Build AI in a company
复杂AI工程学习
-
AI speaker
Trigger word detection - “hello device”
Speech recognition - “tell me a joke”
Intent recognition - “tell me a joke”>>>joke
Execute intent - make a joke
-
Self-driving car
Car detection
People detection
Motion planning
Roles in an AI team
Software engineer 软件工程师
Machine learning engineer 机器学习工程师
Machine learning researcher 机器学习研究员 - 研究扩展前沿的AI技术
Applied ML scientist 机器学习应用科学家 - 上面两者的结合体
Data scientist 数据分析师
Data engineer 数据工程师 - 负责保存和读取数据时更容易
AI product manager AI产品经理 - 判断AI可行性&商业价值
AI transformation playbook
-
启动试点项目来获得势头
考虑是否能成功，而不是商业价值
在6-12月左右展获成效
可以是自研也可以外包
-
建立人工智能团队
image.png -
提供广泛的AI培训（不仅仅是工程师，负责人还要包含高管，包含如何思考人工智能）
高管和商业领袖 --- 1AI能为企业做什么 2AI战略规划 3资源分配 4h培训时长
AI项目中的领导 --- 1项目方向（技术和商业调查） 2资源分配 3跟进和监督项目进度 12h培训时长
AI工程师 --- 1构建AI软件 2手机管理数据 3AI项目实践 100h培训时长
如何完成这些培训 --- 网络上很多培训资料（网课、书、视频、博客），不需要重复造轮子
-
制定一个人工智能战略（放在第四步而不是第一步）
利用AI创造属于你所在特定行业的优势（细分垂直行业发展自己的AI）
-
制定一个与AI良性循环相一致的公司策略
image.png 创建数据的策略（战略数据采集、统一数据仓库）
-
AI创建网络效果与平台优势的壁垒
- 在赢者通吃（winner take all）的行业，AI就是加速器
-
保证公司内部与外部的宣传与沟通一致
投资者/股东相关
政府部门相关
消费者/用户的培训
AI人才/招聘宣传
内部员工的沟通交流
-
常见的AI陷阱
image.pngimage.png
Taking your first step
团结一些伙伴一起学习AI
头脑风暴一些项目（没有项目是小项目）
招聘一些ML/DS一起合作
招聘AI领导一起合作
和CEO一起讨论AI转型（关键问题在于转型AI是否能够为公司带来更多价值）
Servey of major AI application areas
-
Computer Vision 电脑视觉
-
Image classification图像分类/Object recognization目标识别
- Face recognization面部识别
Object detection物体检测（不仅识别出物体/类别，还要标出位置-矩形框）
Image segmentation图像分割（不仅识别出物体/类别，还能够精确的标注出物体的边缘）
Tracking 寻迹（运动轨迹，视频处理）
-
-
Natural language processing 自然语言处理
-
Text classification文本分类
- Sentiment recognization情绪识别（好吃、不好吃之类）
Information retrieval信息检索（web search）
Name entity recognization名称实体识别（识别出人名、地名、日期、时间）
Machine translation机器翻译
语义相似性
Parsing & part-of-speech tagging解析和语音部分标注（解析器是把相关的单词连接在一起）
-
-
Speech 语音
Speech recognization（speech-to-text）语音识别
Trigger word/wake word detection触发词检测
Speaker ID通过语音识别说话者身份
Speech synthesis（text-to-speech）语音合成TTS
-
Robotics 机器人科学 Self-driving 自动驾驶
perception感知（利用所有感官找出周遭的事物）
Motion planning运动规划算法（计算机器接下来要行进的路径）
Control控制（给机器发指令）
Supervised learning 监督学习（寻找输入A到输出B的映射，知道A和B）
-
Unsupervised learning 无监督学习（输入无标签的数据，没有输出标签B，寻找有趣的结论）
- Clustering聚类
Transfer learning 迁移学习（使用从A中的知识，用于完成另外的任务B）
-
Reinforcement learning 强化学习（强化学习算法使用奖励信号，来教会AI该做什，不该做什么）
- 缺点：需要大量的数据
GANs- Generative Adversarial Network 生成对抗网络（在什么都没有的情况下生成新的图片）
Knowledge graph 知识图谱（用来描述各种实体和概念，和其之间的关系）
