜里这些内存都可以用来做什么。

    如果外推到现在,预计400美元的iPod应该有160000GB(或者160TB)的内存。但是今天最高配的iPhone(售价超过400美元)也只有256GB的内存,还不到2007年的iPod的2倍。当内存容量大到可以容纳任何理性之人的音乐库、应用程序、照片和视频时,这个特别的指数性就会突然之间崩塌。当达到物理极限时,指数性也会崩塌,或者当没有更多的经济理由让它继续存在时。

    同样的,由于深度学习的成功,我们已经目睹了AI系统突然有了很好的表现。很多人似乎认为这意味着AI相当于乘数效应的性能提升会继续常态化进行下去。但其实深度学习的成功是30年不懈努力的结果,没人能够预测到这一点。这只是个孤立事件。

    这并不意味着不会有更多的孤立事件,也就是一潭死水似的AI研究,突然会给许多AI应用插上翅膀。但是这种情况的发生频率,并没有“定律”可循。

    这里写图片描述

    6、好莱坞场景

    很多好莱坞科幻电影的情节都是这样的:世界跟今天的还是一样,除了一个转折。

    在《机器管家》这部电影里面,有一幕是Sam Neill扮演的Richard Martin坐下来由Robin Williams扮演的人性机器人服侍吃早餐。他一边吃早餐,一边拿起一份报纸来看。报纸!印刷的报纸。而不是平板电脑,或者类似Amazon Echo这样的设备播放播客,这种设定跟互联网并没有直接的神经连接。

    结果证明,很多AI研究人员和AI权威,尤其是那些沉溺于预测AI会失控和杀人的悲观主义者,其想象力也类似地受到挑战。他们忽视了这样一个事实,那就是如果我们最终能够制造出这样的智能设备的话,到那时,世界将会发生巨大的变化。我们不会突然被此类超级智能的出现给吓到。随着时间的推移,它们会在技术上逐渐演进,我们的世界会变得不一样,会充斥着许多其他的智能,而且我们早已经有了很多体验。早在邪恶的超级智能想要除掉我们之前,就会有一些不那么聪明和更好战的机器出现。在此之前,会有很暴躁的机器出现。再往前,则会有相当烦人的机器出现。而在它们之前则是自大讨厌的机器。这一路上我们会改变我们的世界,既要为了新技术调整环境,也要对新技术本身进行调整。我不是说可能不会有挑战,而是说未必会像很多人以为的那样,是突然的、意料之外的。

    这里写图片描述

    7、部署速度

    新版本的软件部署频率在一些行业已经变得非常高。像Facebook这样的平台的新功能几乎是按小时为周期部署的。对于许多新功能来说,只要通过了集成测试,如果现场出现问题需要回退到旧版本的话,经济的负面影响是非常小的。这属于硅谷和Web软件开发者早已习以为常的节奏。这种节奏有效是因为新部署代码的边际成本非常非常接近于0。

    但硬件的边际成本就很高。我们在日常生活中就能感受到。我们今天购买的很多汽车都不是自动驾驶的,大多数也都不是软件使能的,到2040年的时候,可能还会在道路上出现。这就给我们的车可以多快变成自动驾驶增加了天然的限制。如果我们今天要建造个新家,我们的预计是它应该能顶100年左右。我现在住的建筑是在1904年建造的,在我的邻居里面还远算不上最古老的建筑。

    资本成本让物理硬件存活很长一段时间,即便有了高科技的出现,它还有存在主义使命要履行。

    美国空军仍然在服役的是B-52轰炸机的变种B-52H。该版飞机是在1961年引进的,至今已经56年。最后一个建造于1962年,也是55年前的事情了。现在,这批飞机预计要服役到2040年,可能还要更久——有讨论要把它们的寿命延长到100年。

    我在世界各地的工厂里,经常看到几十年的老设备。我甚至见过工厂里运行发布于1990年简版Windows 3.0的PC机器。其思维模式是“如果没坏就不要修”。那些PC和软件已经可靠地运行,同一个软件执行同样的任务超过20年了。

    欧美中日韩的工厂,包括全新的工厂,其主要的控制机制都是基于可编程逻辑控制器(PLC)的。这是在1968年引入来取代继电器的。“线圈”仍然是目前使用的主要抽象单元,PLC的编程方式也像是存在一个24V继电器网络一样。尽管如此,一些直连线已经被以太网电缆取代。而以太网电缆并不是开放网络的一部分,相反,一根根独立的电缆都是点对点连接的,体现的是这些崭新的古老控制器的控制流。当你想要改变信息流或者控制流时,全球大多数工厂都需要找来顾问用数周的时间弄清楚上面有什么,设计新的并重新配置,然后一群商人队伍再进行重新布线,对硬件进行重新配置。这种设备的一家主要制造商最近告诉我说,他们的节奏是每20年更新3次软件。

    原则上来说,这事儿可以换种做法。但在实践上不可行。就在这个时候我还在看着职位需求列表,就在今天,特斯拉汽车公司在美国加州费利蒙市的工厂还试图招聘全职的PLC技术人员。通过继电器仿真来对当今最先进的AI软件驱动的汽车生产进行自动化。

    很多的AI研究人员和权威想象这个世界已经是数字化了,只需要把新的AI系统引进来就能马上给现场、供应链、车间、产品设计带来运营方面的改变。

    这跟事实完全是南辕北辙。几乎所有机器人和AI方面的创新都需要很长很长的时间才能广泛部署,所需要的时间之长要超出圈子内外的人的想象。


    CSDN出品的「人工智能技术实战峰会」即将开播!

    来自阿里巴巴、微软、商汤科技、第四范式、微博、出门问问、菱歌科技的AI专家,将针对机器学习平台、系统架构、对话机器人、芯片、推荐系统、Keras、分布式系统、NLP等热点话题进行分享。先行者们正在关注哪些关键技术?如何从理论跨越到企业创新实践?你将从本次峰会找到答案。每个演讲时段均设有答疑交流环节,与会者和讲师可零距离互动。

    「7场技术专题,AI开发者必看!」

    图片描述
    图片描述

    展开全文
  • 前两篇我们为大家梳理了AI的演进路程以及需求预测在AI+零售命题中的行业...作为观远数据今年重磅推出的新模块,「AI预测引擎」不仅仅引入了先进的AI预测算法,更将观远数据团队多年与诸多500强企业合作中沉淀的、...

    前两篇我们为大家梳理了AI的演进路程以及需求预测在AI+零售命题中的行业洞察,均取得了不错的反响。在广大粉丝热烈的呼声当中,该系列笔者观远产品天团-小刚同学马不停蹄,为我们带来了AI企划的第三篇文章。本篇,他将首次公开观远智能分析平台上「AI预测引擎」的神秘面纱!

    作为观远数据今年重磅推出的新模块,「AI预测引擎」不仅仅引入了先进的AI预测算法,更将观远数据团队多年与诸多500强企业合作中沉淀的、符合本土日历特征的零售数据预测经验预置进了算法模型里面,同时结合观远智能分析平台,为本土零售企业提供从数据接入、整理、预测到展现的端到端整体解决方案。

    智能分析平台叠加AI,观远数据行业首发「AI预测引擎」

    话不多说,切入正题

    观远数据已经帮助联合利华、百威英博等多家500强客户实施需求预测,有大量的零售领域数据预测经验。我们看到,500强企业之所以愿意花上百万,甚至大几百万来做AI预测项目,是基于其庞大的业务体量来评估ROI后作出的选择:

    • 一方面,高质量的数据预测确实需要专业的数据科学家和分析人员深入了解业务场景,不断迭代优化预测模型,经过长时间的锤炼才能获得;

    • 另一方面,当业务规模足够大时,细微的预测准确度的提升都能给企业带来巨额的利润回报。

    但同时,我们也意识到,不是任何企业都有这个资金实力去做此类高质量的数据预测的,并且在业务需求上也可能仅仅是想做一些初步预测来为决策提供参考。因此,为了满足这类客户的预测需求,观远数据的「AI预测引擎」将为他们提供 入门级的零售预测操作门槛,同时又能为他们提供 比一般的统计预测方法更精准的预测结果!

    什么是观远数据「AI预测引擎」?

    了解过观远产品的朋友们都知道,观远数据在BI平台里面内置了Smart ETL智能数据处理模块。该模块基于Spark大数据计算引擎开发,提供拖拽式、图形化的数据流开发方式,使得一般业务人员也能做专业的数据分析处理。

    一般的ETL过程整理主要做的是数据的清洗、转换、关联、加载等操作,那观远的Smart ETL何以称之为智能呢?这是因为Smart ETL中除了支持Spark本身自带的函数之外,还支持自定义的UDF、UDAF函数开发,具有非常强大的智能算子扩展能力。

    举个例子,如果你想挖掘商品间的潜在联系,开拓更多销售机会,你就可以使用Smart ETL内置的“关联性挖掘”这个智能算子来快速实现商品销售关联分析。

    而「AI预测引擎」则是另一个重要的智能算子。你可以用它来做各种级别的销售预测,大到门店,小到品类,甚至SKU的预测。有了这些可靠的销售预测的数据,你将实现:

    降低库存金额:对于库存成本较高的零售企业,通过销售预测来指导进货与库存,在保证供给的前提下,进一步降低库存金额,降低成本。

    降低报废风险:对于可售时长比较短的商品(比如水果、面包、鲜食),通过精准的销售预测,来指导备货,降低报废率(并不是追求零报废),节约成本。

    把握销售机会:对于潜在的销售机会,比如节日、活动、天气变化等,通过销售预测来指导提前备货,充分把握销售机会,最大化销售额。

    指导排产、配送:对于可以做到自产自销的零售企业来说,准确的销售预测,还能够将预测数据倒推到生产、配送环节,指导排产、物流。

    指导人员配置,优化排班:通过分时段的销售预测,来指导门店进行更为合理的数据化排班,最大化地利用人力成本,同时保障客户消费体验。

    评估销售目标的进度:通过对当前累计销售额与未来销售预期的预测分析,评估销售目标的完成进度与质量。有需要的还可以及时调整销售目标,做到敏捷运营。

    增强客户体验:通过进销存各个环节的预测,增强客户体验,避免各类因缺货、延迟交货、延迟发货等情况导致的客户消费体验下降的情况发生。

    智能分析平台叠加AI,观远数据行业首发「AI预测引擎」

    「AI预测引擎」智能算子

    在观远Smart ETL中,用户仅需要拖入一个「AI预测引擎」算子,接入事先预处理好的历史数据,然后简单配置日期字段、预测指标,以及指标聚合维度(日/周/月/季度/年)和预测周期数,便可开始预测。预测结果可以输出到数据集进行下一步的展示分析与决策支持。

    智能分析平台叠加AI,观远数据行业首发「AI预测引擎」

    「AI预测引擎」节点配置

    观远数据的「AI预测引擎」主要适用于零售企业的销售预测或需求预测。上图所示只是一个极简模式的预测算子。但即便配置如此简单,却能输出相当精准的预测结果。

    • 对 零售行业门店级别(以超市数据为例)的日商预测平均准确度达到 83%(MAPE≈17.65%),个别门店 接近 90%;

    • 而细化到 单门店单品类(鲜肉类)的日商预测,准确度达到84%。

    在这个基础上,我们还能提供更多配置项,添加诸如天气情况、促销活动、品类级别的日期特征等外部信息,进一步提升数据预测的准确度;同时也可以提供多门店、多品类的批量预测。

    架构解密

    为什么如此简单的操作,便能实现还不错的销售数据预测呢?

    这是因为架构层面观远数据将预测算法封装成Spark UDF函数,有机地融合进Smart ETL,成为一个可点选配置的智能算子;算法层则采用了先进的算法,并将观远数据多年沉淀的零售行业预测经验转化为相应日期特征优化配置后预置进算法包里。

    如此一来,看似简单的时序预测,其实已经包含影响零售行业销售数据的周期性特征、节假日特征以及节前节后特征,这样的预测自然是要比一般时序预测方法准确度提升不少了。

    未来,我们还会根据不同品类的消费特征,分别给予不同的品类特征日历,进一步提升品类甚至SKU级别的预测准确度。同时,还可以增加天气作为额外特征,这样对于一些极端天气情况下的销售预测也会进一步提升准确度了。

    算法解密

    具体到算法层面,为什么观远的AI智能预测算法能够比市面上通用的预测算法在预测准确度上再提升一个层级呢?

    首先我们来看一般时序预测工具中常用的ARIMA模型(Autoregressive Integrated Moving Average Model)。它是一种结合自回归与移动平均方法进行预测的模型,要求时序数据是稳定的,或者通过差分化后是稳定的,一般来说很难符合现实数据的情况。与之类似的还有GARCH模型等传统时序方法,大都只能进行单变量的建模,局限性较大。

    近年来涌现出更多复杂时序模型,以便解决实际业务中的复杂情况。例如比较有代表性的TBATS的预测模型,结合了Box-Cox转换,趋势拟合,ARMA建模,周期性分析等复杂技术手段来进行建模预测。它实际上是一种状态空间模型(State Space Model)的算法实现,类似的还有隐马尔可夫模型,RNN等也都属于此类。这类模型主要限制是参数繁多,计算量大,在大规模时序预测时往往需要花费很大的计算成本实现。

    那零售行业现实状况是怎样的呢?我们不妨先来看看零售数据本身具有的一些特征:

    趋势特征:一般销售数据在一个比较长期的时间范围内,具有整体增长或下滑的趋势特征。
    周期特征:销售数据具有明显的周期性和季节性。
    非规律性的节假日特征:节假日及节假日前后对销售数据有显著影响。
    各类外部因素影响:促销活动、天气、搜索指数、销售指标等因素也会显著影响销售数据。
    数据稀疏性:一般零售行业的SKU,门店等维度的组合会非常巨大,但每个组合中的时序数据数量往往比较有限。

    基于直观的理解,我们就可以发现简单的ARIMA模型与复杂的状态空间模型对于零售数据的预测都有一定的局限之处。而观远数据则是根据具体的业务数据情况,结合使用高效的广义累加模型和状态空间模型,统筹考虑零售时序数据的趋势性、周期性,并加入对节假日及促销、天气等可预测波动因素的分析,给出综合预测结果,可以说这是一个专门为零售预测而生的算法模型!

    预测结果的可视化呈现

    观远数据对预测数据呈现做了定向优化,对实际数据与预测数据进行了颜色和线型的区分,并添加了预测数据的置信区间,提供时间轴的缩略展示。

    智能分析平台叠加AI,观远数据行业首发「AI预测引擎」

    「AI预测引擎」数据展示

    小结
    本文给大家介绍了集成在观远BI平台内的「AI预测引擎」功能的架构设计与算法实现方案,感兴趣的同学欢迎点击文末阅读原文提交免费试用申请。

    下一篇我们将给大家介绍更多观远数据在AI领域的实际落地案例与应用效果,欢迎持续关注!

    转载于:https://blog.51cto.com/14211202/2376219

    展开全文
  • 人工智能的应用一方面在不断改变...在这场轰轰烈烈的人工智能浪潮中,我们发现,对于商业企业来说,人工智能并没有给他们带来太多所谓的智能,它带来的是智能的一个关键组成部分——AI预测。 预测是根据事物以往...
  • 一个完整的AI预测支持决策的回路包括下图所示8个组成部分。这中间,数据在整个历史数据输入、模型训练、数据预测、决策、执行、结果收集、数据反馈的完整回路中流转。▧ 数据清洗与特征工程是有效输入的核心。实际...
  • AI预测软件_20220101.py

    2021-03-01 14:42:06
    Python源程序,可以预测数据的未来走势,任何的数据只要保存到文件中即可。
  • 钟南山院士团队与腾讯AILab日前披露了利用AI预测COVID-19患者病情发展至危重概率的研究成果,可分别预测5天、10天和30天内病情危重的概率,有助合理地为病人进行早期分诊。这项研究已在2020年7月15日发布于国际顶级...
  • 高盛用AI预测2018世界杯结果,预测哪支球队能够赢得2018世界杯。在2014年锦标赛预测错误之后,它再次尝试,并且计算表明,法国,巴西,葡萄牙和德国将在决赛中与巴西一起击败德国进入半决赛。 高盛利用机器学习来...
  • ai 预测未来股市AI, machine learning, and deep learning have opened up opportunities to use predictive models in ways that were once unheard of in data science and analytics. The result is that ...
  • 预测未知,一直是人类十分向往的能力。 远不说国人熟悉的周易八卦、唐代道士编写的《推背图》,还有西方人熟知的占星术、中世纪流行起来的塔罗牌。 近的比如说当年根据 “2012世界末日”这一玛雅预言影响下出现的...
  • 在观远数据“AI+BI”的服务模式中,AI...因此我们推出了这一特别企划,希望借此机会与大家分享观远团队关于AI技术的各项认知,并结合我们与500强企业合作的最佳实践案例,为AI技术在零售行业落地提供建议指...
  • 来源:雪球App,作者: IC咖啡,(https://xueqiu.com/1118999957/139121699)预计未来三年AI芯片市场规模仍将保持50%以上的增长速度,到2019年中国AI芯片市场规模将达到124.1亿元。从细分市场结构来看,云端训练芯片...
  • AI预测足球赛,还没那么准。 随着法国和克罗地亚的决赛,法国队夺冠后,这届俄罗斯世界杯也宣告结束。 本届世界杯,我们见证了一场场精彩的比赛,看到每个队的球员为了国家荣誉勇敢拼搏,也看到了现场的观赛的球迷,...
  • 智子AI我国水资源目前面临着总量匮乏和分布不均的问题,这些都给城市水务部门的工作带来不小的挑战。随着人工智能技术的发展和计算机运算能力的增强,各个城市的水务部门纷纷展开智慧供水项目的研究,其中的核心内容...
  • 研究报告丨媒体营销核心摘要:背景:技术进步推动营销发展,阶段重心从触达、...应用:通过数据挖掘、NLP、机器学习等关键技术,AI对传统营销各环节进行优化,在用户筛查、内容创作、创意投放、效果监测及行为预测...
  • 近年来,随着人工智能(AI)技术的发展,涌现出了一大批的AI厂商。而对于AI来说,数据、算力和算法则是三大关键要素。其中,算力和算法都离不...近日,赛迪顾问发布了《2019-2021年中国AI芯片市场预测与展望数据》,...
  • 关注:决策智能与机器学习,深耕AI脱水干货作者 |Mat Steininger来源| Towards data science前言你有没有听人说过,他们多么希望能回到过去,投资苹果...
  • 有趣的是,著名群体智能预测网站Swarm AI阴差阳错,“连这次乌龙都预测到了”。到底所因为何?请看今日播报。 点击题目蓝色字体即可阅读原文。 2017奥斯卡大奖揭晓,群集智能AI成功预测12项2017年2月27日,第89界...
  • 日前,推出一款人工智能工具,可...据《中国AI发展报告2018》数据显示,2013年以来,全球和中国人工智能行业投融资规模呈上涨趋势。2017年全球人工智能投融资总规模达395亿美元,融资事件1208笔,其中中国的投融资总...
  • 市场研究公司Gartner发布数据显示,供应商...市场观察人士称,AI智能手机激增主要是由使用AI的供应商所推动,以满足日益增长的个人消费者需求。Gartner的研究总监CK Lu说:“现在智能手机正变得越来越普遍,供应商们...
  • 硕博团队足球走地大数据分析软件,供喜欢足球的一起研究和探讨。希望能成为大家的得力助手!!!!团队软件经过了多个版本的迭代和更替,终于达到比较理想的预测效果。连续两天命中6场绝杀球!
  • 本届世界杯,我们见证了一场场精彩的比赛,看到每个队的球员为了国家荣誉勇敢拼搏,也看到了现场的观赛的球迷,充满激情地为自己的...法国队夺了世界杯冠军,却彻底打了AI预测的脸 作者:技术小能手 发表在:互联...
  • 本文系网易智能工作室(公众号 smartman 163)出品。聚焦AI,读懂下一个大时代!【网易智能讯 1月8日消息】市场研究公司Gartner发布数据显示,供应商将大举...市场观察人士称,AI智能手机激增主要是由使用AI的供应商...
  • 硕博足球软件研发团队简介 硕博足球软件研发是拥有一支由985高校毕业的博士研究生、硕士研究生、高级工程师等海内外精英组成的研发...经过很多足球玩家的检验,其预测准率高、性价比合理、可研究性高,可玩性强等特点。
  • 步骤1:创建一个Virtual虚拟环境为了不与本地的Python 环境有冲突,我们使用virtualenv模块创建一个新的Python虚拟环境:virtualenv python_ai接着启动python_ai这个虚拟环境:Scriptsactivate步骤2:安装所需的模块...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 4,955
精华内容 1,982
关键字:

AI预测