<mark id="oztn4"></mark>
0
| 本文作者： 張利 | 2017-03-11 21:37 |
人工智能（AI）經以雷霆萬鈞之勢從學術界潛入產業界的每一個角落，AI已經不是科技公司創新創業的專屬武器，因其價值之大，也成為了傳統行業變革求新、提高效益的利器。AI掘金志致力于傳統行業AI應用的解讀，幫助從業人士尋找最有價值的模式與落地路徑，記錄AI浪潮之巔的時代變遷。
未來，我們還將舉辦相關培訓訓練營，以及行業首創的“首席數據官峰會”，搭建起數據科學家與首席數據官之間的橋梁。
AI掘金志本周關鍵詞：Google的DeepMind Health，智能診斷，IBM Watson，平安科技，Amazon Go；格靈深瞳。
IBM Watson是認知計算系統的杰出代表，認知計算能力能使金融服務機構更深入了解用戶的盈利性和偏好，進而為用戶提供更加個性化的新一代產品和服務。Watson還可以幫助企業靈活地應對管理風險和合規問題，提高適應變化的監管環境能力。
Brian Walter是新成立的Watson金融服務機構中客戶洞察和認知體驗全球項目主管。Omri Barzilay與Walter 討論了 AI 是如何改變金融世界。
Omri Barzilay：你現在看到的最有吸引力的行業趨勢是什么？
Brian Walter：當然是AI和認知計算在金融服務領域的應用。
Barzilay： Watson金融服務的主要關注點在哪兒？
Walter：我們的工作重點是幫助銀行、金融科技公司和開發者建立創新的解決方案。我們還通過運用Watson超級計算機、機器學習和高級分析等技術，提供用戶前瞻性預測，用戶留存和流失分析，產品偏好，動態分段和個性洞察服務。
Barzilay：在這個領域，你們還發現了什么機會？
Walter：除了認知計算和AI之外，我們還看到了云計算和區塊鏈等子領域的潛在機會。銀行和金融市場非常青睞區塊鏈的商業應用方案，接受程度遠遠高于預期。
Barzilay：你們如何與初創公司合作？
Walter：我們會指導初創公司上市事宜、業務和技術發展，還對它們開放了訪問IBM AI平臺的權限。
Barzilay：最近有哪些創業公司在做一些有趣的事？
Walter：監管、風險和合規行業的數字化轉型會是未來幾年的掘金地。
近日，平安科技人臉識別團隊在國際權威人臉識別公開測試集LFW(Labeled Faces in the Wild)中，獲得在無限制條件下人臉驗證測試（Unrestricted，Labeled Outside Data Results）0.9960±0.0031的成績。
目前，很多成果在 LFW 人臉數據集上的準確率都停留在 99.5% 左右，平安科技團隊的成績意味著人工智能技術之人臉識別又獲得了突破，人臉識別、人工智能作用于金融業有了更穩固的保障。
據雷鋒網了解，這項技術，來自于平安科技人工智能實驗室，以及大數據平臺等團隊。這次測試結果的發布，是平安科技的領先技術在國際學術層面的一次亮相。
日前，雷鋒網與平安科技智能引擎部總經理兼大數據首席總監、“”國家特聘專家肖京博士，以及平安科技人工智能實驗室主任、首席AI科學家劉飛進行了對話，談及平安科技在人工智能研發和應用的進展與未來思考。
AI助長金融
早在2013年，平安就針對人臉識別方面開始做了一個前期的調研。從2014年開始，平安科技組建了自己的人工智能實驗室團隊，開始研究算法和核心技術應用。人臉識別技術作為人工智能核心一環，目前已經應用到金融、安防、身份識別類等嚴肅應用上，以金融業為例，包括刷臉開卡、刷臉取款，保險中理賠對象識別等等。AI技術的成熟運用，是“未來銀行”、“新金融”的基礎。比如，人臉識別技術全球首發應用于平安普惠小額貸款 “平安i貸2.0”的融資場景。
平安科技研究深度學習，走不一樣的路
人工智能在綜合金融的大規模應用，關鍵在于安全、準確、高效，某些規則性問題下，效率和成效甚至比人做得更出色，比如人臉識別。然而，這背后的摸索，如同黑暗隧道中前行時看到的曙光。
更少的數據，更高的精度
平安科技在研究的是，如何通過較少的樣本來達到更高的精度。劉飛表示，如果要用比較少的數據也能訓練出很高水平的話，法寶在于算法。“我們最近就有一個讓人興奮的研究課題，也是最近這幾年在學術界也有提及的，叫‘one-shot learning’技術。”“one-shot learning”技術，可以在一個單點領域有足夠高效、深入的應用
AI規模化應用，需要通用型AI
劉飛表示，其實我們現在的人工智能技術在解決當前的問題是相對分立和孤立的，人臉識別通過圖象就解決了身份識別的問題，而至于其它的方向，比如識別一個目標物體，一個電話、一輛汽車，它又是一個問題。目前人工智能，包括深度學習的介入，還是正在解決這些單獨的問題，甚至還用不同的方法解決單個問題。
“人工智能界還需要一些比較通用的方法，使得人工智能的技術基于某一個單一方案解決更多的問題。比如現在在研究的多任務網絡。一個神經網絡能不能解決多個不同的問題？包括靜態和動態。”
從規則利用到數據分析，金融業進入深度人工智能階段
除了算法上的摸索，平安科技造的另一個輪子是大數據挖掘。這兩件事，都并非一蹴而就的。
劉飛解釋稱，即便更少的數據、更高的精度成為可能，但我們也不能否認數據的重要性。“當領域進入差異化發展的時候，一方面數據可帶來算法前瞻的預言，幫助做出差異化的算法成果，同時借助數據規模又能夠較早地投入商用。而能夠較早地商用就意味著，又能幫助我們發現別人還沒有機會發現的問題，從而優化算法，反復來訓練。”
而做數據集中，這就需要先搭建清洗、整合等一系列的底層數據應用以及平臺。這些做完了以后，最重要還是要挖掘數據的價值。做這么多事情，所花的力氣也可想而知。對平安來說，其無非是堅持向數字化轉型。目前第一步，是趕上了大數據、AI的列車，通過挖掘數據的價值，來提升客戶的體驗，擴大自身服務能力。
AI 技術的成熟，使得由人工智能來自動消化海量監控視頻數據成為可能。目前，人工智能已經逐步滲透到安防行業，最終將會把以視頻網絡為核心的安防產業，重塑為以結構化數據為核心，以精確情報生產為目標的智慧物聯網產業。
作為智能安防的先行者，格靈深瞳在近 4 年間推出多款應用于安防的 AI 產品，包括基于三維計算機視覺技術的皓目行為分析儀、基于結構化數據的威目視圖大數據分析平臺、威目車輛特征識別系統、威目人臉識別系統，以及全新產品深瞳人眼攝像機。
在這期雷鋒網硬創公開課上，格靈深瞳 CEO 趙勇博士基于自己多年的研究和行業經驗，深入分享 AI 技術將怎樣以智能硬件、大數據挖掘和物聯網的形式，深刻地變革整個安防行業。
本次公開課包括以下內容：
? 基于人工智能的最先進的人臉、人體和車輛識別技術
? 安防產業為什么需要智能硬件
? 基于仿生原理的人眼相機，是怎樣實現大場景、遠距離人臉識別的
? 當前的人臉識別技術，在解決實際安防問題過程中面臨的挑戰
? 深層大數據挖掘在人工智能物聯網中的意義
本次公開課中，趙勇博士展示大量生動的案例和視頻，并回答多個網友精彩問題，所以推薦優先觀看視頻。
一、傳統安防的現狀和急需解決的問題
在今天的安防監控行業里，幾乎所有組成都是以視頻為核心：攝像頭是視頻的生產者，錄像機是視頻的存儲者，網絡是視頻的傳播者，監控中心是視頻呈現的地方。
所以我們整個安防體系，從攝像頭到存儲都是一個擁有極大數據量的網絡。但一個主要矛盾：我們產生了太多的視頻，可這些視頻卻沒辦法消化。
目前，急需解決的問題：把普通視頻數據變為有意義的“情報”。目前以視頻數據為核心的安防監控體系，其實給客戶帶來了大量的麻煩。因為你產生了非常多的數據，把這些數據放在客戶跟前，然后尋找線索，這好比大海撈針。所以整個行業都把希望寄托在智能化上，所謂智能化就是能夠把人工智能引進來，把所有的視頻數據除了人以外，引進人工智能 Consumer，能自動把這些視頻數據里面的內容和目標變成結構化數據。
但是當人工智能把這么多的錄像轉變成結構化數據后，就會產生一個新的數據海洋：結構化數據海洋。如果數據沒有經過很好的挖掘，那它也不是有意義的情報。
當今天這些數據變成了結構化數據以后，在不同行業、不同場景要有大量的數據挖掘應用才能夠有效地把結構化數據變成有意義的情報。
二、圖像識別在垂直安防行業的成果
1. 已經成熟的車輛識別
2. 人物屬性識別
3. 人臉識別
三、AI 應該用在前端還是后臺？
我覺得智能放在前端最大的好處是針對一個視頻流時，它所有的運算資源都專注于前端。放在前端有一個好處就是大量數據，用不著通過非常擁擠的網絡傳到數據中心去。
把智能放在后臺的好處有點像云計算，云計算的一大優點是分享，我在后臺可以用非常強大的硬件、非常復雜的軟件把識別性能做得非常好，因為人們對識別的精度要求永遠是無止境的。但這樣會導致對識別算法、硬件要求比較高，如果放在服務器里可以達到這個條件，同時分享給不同的前端。
四、人臉識別的真實現狀
很多公司認為人臉識別已經做得很好，但另一方面，如果大家去調查一下如果使用了人臉識別，尤其是使用動態人臉識別的客戶，大多數客戶都認為誤報率太高，而且高到基本上這個系統就沒有辦法使用。
五、智能安防接下來該怎么走？
1. 人工智能+人類智能
2. 人工智能+大數據
六、前沿生物視覺技術在安防領域的應用
大自然是一個非常豐富的知識庫，我們可以從里面學到很多知識。計算機視覺是關于“視覺”的，所以我們會關注人的眼睛以及動物的眼睛。
據OMIM數據庫（人類孟德爾病數據庫）數據，單基因遺傳病的病種數量約有7000種，其中約4000多種致病基因和發病機制比較明確。單基因遺傳病單個發病率低，但單基因病種類極多，所以總體發病率高，且具有先天性、致死致殘性的特點。
就診斷而言，單基因遺傳病涉及多個學科，臨床癥狀復雜，且由于基因的突變具有多樣性，每種突變都可能導致不一樣的臨床癥狀，而突變的臨床意義也相當復雜，故診斷較為困難。而且，許多遺傳病都及其罕見，屬于罕見病，對于一名醫生來說，診斷經驗不足，根據癥狀極易誤診。
所以對于臨床醫生而言，這些問題顯得頗有挑戰性：根據患者癥狀如何快速鑒別其是否為遺傳病？患者表現為某些特定癥狀時，哪種基因突變的概率最大？
如今，隨著基因測序成本的大幅下降，隨之而來的是基因大數據的出現，在這種形勢下，基于基因型和表型的關系，建立輔助診斷系統和臨床知識庫看起來是一條容易且有效的路徑。那么，具體搭建過程是怎樣的呢？會遇到什么意想不到的挑戰呢？這種方式做遺傳病診斷，遇到最大的瓶頸是什么呢？
本周四，雷鋒網邀請了發布了國內首款遺傳病智能問診系統的北京金準基因公司副總裁孫雋回答這些問題。課程總結文將會在下周AI掘金志公眾號欄目首發。
3月9日，Google旗下的AI健康科技子公司——DeepMind Health，宣稱將使用比特幣底層技術區塊鏈，讓醫院、NHS、甚至病人自身都能實時跟蹤其個人健康數據。
該技術，又被稱為“可驗證數據審核”，可創建一個特殊的數字分類帳，以加密可驗證的方式自動記錄患者數據的每次交互，這意味著對數據任何更改或訪問都會被記錄到，正是這種特點，對困擾DeepMind已久的問題——患者的數據隱私問題有幫助。
2016年12月，DeepMind曾與帝國理工學院醫院合作，共同發布了一款腎臟監控APP Streams，在這項合作中，DeepMind將會獲取到100萬患者的醫療數據。但兩者的合作因數據隱私問題備受質疑，民眾懷疑其與NHS的數據共享協議過于廣泛，擔心這可能給予DeepMind太多的權利，甚至超過NHS。（關于這次合作，雷鋒網曾有詳細報道：DeepMind與帝國理工學院醫院合作，獲得100萬患者數據）
這就解釋了，谷歌AI團隊為什么搞起了區塊鏈？
我們的使命始終如一，核心探索我們如何能長期建立信任、透明度和對數據更好的控制。
這此次開發區塊鏈計劃發布后，DeepMind聯合創始人Mustafa Suleyman如是說。Suleyman指出， DeepMind已經采取了很多措施促進民眾信任，包括組織成立AI行業聯盟等，但是技術的方法是公司促進信任的另一種手段。
事實上，關于區塊鏈與人工智能的結合，業界早有討論，區塊鏈在人工智能的一些應用很普通，正在逐步改變人工智能。其中，區塊鏈不可改變/審計跟蹤記錄的特點，可以為人工智能帶來訓練數據和模型方面的數據溯源，從而改善數據和模型的可信度。
據雷鋒網了解，3月7日早間消息，IBM Watson即將與Salesforce的人工智能平臺Einstein合作。在IBM官網上，這樣介紹了他們的合作關系：
Salesforce人工智能平臺Einstein上客戶的數據與Watson的結構化、非結構化數據結合，后者有各行各業、各個來源的的數據，包括天氣、醫療保健、金融服務和零售。兩者結合后，將能夠理解數據、推理并生成決策，加速企業決策和提供更好的客戶體驗。
在其官網上，具體介紹了合作細則：
IBM Watson和Salesforce Einstein整合。整合IBM Watson APIs到Salesforce中，可以將非結構化、企業內外數據與Salesforce Einstein顧客數據產生的預測性洞察結合，使得銷售、服務、市場和商業等過程更智能。
提供Salesforce的IBM天氣洞察。IBM的一個業務，The Weather公司，為Salesforce AppExchange提供有關天氣洞察，這些信息可能影響客戶的行為和公司業務表現。
提供Salesforce的IBM應用整合組件。客戶能將內部部署的企業數據和云數據與Salesforce的個性化集成產品結合起來，直接在Salesforce的智能平臺上呈現。
IBM的咨詢公司Bluewolf將創建一個實踐單元為Einstein的軟件和服務。
這些合作細節勾勒出一個這樣的未來：能夠“預測未來”的CRM系統。并且據外媒報道，通過Salesforce的Einstein平臺和Watson一些業務的整合，這次合作還為IBM銷售其咨詢服務開辟了道路。
Amazon Go 從推出到現在已過去四個月，這期間，國內不少傳統零售商和創業者受到影響，開始試水搭建無人零售商店。但由于對技術和工程細節不熟悉，往往無從下手。
無人零售除了應用到計算機視覺等 AI 技術外，還涉及到大規模的傳感器和智能設備，是一個復雜且龐大的項目。雷鋒網了解到，雖然已經有人分享了對無人零售商店的原理解讀，但大多只講述了粗略的實現方式，沒有深入到細節。為此，雷鋒網采訪了無人零售商店創業者陳維龍（微信：daoyuan3），通過講述基于 Amazon Go 原理為主的無人零售商店項目來幫大家解答疑問。
陳維龍提到，要打造 Amazon Go 這樣的無人零售商店最核心的是要解決“什么商品被誰怎么處理了”這個問題，需要處理的因素有5個：人、人的位置、商品、商品的位置、動作。
陳維龍舉了個非形象動的例子：對于超市而言，商品存在兩種狀態——賣掉或沒賣掉；對貨架而言，商品的狀態是在或不在；對顧客而言，商品的狀態是買或不買；對人的手而言，商品的狀態是在手或不在手，進一步簡化成拿起或放回。相機和傳感器都可以表示該狀態。
其中，商品的識別應該是難度最大的關鍵點之一。陳維龍指出，在初始狀態，特定品類的商品被放在特定位置，由相機和傳感器偵測。對相機和傳感器而言，它們只需優先識別少數且特定的商品類及數量。這個相對而言是簡單的。即使圖片無法識別，也可以根據重量識別和篩查。在品類擺放的時候可以選擇易區分的品類擺放一起，所有被拿取的商品記錄在顧客的購物清單里。困難在中間狀態。由于顧客放回會破壞初始狀態，導致識別難度急劇上升。因為顧客可能放回任意商品，所以商品的識別范圍又擴大到無法解決的情況。
將商品記錄到動作的發起者身上是一件較為復雜的工程。陳維龍介紹到，識別人大體通過 2 種方式：身體特征或附帶物，例如人臉和手機。人臉識別的精度在室內還在可接受范圍，幾乎可以當做唯一標識。手機也是一個人的唯一標識，通過判斷是誰的手機從而判斷顧客是誰。
而要匹配顧客和商品的 ID，首先要確定人和商品的定位。關于人的定位，可以用到追蹤系統。手機的 GPS、wifi、藍牙也可以提供較準確豐富的位置信息。關于商品的定位，紅外、重量感應、相機、商品和貨架初始的問題都是已知的，可以推測出來。例如，通過隔板，將同類商品分在不同的網格種，每個網格對應不同的紅外或重量感應器，可以知道被拿取或放回商品的位置。
總之，難度沒有憑空想象的難，但是工程量不小。即使動作和商品識別能達到 100%，因為定位方案和精度問題，導致整體的識別存在一定的誤差，而使整個方案無法使用，或者只能部分依靠顧客協助實現。所以 Amazon Go 以及未來的其他無人零售店還只能在小部分范圍內對特定人群使用，例如信用度較高的會員。
陳維龍將無人收銀分成三個階段：商品和顧客行為數據統計階段、識別正常購物的無人收銀階段、識別作弊的無人收銀階段。
? 第一階段比較容易實現，因為僅僅是統計，顧客不會存在作弊情況，而且統計誤差范圍相對于無人收銀較大。
? 第二階段是顧客不作弊的情況下，100% 記錄顧客和商品數據，達到無人收銀的效果。目前 Amazon Go 處于這個階段。這個階段的明顯特征是建立在高素質會員人群中。
? 第三階段是識別任意作弊行為，并且準確統計。這個階段超市或零售行業所以的作弊行為都能被識破、杜絕，不僅可以實現無人收銀，還徹底解決了盜損問題。
由于成本和技術問題，陳維龍認為達到第二階段，往第三階段靠近就可以了。
相關文章：
畢馬威發布2016 Fintech投資報告、支付寶決定放棄社交 | AI金融評論周刊
Google旗下AI健康子公司DeepMind Health，為什么搞起了區塊鏈？
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
