AI应用落地之道

图书标准信息

• 作者 [日]野村直之
• 出版社 中国人民大学出版社
• 出版时间 2020-04
• 版次 1
• ISBN 9787300278643
• 定价 69.00元
• 装帧 其他
• 开本 128开
• 纸张 胶版纸
• 页数 243页
• 字数 174千字

【内容简介】

从AI核心技术、样本数据提取到业务流程构建、人才培养机制
   MIT人工智能研究所客座研究员、日本人工智能专家全流程指导
  帮助企业实现AI技术的落实应用，指导个人从知识劳动人才向智能劳动人才转变
  当人们听说“AI的进化将剥夺人类的就业机会”时，出于对机器的担忧和反感，他们就会产生逆反心理，从而造成对AI能力的过高预估；另一方面，当这种过高的期待没有实现时，人们就会产生对AI的全面否定，如“AI什么也干不了”“到头来还不是一无是处、毫无意义”。我们该如何澄清关于AI的各种误解，使企业能够从容自如地使用AI？
  本书作者野村直之30多年来一直致力于AI的开发、应用和部署。在本书中，他针对已经参与或即将参与AI系统相关工作的读者揭示了诸多为了充分应用AI系统需要掌握的要点。
  ·AI的现状。目前的AI都是辅助性工具，“强AI”还无法在21世纪内诞生。
  ·AI的核心技术——深度学习。AI应用落地的关键在于目标精度的评测与活用，通过使用精确率和召回率两个指标，来准备良好的样本数据。
  ·样本数据的制作。通过短周期原型开发评估目标精度，加之专业人士的参与，同时使用高性能的GPU硬件。
  ·AI部署人才应具备的技能。AI时代的人才需要福尔摩斯般的思考能力，不仅要善于发现问题，打破现有局面，还要为解决问题设定目标，完成从“知识劳动”到“智能劳动”的转变。

【作者简介】

野村直之

1984年毕业于东京大学工学专业，2002年获得九州大学理学博士学位。曾在NEC C&C研究所、JUSTSYSTEM公司、法政大学、理光集团任职，后担任法政大学客座教授。

2005年创立元数据公司，从事大数据分析、社交网络应用、各种人工智能应用方案的提供等方面的工作。在此期间，担任MIT人工智能研究所客座研究员，与人工智能之父马文?明斯基曾同在一个实验室，并与该校语言学者诺姆·乔姆斯基进行过学术探讨。

他曾参与名词网络（Wordnet）的应用研究以及日本第五代计算机开发机构（ICOT）衍生知识库开发，同时对AI在产业、生活、行政、教育等领域的应用保持着高度的关注。

【目录】

目录

第1章 当今 AI 的功能与局限 

关于 AI 常见的误解 // 2 

利用大数据的围棋 AI // 5 

如何有效运用“幼儿智能” // 6 

思考能够使用图像识别技术的商业领域 // 7 

深度学习是“原始数据计算” // 9 

通过三个数轴对 AI 进行分类 // 12 

深度学习是如何提取特征的 // 14 

“模式识别”：AI 的眼睛和耳朵 // 17 

使用深度学习的机器翻译能够获得压倒性胜利的原因 // 20 

“强 AI”的出现至少要到 22 世纪吗 // 26 

指数函数的恐怖 // 28 

知识量的增加至多是二次曲线级 // 30 

充分运用深度学习的必要性 // 34

深度学习与其他方式的结合也很有价值 // 36 

第2章 使用深度学习的基本流程 

在 AI 应用中不可或缺的目标设定 // 40 

分享评测数据使其可以共用 // 42 

作为精度指标的“精确率”和“召回率” // 44 

作为前提的正确结果不止一个 // 46 

不同场景中对精确率和召回率的重视程度不同 // 47 

业余和专业所需的精度是不同的 // 49 

深度学习的准确性评估测试非常简单 // 51 

能准备反映共同特征和多样性差异的训练数据 // 53 

使用开发环境进行数据学习的流程 // 55 

注意过度拟合 // 59 

第3章 目标精度的实际评估和利用 

从危险驾驶分类中了解自动驾驶的问题 // 66 

AI 给生产力带来的提升效果 // 71 

交通标志与 AI 的匹配和 RFID 化也是必要的 // 73 

精度目标的设定和预算是“鸡与蛋”的问题 // 79 

自动驾驶需要用各种观点进行综合评估 // 81

特斯拉汽车为何发生车祸 // 82 

结合预期值评估服务质量非常重要 // 85 

设计业务流程时的混淆矩阵很重要 // 89 

用附有概率值的判定结果将分支条件精细化 // 93 

根据置信度对处理结果进行场景分类 // 96 

为每个样本或医疗机构设置最佳精度 // 98 

对 AI 纠错的意义 // 101 

如何评估聊天机器人的准确性 // 103 

用“对话成立度”对精度进行定量评估 // 107 

参考信息技术架构库改善业务流程 // 109 

让 AI 学习特殊情况下的数据 // 112 

第4章 AI 部署的实例 

企业的数字化 // 116 

将 AI API 化后公开 // 118 

AI 部署的战略以及企业内部体制 // 120 

制作样本数据时的注意点 // 125 

标注人员进行的标注工作 // 127 

增加相互之间只有少许差异的样本数据 // 129 

深度学习的引入需要耐心 // 132 

描绘实际运行整体系统的结构 // 135 

GPU 的挑选：目前 NVIDIA 是唯一选择 // 138 

硬件的选择：性能要超过十几年前最先进的超级计算机 // 142

主内存要注意主内存容量 // 143 

GPU 云服务也是一种选择 // 151 

深度学习的机制是多种多样的 // 154 

主流深度学习框架的特点和选择 // 156 

多种类型的网络结构该如何进行选择 // 160 

编程语言几乎只有 Python 一种选择 // 160 

利用现成 AI 资源的意识 // 162 

将完成后的 AI 应用程序化、API 化 // 164 

将 API 向世界公开 // 166 

争取各种安全措施保护隐私 // 167 

以眼还眼，以 AI 对 AI // 169 

保护 AI 开发企业的防盗版措施 // 171 

主动公开部分源代码的交付方法 // 173 

第5章 AI 部署人才应具备的技能 

用户企业如何获得 AI 人才 // 177 

用户企业的管理人员应掌握的心得 // 178 

AI 时代需要我们具备福尔摩斯般的思考能力 // 179 

AI 人员所需的资格和专业领域 // 180 

旧知识可能成为绊脚石 // 183 

样本数据的准备成为开发工作的核心 // 184 

在 API 经济中擅长混聚开发的人才更重要 // 186 

AI 人员的沟通能力不可或缺 // 187

知识