概览

人工智能的两个方面：感知和决策

深度学习可以较好的解决感知问题，但在决策方面略显无力（不可解释）

• 人工智能
  • 深度和浅层学习
    (优势：模型表达能力，灵活性//劣势：可解释性，需要大量数据)
    • 卷积神经网络，PNN，Deep and Wide，图学习
       
    • 决策树，线性回归和SVM，马尔可夫模型，贝叶斯学习
  • 传统人工智能方法
    （优势：模型简单，小数据量下的性能，模型可解释性//劣势：灵活性）
    • 增强学习，搜索寻优，知识库与逻辑推理
    • 规划系统
• 按感知和决策分
  • 感知（深度学习算法）
    • 数据标注
    • 算法模型开发
    • 高性能分布式训练
    • 模型调优
    • 模型部署
  • 决策（传统机器学习算法以及深度学习）
    • 业务行为数据采集
    • 结构化/非结构化数据处理
    • 数据和算法的组合建模
    • 算法开发，训练，调优
    • 模型部署、实时训练反馈

人工智能系统

算法创新的背后是算力突破。

常常听到的问题：

1. TensorFlow安装太难了--软件复杂度
2. GPU太贵，型号那么多，换代快，则么架集群--硬件复杂度
3. 找不到GPU机器用--资源管理复杂度
4. 机器利用率太低了，那么多机器都闲着--调度效率复杂度
5. 听说GPU很快，但是我们的工程师用起来反而比CPU慢--全系统优化复杂度

AI平台解决。

智能计算和数据计算

算法和算力的背后还需要大量数据支撑。（数据量和性能几乎是成正比的）

人工智能落地：从应用需求出发，逐渐追求技术创新。

应用需求驱动。定义问题->收集数据->从0到1算法实现（重点在懂业务）