起航学习网

人工智能项目，要“入门”不要“入坑”

今年是彻底的火了

这不是梦话，而是大势所趋

AI已经渗透到各行各业

↓

无论是哪类客户

都表现出了对AI的“强烈意愿”

毕竟谁也不想被时代抛弃

所以，问题来了

现阶段考验客户的问题

不在于是否部署人工智能 (AI)

而是

如何部署人工智能？

然而

当大家怀着无限憧憬

迈向人工智能

第一步的时候

就已经静静地等在那里了

▼

无论何种项目、如何部署

都绕不开以上这四大关键要素

而那些“坑”，就隐藏在这些要素里

1

数据的坑

现在一提到人工智能

大家就说，必须要有“海量数据”

没错

“数据”对于AI来说至关重要

没有数据，一切是空谈

我们来看一下整个

AI处理的大致流程

▼

就知道

数据就像婴儿奶粉一样

只有持续不断地“喂”

才能让机器完成不断学习

变得智能

构建模型、训练数据

训练使用的数据集越大、质量越好

训练出来的AI模型就越“聪明”

但是

深度学习的模型训练

决定了奶粉不能一次喂

今天吃了，明天还要吃

做不到“一次喂饱完事”

我们更应该重视的是

海量数据的“消化过程”

所以

↓

2

算法的坑

我们经常被忽悠

一提到人工智能的算法

就是必须是深度学习

这是一个常识性错误

我们来看一下

人工智能、机器学习、深度学习

三者关系如下

其实

AI 领域的主流技术路径有三种

①深度学习

②一般的机器学习

③基于规则的学习

这三种技术路径之间的关系

与其说是彼此竞争或替代

更不如说是互补

所以

客户面对的技术路径

不只深度学习一条道

无论是传统推理、机器学习

或是它们的融合 ，都是可选项

举个例子

▼

中国银联电子商务与电子支付国家工程实验室

推进银行卡反欺诈技术研究

刚开始，发现

1、如果只使用机器学习

将面临对序列化交易特征学习能力不足问题

2、如果只用深度学习

将面临单笔交易内特征学习能力有限的问题

最终研究结论是

两种技术融合才是最好的方案

并采用兼容性极大的CPU计算平台

完美实现

GBDT→GRU→RF 三明治结构

欺诈侦测模型架构

所以

↓

3

算力的坑

高算力

也是AI的核心关键要素之一

现在一提到人工高智能

就立刻想上一套新的专用硬件计算平台

误认为

现有的数据中心基础设施

达不到AI对算力的要求

必须靠专用计算平台才能匹配

这是很严重的误导！

正确的姿势是

▼

现阶段

应该利用现有的数据中心基础设施

应该利用现有的、你熟悉的处理器平台

以最低的成本部署人工智能

相比另起炉灶、寻其他计算平台的方法

用时更短 、风险更低、性价比更高

为什么呢？

①

标准CPU平台，今非昔比

完全能够胜任AI所有应用

②

最小成本，做最大的事

利用现有的CPU平台

无需大量额外投资

现在人工智能属于“试错阶段”

同时技术也在快速演变和迭代

如果另起炉灶，得不偿失

③

最熟悉的平台，做最靠谱的事

CPU平台，你用了这么多年

用熟悉且信任的平台

构建“激进”的AI项目

本身就是一个绝好的平衡

让技术风险可控

所以

↓

4

场景的坑

用一套专用的AI方案绑架客户

意味着，不管啥场景、不管啥应用

统统只推荐一套方案

不灵活

是专用AI硬件平台的弊端之一

而CPU平台有极强的灵活性

满足上层AI场景的百变需求

所以

↓

数据、算法、算力、场景

踩完4大关键要素的坑儿

我们发现

AI的落地，需要一个

灵活的、成熟的、高性价比的平台

↓

①能对数据进行持续分析和利用

②能让各种AI算法都愉快work起来

③能提供与训练需求相匹配的算力

④能灵活适配各类AI应用场景

……

而这个平台，可能早已拥有

或者，你可以轻松升级

▼

↓

对，用你熟悉的硬件平台

再导入

英特尔在AI软件层面的最新优化组合

比如：框架、工具、库

就能立刻盘活你的数据中心

承载任何AI高强度应用

↓

英特尔完成了对Caffe、TensorFlow、MXnet、BigDL等主流深度学习框架的优化。提供了英特尔MKL／MKL-DNN，DAAL等AI优化库以及英特尔深度学习Studio及开发套件等工具包。

很多客户已经基于这个平台

开始了大规模AI应用

比如

▼

中国银联电子商务与电子支付国家工程实验室

基于英特尔至强平台、Cloudera CDH、Apache Spark和BigDL构建的人工神经网络风控系统，与基于规则的风控系统相比，能提升高达20%的正确度，并具备60%的涵盖率，从而在短短数月内就达到了最佳训练模式。该实验室的GBDT →GRU→RF 三明治 结构欺诈侦测模型 ，在至强平台 以及 BigDL 、面向英特尔架构优化的 TensorFlow 、 英特尔 MKL -DNN 和DAAL 等框架和工具的支持下，效率也得以大幅提升 。

京东

在基于至强的集群上将图像检测和提取方案升级为英特尔开源的BigDL，其性能比原有的基于专有架构的解决方案提升了3.83 倍。

由于BigDL允许以Scala或Python编写深度学习应用程序，也为开发、运维人员带来了极大便利。

UCloud

基于至强平台构建的AI在线服务在搭配面向英特尔架构优化的 Caffe 框架后，同时运行的线程数量显著增加，整体执行性能提高了10倍以上。

它在人脸表情识别的测试中，在并发数为8-16节点时，性能可与专用架构的平台相媲美。

GE 医疗集团

在使用至强处理器的四个或四个以下的专用内核对CT影像进行分类测试时发现，由英特尔深度学习开发工具包和MKL-DNN生成的优化代码，相比在同样系统上运行的基准TensorFlow模型，在推理吞吐量上平均提高了14倍。

众里寻它千百度，蓦然回首

AI就在，自家机房灯火阑珊处

从CPU平台开始

从熟悉和信任的平台开始

开始你的AI之旅吧

文章出自：http://qh.itpxw.cn/ai/python/201841038.html

文章标题：要不要学人工智能 要不要入人工智能的坑



免责声明：本站文章均由入驻起航学习网的会员所发或者网络转载，所述观点仅代表作者本人，不代表起航学习网立场。如有侵权或者其他问题，请联系举报，必删。侵权投诉

(责任编辑：IT培训网)