AI應(yīng)用落地之道

目錄
第1章 當(dāng)今 AI 的功能與局限
關(guān)于 AI 常見的誤解 // 2
利用大數(shù)據(jù)的圍棋 AI // 5
如何有效運用“幼兒智能” // 6
思考能夠使用圖像識別技術(shù)的商業(yè)領(lǐng)域 // 7
深度學(xué)習(xí)是“原始數(shù)據(jù)計算” // 9
通過三個數(shù)軸對 AI 進行分類 // 12
深度學(xué)習(xí)是如何提取特征的 // 14
“模式識別”：AI 的眼睛和耳朵 // 17
使用深度學(xué)習(xí)的機器翻譯能夠獲得壓倒性勝利的原因 // 20
“強 AI”的出現(xiàn)至少要到 22 世紀(jì)嗎 // 26
指數(shù)函數(shù)的恐怖 // 28
知識量的增加至多是二次曲線級 // 30
充分運用深度學(xué)習(xí)的必要性 // 34
深度學(xué)習(xí)與其他方式的結(jié)合也很有價值 // 36

第2章 使用深度學(xué)習(xí)的基本流程
在 AI 應(yīng)用中不可或缺的目標(biāo)設(shè)定 // 40
分享評測數(shù)據(jù)使其可以共用 // 42
作為精度指標(biāo)的“精確率”和“召回率” // 44
作為前提的正確結(jié)果不止一個 // 46
不同場景中對精確率和召回率的重視程度不同 // 47
業(yè)余和專業(yè)所需的精度是不同的 // 49
深度學(xué)習(xí)的準(zhǔn)確性評估測試非常簡單 // 51
能準(zhǔn)備反映共同特征和多樣性差異的訓(xùn)練數(shù)據(jù) // 53
使用開發(fā)環(huán)境進行數(shù)據(jù)學(xué)習(xí)的流程 // 55
注意過度擬合 // 59

第3章 目標(biāo)精度的實際評估和利用
從危險駕駛分類中了解自動駕駛的問題 // 66
AI 給生產(chǎn)力帶來的提升效果 // 71
交通標(biāo)志與 AI 的匹配和 RFID 化也是必要的 // 73
精度目標(biāo)的設(shè)定和預(yù)算是“雞與蛋”的問題 // 79
自動駕駛需要用各種觀點進行綜合評估 // 81
特斯拉汽車為何發(fā)生車禍 // 82
結(jié)合預(yù)期值評估服務(wù)質(zhì)量非常重要 // 85
設(shè)計業(yè)務(wù)流程時的混淆矩陣很重要 // 89
用附有概率值的判定結(jié)果將分支條件精細化 // 93
根據(jù)置信度對處理結(jié)果進行場景分類 // 96
為每個樣本或醫(yī)療機構(gòu)設(shè)置最佳精度 // 98
對 AI 糾錯的意義 // 101
如何評估聊天機器人的準(zhǔn)確性 // 103
用“對話成立度”對精度進行定量評估 // 107
參考信息技術(shù)架構(gòu)庫改善業(yè)務(wù)流程 // 109
讓 AI 學(xué)習(xí)特殊情況下的數(shù)據(jù) // 112

第4章 AI 部署的實例
企業(yè)的數(shù)字化 // 116
將 AI API 化后公開 // 118
AI 部署的戰(zhàn)略以及企業(yè)內(nèi)部體制 // 120
制作樣本數(shù)據(jù)時的注意點 // 125
標(biāo)注人員進行的標(biāo)注工作 // 127
增加相互之間只有少許差異的樣本數(shù)據(jù) // 129
深度學(xué)習(xí)的引入需要耐心 // 132
描繪實際運行整體系統(tǒng)的結(jié)構(gòu) // 135
GPU 的挑選：目前 NVIDIA 是唯一選擇 // 138
硬件的選擇：性能要超過十幾年前最先進的超級計算機 // 142
主內(nèi)存要注意主內(nèi)存容量 // 143
GPU 云服務(wù)也是一種選擇 // 151
深度學(xué)習(xí)的機制是多種多樣的 // 154
主流深度學(xué)習(xí)框架的特點和選擇 // 156
多種類型的網(wǎng)絡(luò)結(jié)構(gòu)該如何進行選擇 // 160
編程語言幾乎只有 Python 一種選擇 // 160
利用現(xiàn)成 AI 資源的意識 // 162
將完成后的 AI 應(yīng)用程序化、API 化 // 164
將 API 向世界公開 // 166
爭取各種安全措施保護隱私 // 167
以眼還眼，以 AI 對 AI // 169
保護 AI 開發(fā)企業(yè)的防盜版措施 // 171
主動公開部分源代碼的交付方法 // 173

第5章 AI 部署人才應(yīng)具備的技能
用戶企業(yè)如何獲得 AI 人才 // 177
用戶企業(yè)的管理人員應(yīng)掌握的心得 // 178
AI 時代需要我們具備福爾摩斯般的思考能力 // 179
AI 人員所需的資格和專業(yè)領(lǐng)域 // 180
舊知識可能成為絆腳石 // 183
樣本數(shù)據(jù)的準(zhǔn)備成為開發(fā)工作的核心 // 184
在 API 經(jīng)濟中擅長混聚開發(fā)的人才更重要 // 186
AI 人員的溝通能力不可或缺 // 187
知識會迅速過時 // 189
從知識勞動到智能勞動 // 191
知識將可以無償獲得 // 193
思考人類與 AI 的角色分擔(dān) // 196
即使沒有大數(shù)據(jù)，人類也可以相對準(zhǔn)確地推斷 // 199
實現(xiàn)不同專家合作的“配對需求開發(fā)” // 203
推動 AI 項目的關(guān)鍵人才 // 205
熟練工藝移植給 AI 后的產(chǎn)業(yè)空心化對策 // 208
第6章 將 AI 用于商業(yè)用途時需注意的問題
大數(shù)據(jù)越來越重要 // 213
利用 AI 防止人類被數(shù)據(jù)牽制 // 214
AI 的知識獲取瓶頸 // 216
數(shù)據(jù)準(zhǔn)備和增值更要活用 AI // 219
準(zhǔn)備和收集樣本數(shù)據(jù)時的要點 // 222
AI 在日本的應(yīng)用前景廣闊 // 224
與人類相同的服務(wù)員 AI 會出現(xiàn)嗎 // 226
人文和哲學(xué)對于 AI 研究人員來說非常重要 // 230
基本收入制度無法解決問題 // 233
將 AGI 作為工具使用 // 234
結(jié)語 // 237