人工智能+大數(shù)據(jù)前沿論壇正式召開！

5月20日下午，由北京安全防范行業(yè)協(xié)會人工智能專業(yè)委員會、清華大學(xué)電子工程系聯(lián)合舉辦的人工智能+大數(shù)據(jù)前沿論壇在線上隆重召開。

熙菱信息(300588)數(shù)據(jù)創(chuàng)新應(yīng)用產(chǎn)品線總經(jīng)理范子源作為會員企業(yè)代表受邀出席論壇，并發(fā)表題為《技術(shù)與場景深度融合的商業(yè)化落地》的精彩演講。

演講內(nèi)容以大型活動保障系列產(chǎn)品的應(yīng)用場景為核心，用“可視化的商業(yè)價值”和“數(shù)據(jù)屬性分析”做展開，分別以某市霧霾輿情分析管控、進博會某應(yīng)用場景、環(huán)意長三角公開賽安保為例，詳細(xì)闡述了可視化實戰(zhàn)工作的邏輯與框架，并就“大型活動”安保系統(tǒng)在不同類型活動下的融合應(yīng)用做了講解說明。

范總從大數(shù)據(jù)的“價值”和“特征”的不同定義做切入點，以可視化和數(shù)據(jù)結(jié)合的角度，解釋了可視化不僅能表達數(shù)據(jù)，更能表達數(shù)據(jù)帶回來的情報和信息?？梢暬鳛榧夹g(shù)手段，在實戰(zhàn)應(yīng)用中，通過一系列場景化計算，便可產(chǎn)生情報，體現(xiàn)數(shù)據(jù)的商業(yè)價值。

從數(shù)據(jù)到情報的演變，到底是怎樣的一個轉(zhuǎn)化路徑呢?

以某市霧霾輿情分析管控為例，當(dāng)輿情討論點產(chǎn)生時，可視化技術(shù)會基于后臺數(shù)據(jù)做串聯(lián)，從傳播軌跡、模式等方面進行分析，提取真實數(shù)據(jù)，管控問題數(shù)據(jù)。

由此可見，在場景應(yīng)用中，無論是通過數(shù)據(jù)計算來監(jiān)測問題，還是利用數(shù)據(jù)關(guān)聯(lián)來分析問題，其實都是為了把真實世界的問題還原，用可視化建立起數(shù)據(jù)與決策之間的橋梁，最終要轉(zhuǎn)化出來的，是情報層級的信息。

與疫情有關(guān)的行業(yè)，也是為數(shù)不多的亮點，而 AI技術(shù)，也是其中的關(guān)鍵。例如藥物開發(fā)中的輔助藥物篩選、疫苗基因設(shè)計算法等，加快了疫苗與疫苗的開發(fā);人臉識別、語音機器人、文字識別、智能流調(diào)等智能控制方案是疫情防控的核心;智能會議、智能輔助學(xué)習(xí)等工作學(xué)習(xí)情景越來越多;甚至，正在迅速發(fā)展的無人駕駛出租車、配送機器人、機器人餐廳等，都有望在未來成為一股重要的服務(wù)力量。

DPS是一種以數(shù)據(jù)處理過程為核心的數(shù)據(jù)處理系統(tǒng)，利用數(shù)字技術(shù)從現(xiàn)實世界或者信息系統(tǒng)中獲取數(shù)據(jù)，并根據(jù)應(yīng)用需求對數(shù)據(jù)進行處理和輸出。DPS所提供的服務(wù)主要包括 AI、大數(shù)據(jù)、互聯(lián)網(wǎng)內(nèi)容服務(wù)等。DPS的服務(wù)結(jié)構(gòu)主要有數(shù)據(jù)收集與預(yù)處理、數(shù)據(jù)標(biāo)注、內(nèi)容審核、工具平臺及輔助服務(wù)(例如業(yè)務(wù)訓(xùn)練)等。

DPS在 AI行業(yè)里，就像是淘金熱里的賣家一樣。隨著 AI的不斷發(fā)展， DPS將會成為逆勢發(fā)展的首選。正因為如此， DPS行業(yè)的發(fā)展前景才會越來越好。有 AI相關(guān)技術(shù)背景的創(chuàng)業(yè)者或公司的擴展，比如云測;有 AI企業(yè)、互聯(lián)網(wǎng)企業(yè)中的某一分支機構(gòu);還有軟件外包、服務(wù)流程外包等外包業(yè)務(wù)。“出身”的差異，使其服務(wù)方式與優(yōu)勢也不盡相同。云測數(shù)據(jù)是人工智能數(shù)據(jù)服務(wù)的領(lǐng)軍企業(yè)，它的發(fā)展模式具有鮮明的產(chǎn)業(yè)特色。

數(shù)據(jù)

數(shù)據(jù)層指的是人工智能為不同的行業(yè)提供解決方案時所采集和利用的數(shù)據(jù)。事實上，使用人工智能解決問題的步驟絕不僅僅包括搜集和整理數(shù)據(jù)。這里我們簡單介紹一下完整的流程和思路：

收集數(shù)據(jù)：數(shù)據(jù)的數(shù)量和質(zhì)量直接決定了模型的質(zhì)量。

數(shù)據(jù)準(zhǔn)備：在使用數(shù)據(jù)前需要對數(shù)據(jù)進行清洗和一系列處理工作。

模型選擇：不同的模型往往有各自擅長處理的問題。只有把問題抽象成數(shù)學(xué)模型后，我們才能選擇出比較適合的模型，而這一步往往也是非常困難的。

訓(xùn)練：這個過程不需要人來參與，機器使用數(shù)學(xué)方法對模型進行求解，完成相關(guān)的數(shù)學(xué)運算。

評估：評估模型是否較好地解決了我們的問題。

參數(shù)調(diào)整：可以以任何方式進一步改進訓(xùn)練(比如調(diào)整先前假定的參數(shù))。

預(yù)測：開始使用模型解決問題。

如果我們想利用人工智能解決的問題被限定在足夠小的領(lǐng)域內(nèi)，那么我們就更容易活動具體場景下的訓(xùn)練數(shù)據(jù)，從而更高效、更有針對性地訓(xùn)練模型。在金融、律政、醫(yī)療等行業(yè)的細(xì)分場景下，人工智能已經(jīng)逐步被應(yīng)用，且已經(jīng)實現(xiàn)了一定的商業(yè)化。