知名創(chuàng)投研究機(jī)構(gòu)CB Insights調(diào)研了25種最大的AI趨勢(shì),以確定2019年該技術(shù)的下一步趨勢(shì),他們根據(jù)行業(yè)采用率和市場(chǎng)優(yōu)勢(shì)評(píng)估了每種趨勢(shì),并將其歸類為必要、實(shí)驗(yàn)性、威脅性、暫時(shí)的。

膠囊網(wǎng)絡(luò)將挑戰(zhàn)最先進(jìn)的圖像識(shí)別算法

1、開源框架(Open-Source Frameworks)

人工智能的進(jìn)入門檻比以往任何時(shí)候都低,這要?dú)w功于開源軟件。2015年谷歌開放了其機(jī)器學(xué)習(xí)庫TensorFlow,越來越多的公司,包括Coca-Cola、e Bay等開始使用TensorFlow。2017年Facebook發(fā)布caffe2和 Py Torch(Python的開源機(jī)器學(xué)習(xí)平臺(tái)),而Theano是蒙特利爾學(xué)習(xí)算法研究所(Mila)的另一個(gè)開源庫,隨著這些工具的使用越來越廣泛,Mila公司已經(jīng)停止了對(duì)Theano的開發(fā)。

2、膠囊網(wǎng)絡(luò)(Capsule Networks)

眾所周知,深入學(xué)習(xí)(Deep Learning)推動(dòng)了今天的大多數(shù)人工智能應(yīng)用,而膠囊網(wǎng)絡(luò)(capsule networks)的出現(xiàn)可能會(huì)使其改頭換面。深入學(xué)習(xí)界領(lǐng)航人Geoffrey Hinton在其2011年發(fā)布的論文中提到“膠囊”這個(gè)概念,于2017年-2018年論文中提出“膠囊網(wǎng)絡(luò)”概念。

針對(duì)當(dāng)今深度學(xué)習(xí)中最流行的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之一:卷積神經(jīng)網(wǎng)絡(luò)(CNN),Hinton指出其存在諸多不足,CNN在面對(duì)精確的空間關(guān)系方面就會(huì)暴露其缺陷。比如將人臉圖像中嘴巴的位置放置在額頭上面,CNN仍會(huì)將其辨識(shí)為人臉。CNN的另一個(gè)主要問題是無法理解新的觀點(diǎn)。黑客可以通過制造一些細(xì)微變化來混淆CNN的判斷。

經(jīng)測(cè)試,膠囊網(wǎng)絡(luò)可以對(duì)抗一些復(fù)雜的對(duì)抗性攻擊,比如篡改圖像以混淆算法,且優(yōu)于CNN。膠囊網(wǎng)絡(luò)的研究雖然目前還處于起步階段,但可能會(huì)對(duì)目前最先進(jìn)的圖像識(shí)別方法提出挑戰(zhàn)。

3、生成式對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks)

2014年,谷歌研究員Ian Goodfellow提出“生成式對(duì)抗網(wǎng)絡(luò)”(GAN)概念,利用“AI VS AI”概念,提出兩個(gè)神經(jīng)網(wǎng)絡(luò):生成器和鑒別器。谷歌DeepMind實(shí)習(xí)生Andrew Brock與其他研究人員一起合作,對(duì)Gans進(jìn)行了大規(guī)模數(shù)據(jù)集的培訓(xùn),以創(chuàng)建“BigGANs”。

GANs面對(duì)的主要挑戰(zhàn)就是計(jì)算能力,對(duì)于AI硬件來說必須是并行縮放。研究人員用GANs進(jìn)行“面對(duì)面翻譯”,還有利用GANs將視頻變成漫畫形式,或者直接進(jìn)行繪畫創(chuàng)作等,但GANs也被一些不懷好意的人利用,包括制作假的政治錄像和變形的色情制品。

4、聯(lián)合學(xué)習(xí)(Federated Learnnig)

我們每天使用手機(jī)或平板會(huì)產(chǎn)生大量數(shù)據(jù)信息,使用我們的本地?cái)?shù)據(jù)集來訓(xùn)練AI算法可以極大地提高它們的性能,但用戶信息是非常私人和隱秘的。谷歌研發(fā)的聯(lián)合學(xué)習(xí)(Federated Learning)方法旨在使用這個(gè)豐富的數(shù)據(jù)集,但同時(shí)保護(hù)敏感數(shù)據(jù)。谷歌正在其名為Gboard的Android鍵盤上測(cè)試聯(lián)合學(xué)習(xí)。

聯(lián)合學(xué)習(xí)方法與其他算法的不同在于考慮了兩個(gè)特征:非獨(dú)立恒等分布(Non-IID)和不均衡性(Unbalanced)。聯(lián)合學(xué)習(xí)已運(yùn)用于搜索引擎Firefox、人工智能創(chuàng)業(yè)公司OWKIN等。

5、強(qiáng)化學(xué)習(xí)(Reinforcement Learning)

當(dāng)谷歌DeepMind研發(fā)的AlphaGo在中國圍棋游戲中擊敗世界冠軍后,強(qiáng)化學(xué)習(xí)(Reinforcement Learning)獲得了廣泛關(guān)注。基于強(qiáng)化學(xué)習(xí),DeepMind接著又研發(fā)了AlphaGo Zero。UC Berkeley 研究人員利用計(jì)算機(jī)視覺和強(qiáng)化學(xué)習(xí)來教授YouTube視頻中的算法雜技技能。

盡管取得了進(jìn)步,但強(qiáng)化學(xué)習(xí)與當(dāng)今最流行的人工智能范式監(jiān)督學(xué)習(xí)相比,還算不上成功,不過關(guān)于申請(qǐng)強(qiáng)化學(xué)習(xí)的研究越來越多,包括 Microsoft,Adobe,FANUC等。

2025年自動(dòng)駕駛利潤達(dá)800億美元 物流率先應(yīng)用

6、人工智能終端化

人工智能技術(shù)快速迭代,正經(jīng)歷從云端到終端的過程,人工智能終端化能夠更好更快地幫助我們處理信息,解決問題,我們舍棄了使用云端控制的方法,而是將AI算法加載于終端設(shè)備上(如智能手機(jī),汽車,甚至衣服上)。

英偉達(dá)(NVIDIA),高通(Qualcomm)還有蘋果(Apple)等諸多公司加入了對(duì)終端側(cè)人工智能領(lǐng)域的突破和探索,2017和2018年是眾多科技公司在人工智能終端化進(jìn)入快速發(fā)展期的兩年,同時(shí)他們也在加緊對(duì)人工智能芯片的研發(fā)。但AI依然面臨著儲(chǔ)存和開發(fā)上的困境,亟需更豐富的混合模型連接終端設(shè)備與中央服務(wù)器。

7、人臉識(shí)別

從手機(jī)解鎖到航班登機(jī),人臉識(shí)別的應(yīng)用范圍愈發(fā)廣泛,各國對(duì)于人臉識(shí)別的需求逐漸升高,不少創(chuàng)業(yè)公司開始關(guān)注這一領(lǐng)域,利用該技術(shù),可以通過臉部特點(diǎn)從而還原蒙面嫌疑犯完整的人臉。但人臉識(shí)別仍有待改進(jìn)。這一技術(shù)仍會(huì)對(duì)人臉真假存在誤判。人臉識(shí)別中所包含的數(shù)據(jù)遠(yuǎn)比我們想象要多,其中的安全問題也應(yīng)引起我們關(guān)注。

8、語言處理

自然語言處理(NLP)是人工智能的一個(gè)子領(lǐng)域,對(duì)于翻譯技術(shù)而言,NLP就像一個(gè)潘多拉魔盒——除了豐富的市場(chǎng)機(jī)會(huì),還有巨大的挑戰(zhàn)。機(jī)器翻譯就是其中一個(gè)等待開發(fā)的寶庫,從后臺(tái)自動(dòng)化,客戶支持,到新聞媒體,其應(yīng)用廣泛。

人機(jī)共生也是翻譯領(lǐng)域未來的大方向,不少初創(chuàng)公司也期待從中分一杯羹,但要完成基于自然語言處理工作的翻譯系統(tǒng)并不容易,單單中文里的各種方言和書面語就能把眾多科技公司難住,據(jù)相關(guān)數(shù)據(jù)顯示,除了熱門的高資源語言,如中文,阿拉伯語,歐洲語言等,低資源語言和少數(shù)民族語言的開發(fā)和應(yīng)用依然存在缺口。

9、車輛自動(dòng)化駕駛

盡管自動(dòng)化駕駛的汽車市場(chǎng)潛力巨大,但實(shí)現(xiàn)全自動(dòng)的未來依然不明朗。自動(dòng)化駕駛成為了科技公司和初創(chuàng)公司互相競(jìng)爭的新領(lǐng)域,他們?yōu)榇俗⑷氲牟粌H有新的活力,還有大量的投資。投資者對(duì)他們的決定十分樂觀,數(shù)個(gè)自動(dòng)駕駛汽車品牌所獲得的投資總額已超百億,預(yù)計(jì)2025年其市場(chǎng)利潤能達(dá)800億美元,物流等相關(guān)行業(yè)會(huì)成為首批應(yīng)用全自動(dòng)駕駛的行業(yè),預(yù)計(jì)可縮減三分之一的成本。

10、AI聊天機(jī)器人

盡管許多人把聊天機(jī)器人看成是AI的代名詞,但兩者依然存在差別。如今的AI聊天機(jī)器人已經(jīng)進(jìn)化得十分完善,與真人對(duì)話時(shí)甚至還會(huì)應(yīng)用“嗯...”這一類口頭語和停頓,但人們擔(dān)憂這些機(jī)器人的行為過于逼真,開始考慮在對(duì)話時(shí)對(duì)其聊天機(jī)器人的身份進(jìn)行確認(rèn)說明的需要。國外的科技巨頭FAMGA(Facebook,Apple,Microsoft,Google與Amazon)以及國內(nèi)的BAT都把目光投向了這一領(lǐng)域。

AI診斷前景巨大 制藥巨頭押注AI算法

11、醫(yī)學(xué)成像與診斷

美國食品與藥物管理局(FDA)正加速推進(jìn)“AI即醫(yī)療設(shè)備”趨勢(shì)。2018年4月,FDA批準(zhǔn)了AI軟件IDx-DR,它可以在不需要專家干預(yù)的情況下篩查糖尿病視網(wǎng)膜病變患者,準(zhǔn)確率超過87.4%。FDA還批準(zhǔn)了Viz LVO(可用于分析CT掃描結(jié)果以預(yù)測(cè)患者患中風(fēng)危險(xiǎn))和Oncology AI套件(專注于發(fā)現(xiàn)肺部和肝臟病變),監(jiān)管機(jī)構(gòu)的快速審批為80多家AI成像和診斷公司開辟了新的商業(yè)道路。自2014年以來,這些公司共融資149筆。

在消費(fèi)者方面,智能手機(jī)的普及和圖像識(shí)別技術(shù)的進(jìn)步正在把手機(jī)變成強(qiáng)大的家庭診斷工具,名為Dip.Io的應(yīng)用使用傳統(tǒng)尿液檢測(cè)試紙來監(jiān)測(cè)各種尿路感染。用戶可以用智能手機(jī)給試紙拍照,計(jì)算機(jī)視覺算法會(huì)根據(jù)不同的光照條件和攝像頭質(zhì)量對(duì)結(jié)果進(jìn)行校正。除此之外,許多“ML即服務(wù)”平臺(tái)正集成到FDA批準(zhǔn)的家庭監(jiān)控設(shè)備中,發(fā)現(xiàn)異常時(shí)即可向醫(yī)生發(fā)出警報(bào)。

12、下一代假肢

早期的研究正在興起,結(jié)合生物學(xué)、物理學(xué)和機(jī)器學(xué)習(xí)來解決假肢面臨的最困難問題之一,即靈活性。這是個(gè)十分復(fù)雜的問題,比如要讓截肢者能夠在假肢手臂上活動(dòng)單個(gè)手指,需要解碼其背后的大腦和肌肉信號(hào),并將其轉(zhuǎn)化為機(jī)器人控制指令,這些都需要多學(xué)科配合。最近,研究人員開始使用機(jī)器學(xué)習(xí)來解碼來自人體傳感器的信號(hào),并將其轉(zhuǎn)換成移動(dòng)假肢設(shè)備指令。

還有些論文探討了新媒介解決方案,比如使用肌電信號(hào)(殘肢附近肌肉的電活動(dòng))來激活攝像頭,以及運(yùn)行計(jì)算機(jī)視覺算法來估計(jì)他們面前物體的抓取方式和大小。年度機(jī)器學(xué)習(xí)大會(huì)NeurIPS’18已經(jīng)發(fā)起“AI假肢挑戰(zhàn)賽”,進(jìn)一步突顯了AI社區(qū)對(duì)該領(lǐng)域的興趣,2018年的挑戰(zhàn)是使用強(qiáng)化學(xué)習(xí)預(yù)測(cè)假肢的性能,有442名參與者試圖教AI如何跑步,贊助商包括AWS、英偉達(dá)以及豐田等。

13、臨床試驗(yàn)患者招募

臨床試驗(yàn)的最大瓶頸之一是招募合適的患者,蘋果或許能夠解決這個(gè)問題。盡管人們?cè)谂⑨t(yī)療記錄數(shù)字化,但互操作性(在機(jī)構(gòu)和軟件系統(tǒng)之間共享信息的能力)仍是醫(yī)療保健領(lǐng)域最大的問題之一。理想的AI解決方案是從患者的病歷中提取相關(guān)信息,并與正在進(jìn)行的試驗(yàn)進(jìn)行比較,為進(jìn)行匹配研究的AI軟件提供建議。

然而,像蘋果這樣的科技巨頭已經(jīng)成功地為他們的醫(yī)療保健計(jì)劃引入了合作伙伴,蘋果正在改變醫(yī)療數(shù)據(jù)的流動(dòng)方式,并為AI開辟了新的可能性,尤其是圍繞臨床研究人員招募和監(jiān)測(cè)患者的方式。自2015年以來,蘋果推出了兩個(gè)開源框架——ResearchKit和CareKit,以幫助臨床試驗(yàn)招募患者,并遠(yuǎn)程監(jiān)控他們的健康狀況,消除了地理障礙,蘋果還與Cerner和Epic等流行的EHR供應(yīng)商合作,解決互操作性問題。

14、先進(jìn)醫(yī)療生物識(shí)別技術(shù)

利用神經(jīng)網(wǎng)絡(luò),研究人員開始研究和測(cè)量以前難以量化的非典型危險(xiǎn)因素,使用神經(jīng)網(wǎng)絡(luò)分析視網(wǎng)膜圖像和語音模式可能有助于識(shí)別心臟病的風(fēng)險(xiǎn)。比如,谷歌的研究人員使用受過訓(xùn)練的視網(wǎng)膜圖像神經(jīng)網(wǎng)絡(luò)來發(fā)現(xiàn)心血管疾病的危險(xiǎn)因素,如年齡、性別和吸煙等,梅奧診所通過分析聲音中的聲學(xué)特征,可以發(fā)現(xiàn)冠心病患者的不同語音特征。

不久的將來,醫(yī)療生物識(shí)別技術(shù)將被用于被動(dòng)監(jiān)控,比如谷歌的專利希望通過膚色或皮膚位移來分析心血管功能,這些傳感器甚至可能被放置在病人浴室的“感應(yīng)環(huán)境”中,通過識(shí)別手腕和臉頰的皮膚顏色變化,用來確定心臟健康指標(biāo),如動(dòng)脈僵硬或血壓。亞馬遜也申請(qǐng)了被動(dòng)監(jiān)測(cè)專利,將面部特征識(shí)別與心率分析結(jié)合起來。AI發(fā)現(xiàn)模式的能力將繼續(xù)為新的診斷方法和識(shí)別以前未知的危險(xiǎn)因素鋪平道路。

15、藥物發(fā)現(xiàn)

隨著AI生物技術(shù)初創(chuàng)企業(yè)的興起,傳統(tǒng)制藥公司正尋求AI SaaS初創(chuàng)企業(yè)為漫長的藥物研發(fā)周期提供創(chuàng)新解決方案。2018年5月,輝瑞與XtalPi建立了戰(zhàn)略合作伙伴關(guān)系,預(yù)測(cè)小分子藥物的性質(zhì),開發(fā)“基于計(jì)算的理性藥物設(shè)計(jì)”。諾華(Novartis)、賽諾菲(Sanofi)、葛蘭素史克(GlaxoSmithKline)、安進(jìn)(Amgen)和默克(Merck)等頂級(jí)制藥公司,最近幾個(gè)月都宣布與AI初創(chuàng)企業(yè)建立合作關(guān)系,以發(fā)現(xiàn)腫瘤和心臟病等領(lǐng)域的新藥。

雖然像遞歸制藥(Recursion Pharmaceuticals)這樣的生物技術(shù)AI公司正在投資AI和藥物研發(fā),傳統(tǒng)制藥公司正在與AI SaaS初創(chuàng)公司合作。盡管這些初創(chuàng)公司中有許多仍處于融資的早期階段,但它們已經(jīng)擁有自己的制藥客戶。在藥物研發(fā)階段,成功的衡量標(biāo)準(zhǔn)很少,但制藥公司正把數(shù)百萬美元押在AI算法上,以發(fā)現(xiàn)新的治療方案,并改變曠日持久的藥物研發(fā)過程。

合成數(shù)據(jù)集用以解決AI的數(shù)據(jù)依賴

16、預(yù)測(cè)性維護(hù)

從制造商到設(shè)備保險(xiǎn)公司,AI-IIoT可以在在故障損害發(fā)生之前,提出防范措施?，F(xiàn)場(chǎng)和工廠設(shè)備會(huì)產(chǎn)生大量的數(shù)據(jù),然而,未預(yù)料到的設(shè)備故障是制造業(yè)停機(jī)的主要原因之一。預(yù)測(cè)設(shè)備或單個(gè)部件何時(shí)失效將使資產(chǎn)保險(xiǎn)公司和制造商受益。

在預(yù)測(cè)性維護(hù)中,傳感器和智能攝像機(jī)收集來自機(jī)器的連續(xù)數(shù)據(jù),如溫度、壓力等。實(shí)時(shí)數(shù)據(jù)的數(shù)量和變化形式使機(jī)器學(xué)習(xí)成為IIoT不可分割的組成部分。隨著時(shí)間的推移,算法可以在故障發(fā)生之前預(yù)測(cè)可能出現(xiàn)的隱患。隨著工業(yè)傳感器成本的降低、機(jī)器學(xué)習(xí)算法的進(jìn)步,以及對(duì)邊緣計(jì)算的推動(dòng),預(yù)測(cè)性維護(hù)會(huì)更加廣泛。

17、后臺(tái)自動(dòng)化

人工智能正在推動(dòng)管理工作走向自動(dòng)化,但數(shù)據(jù)的不同性質(zhì)和格式使其成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。根據(jù)行業(yè)和應(yīng)用程序的不同,自動(dòng)化“后臺(tái)任務(wù)”的挑戰(zhàn)可能是獨(dú)一無二的,例如,手寫的臨床筆記對(duì)自然語言處理算法來說就是一個(gè)獨(dú)特的挑戰(zhàn)。機(jī)器人過程自動(dòng)化(RPA)一直是熱門話題,雖然并非所有的機(jī)器人過程自動(dòng)化都基于機(jī)器學(xué)習(xí),但許多都開始將圖像識(shí)別和語言處理集成到它們的解決方案中。

18、綜合訓(xùn)練數(shù)據(jù)

對(duì)于訓(xùn)練人工智能算法來說,訪問大型的、標(biāo)記的數(shù)據(jù)集是必要的,合成數(shù)據(jù)集可能會(huì)成為解決瓶頸問題的關(guān)鍵,人工智能算法依賴數(shù)據(jù),當(dāng)一些類型的現(xiàn)實(shí)世界數(shù)據(jù)不易被訪問時(shí),合成數(shù)據(jù)集的用武之地就體現(xiàn)出來,一個(gè)有趣的新興趨勢(shì)是使用AI本身來幫助生成更“逼真”的合成圖像來訓(xùn)練AI,例如,英偉達(dá)使用生成對(duì)抗網(wǎng)絡(luò)(GAN)來創(chuàng)建具有腦腫瘤的假M(fèi)RI圖像。GAN被用于“增強(qiáng)”現(xiàn)實(shí)世界數(shù)據(jù),這意味著AI可以通過混合現(xiàn)實(shí)世界和模擬數(shù)據(jù)進(jìn)行訓(xùn)練,以獲得更大更多樣化的數(shù)據(jù)集。此外,機(jī)器人技術(shù)是另一個(gè)可以從高質(zhì)量合成數(shù)據(jù)中獲益的領(lǐng)域。

19、網(wǎng)絡(luò)優(yōu)化

人工智能正在開始改變電信,電信網(wǎng)絡(luò)優(yōu)化是一套改進(jìn)延遲、帶寬、設(shè)計(jì)或架構(gòu)的技術(shù)——能以有利方式增加數(shù)據(jù)流的技術(shù),對(duì)于通信服務(wù)提供商來說,優(yōu)化可以直接轉(zhuǎn)化為更好的客戶體驗(yàn),除了帶寬限制之外,電信面臨的最大挑戰(zhàn)之一是網(wǎng)絡(luò)延遲,像手機(jī)上的AR / VR等應(yīng)用,只有極低的延遲時(shí)間才能達(dá)到最佳的功能。

電信運(yùn)營商也在準(zhǔn)備將基于AI的解決方案集成到下一代無線技術(shù)中,即5G,三星收購了基于AI的網(wǎng)絡(luò)和服務(wù)分析初創(chuàng)公司Zhilabs,為5G時(shí)代做準(zhǔn)備,高通認(rèn)為人工智能邊緣計(jì)算是其5G計(jì)劃的重要組成部分(邊緣計(jì)算可減少帶寬限制并與云進(jìn)行頻繁通信,這是5G的主要關(guān)注領(lǐng)域)。

20、網(wǎng)絡(luò)威脅狩獵

對(duì)網(wǎng)絡(luò)攻擊做出反應(yīng)已經(jīng)不夠了,使用機(jī)器學(xué)習(xí)主動(dòng)“搜尋”威脅正在網(wǎng)絡(luò)安全中獲得動(dòng)力。顧名思義,威脅搜尋是主動(dòng)尋找惡意活動(dòng)的做法,而不僅僅是在發(fā)生警報(bào)或違規(guī)后做出反應(yīng),狩獵開始于對(duì)網(wǎng)絡(luò)中潛在弱點(diǎn)的假設(shè),以及手動(dòng)和自動(dòng)化工具,以在連續(xù)的迭代過程中測(cè)試假設(shè),網(wǎng)絡(luò)安全中龐大的數(shù)據(jù)量使機(jī)器學(xué)習(xí)成為流程中不可分割的一部分,威脅狩獵很可能會(huì)獲得更多的動(dòng)力,然而它也面臨著自身的一系列挑戰(zhàn),比如應(yīng)對(duì)不斷變化的動(dòng)態(tài)環(huán)境和減少誤報(bào)。

21、電子商務(wù)搜索

對(duì)搜索詞的上下文理解正在走出“實(shí)驗(yàn)階段”,但要廣泛采用搜索詞還有很長的路要走,當(dāng)使用電子商務(wù)搜索來顯示相關(guān)結(jié)果時(shí),使用適當(dāng)?shù)脑獢?shù)據(jù)來描述產(chǎn)品是一個(gè)起點(diǎn)。但是僅僅描述和索引是不夠的,許多用戶用自然語言搜索產(chǎn)品(比如“沒有紐扣的洋紅色襯衫”),或者不知道如何描述他們?cè)趯ふ业纳唐?這使得電子商務(wù)搜索的自然語言成為一個(gè)挑戰(zhàn)。

22、汽車索賠處理

保險(xiǎn)公司和初創(chuàng)公司開始使用人工智能來計(jì)算車主的“風(fēng)險(xiǎn)得分”,分析事故現(xiàn)場(chǎng)的圖像,并監(jiān)控駕駛員的行為,Ant Financial在其“事故處理系統(tǒng)”中使用深度學(xué)習(xí)算法進(jìn)行圖像處理,過去,車主或司機(jī)會(huì)把他們的車送到“理算師”那里,理算師負(fù)責(zé)檢查車輛的損壞情況,并記錄下詳細(xì)情況,然后將這些信息發(fā)送給汽車保險(xiǎn)公司。如今,圖像處理技術(shù)的進(jìn)步使得人們可以拍下這輛車的照片并將其上傳,神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分析,實(shí)現(xiàn)損傷評(píng)估的自動(dòng)化,另一種方法是對(duì)駕駛員進(jìn)行風(fēng)險(xiǎn)分析,從而影響汽車保險(xiǎn)的實(shí)際定價(jià)模型。

23、防偽

假貨越來越難被發(fā)現(xiàn),網(wǎng)購使得購買假貨比以往任何時(shí)候都容易。為了反擊,品牌和典當(dāng)商開始嘗試人工智能,在網(wǎng)絡(luò)世界和現(xiàn)實(shí)世界兩條戰(zhàn)線上與假貨作戰(zhàn)。不過,網(wǎng)上假冒偽劣產(chǎn)品的范圍和規(guī)模龐大復(fù)雜,造假者使用與原始品牌列表非常相似的關(guān)鍵詞和圖片,在假冒網(wǎng)站上銷售假貨,在合法市場(chǎng)上銷售假貨,在社交媒體網(wǎng)站上推廣假貨,隨著“超級(jí)假貨”或“aaa假貨”的興起,用肉眼分辨它們幾乎變得不可能。

現(xiàn)在,建立一個(gè)假冒偽劣商品的數(shù)據(jù)庫,提取其特征,并訓(xùn)練人工智能算法來分辨真?zhèn)?雖是一個(gè)繁瑣的過程,但對(duì)于奢侈品牌和其他高風(fēng)險(xiǎn)零售商來說非常有必要,下一步的解決方案還可能是在實(shí)體商品上識(shí)別或添加獨(dú)特的“指紋”,并通過供應(yīng)鏈對(duì)其進(jìn)行跟蹤。

24、零售

走進(jìn)一家商店,挑選你想要的東西,然后走出去,這幾乎“感覺”就像在行竊,人工智能可以杜絕真正的盜竊行為,并讓免結(jié)賬手續(xù)零售變得更加普遍。盜竊一直是美國零售商的一大痛點(diǎn),然而,當(dāng)你掌握進(jìn)出商店的人,并自動(dòng)向他們收費(fèi)時(shí),有人入店行竊的可能性就會(huì)降到最低。其余一些需要考慮的事情是如何利用建筑空間,特別是在擁擠的超市,確保攝像機(jī)被最佳地放置來追蹤人和物品。

在短期內(nèi),問題將歸結(jié)為部署成本和由潛在技術(shù)故障造成的庫存損失成本,以及零售商能夠承擔(dān)這些成本和風(fēng)險(xiǎn)的程度。

25、農(nóng)作物監(jiān)測(cè)

無人機(jī)可以為農(nóng)民繪制農(nóng)田地圖,利用熱成像技術(shù)監(jiān)測(cè)濕度,識(shí)別蟲害作物并噴灑殺蟲劑。

初創(chuàng)公司正專注于為第三方無人機(jī)捕獲的數(shù)據(jù)添加分析。還有人使用計(jì)算機(jī)視覺使地面上的農(nóng)業(yè)設(shè)備變得更智能,按照需要噴灑個(gè)別作物,就會(huì)減少對(duì)非選擇性除草劑的需求,而非選擇性除草劑會(huì)殺死附近的一切,精確噴灑意味著減少除草劑和殺蟲劑的使用量。在實(shí)地調(diào)查之外,利用計(jì)算機(jī)視覺分析衛(wèi)星圖像提供了對(duì)農(nóng)業(yè)實(shí)踐的宏觀理解,地理空間數(shù)據(jù)可以提供關(guān)于全球作物分布模式和氣候變化對(duì)農(nóng)業(yè)影響的信息。

原文標(biāo)題:不看后悔!2019年人工智能行業(yè)的25大趨勢(shì)

文章出處:【微信號(hào):AItists,微信公眾號(hào):人工智能學(xué)家】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。