分类： IT业界
2018-07-11 11:03:32
不论人们是否已经充分意识到，AI人工智能，已如互联网、PC、电灯、蒸汽机等划时代的革命一样，悄然的降临了我们所在的星球、即将再一次对人类生活的方方面面产生巨大而实质性的影响。作为IT从业人士，毋庸置疑，一定是AI领域应用的第一批参与者。有关AI的起源、原理、算法、价值等，都是近年炙手可热的话题值得深入探讨，今天咱们直接来关注AI如何结合具体的技术进行落地。
本文转自IT培训机构-学领未来
近日，微软作为在AI领域深耕多年的IT商业巨头，在深圳召开了主题为《未来就在眼前》人工智能大会，其中干货满满，各种开箱即用及可高度定制化的功能丰富而强大，让与会的IT专业人士大呼过瘾。
接下来，让我们一起来领略一下其中的核心内容。
【注：】本文旨在为IT从业人员普及AI知识，部分图文内容来自微软公司及互联网，该部分的版权属于原所有者。
认知服务认知服务是让计算机具备“认识世界”的能力，能“听”能“看”。主要功能包括：计算机视觉、语音文字转换、自然语言理解、智能知识库、智能搜索（如上传图片来搜索）等，均基于新型的AI算法而非传统的单一基于符号学或统计学算法。进一步细分的功能及应用如下图：
微软认知服务的功能分类
认知服务之所以在AI领域当中那么重要而迫切，根本的原因是“如果不能让计算机理解现实世界，包括对人类语言所下达的命令的解读、对现实环境及照片的辨识，就无法知道有什么、发生了什么，也就无法判断下一步需要做什么”。
有人不禁要问：“大名鼎鼎的AlphaGo，是如何识别与之对弈的人类棋手下的哪一步呢？是通过摄像头监控对手的动作还是通过对棋手人类语言的理解？”，这的确是个好问题。答案其实很简单，至少包括2016年3月及此前的AlphaGo，都是由人类助理（同样也是位围棋高手）进行辅助、告知（人工输入）它对弈的棋手走了哪个棋子，而它下出的每一步，也是由人类助理按AlphaGo计算出的结果进行实际操作（摆棋子）的。这样一来，AlphaGo就可以绕开“认知”这项艰巨的难题，而把所有精力放在“下棋”的算法上。怎么样？是不是很有意思？您之前是不是有点想多了？
认知服务当中，非常重要、非常实用的一块就包括计算机视觉。对现实世界进行拍摄，对获取的照片进行识别、判断出是否具有已知的物体，如果有，识别出具体的数量、颜色、是否破损等各项对人类有价值的特征。当然视频也是转化为一帧帧的照片来识别的。其应用非常广泛，小到用于识别照片中花卉，如小朋友们非常喜爱的“微软识花App”；大到工业领域，使用无人机代替人类攀爬，对几十米高塔塔顶上的设备是否有故障进行拍摄诊断；再到零售购物、公司考勤及公安系统所需要的人脸识别等等，数不胜数的场景，都需要成熟稳定的计算机识别率，才能达到商用的目的。其中，光学字符识别（OCR）也是计算机视觉当中的一份子。
ImageNet作为计算机视觉识别错误率挑战的标杆项目，量化的说明了这一技术的长足进步。识别错误率，由2010年的28.2%，下降至2015年的3.5%。这样的一个数字代表什么水平呢？请参考人类同期针对相同挑战的平均成绩——人类的识别错误率为5.1%。怎么样，AI是不是很厉害呢？
ImageNet大型视觉识别挑战
除此之外，语音（包括方言）识别、多语言之间的智能翻译、跨领域的智能知识库与互联网搜索，都隶属于认知服务的范畴。这些领域同时也是被看好、有望能够作为AI进入当今人类日常生活当中落地实施的第一批应用的切入点。
智能边缘计算智能边缘计算作为一种新模式，使得物联网的每个边缘设备都具备数据采集、分析计算，通信，以及最重要的本地或就近的“智能”。新的智能边缘计算同时利用了云计算的能力，利用云来大规模的进行安全配置、部署和管理边缘设备，并能够根据设备类型和场景分配智能的能力，从而让智能在云和边缘之间流动，获得两全其美的结果。
通过这种模式，可以用边缘设备自身的运算和处理能力直接就近处理绝大部分物联网任务，不仅可以降低数据中心工作负担，还可以更及时准确地对边缘设备的不同状态做出响应。让边缘设备真正变得智能起来，这就是智能边缘计算的魅力！
智能边缘计算在工业上的应用案例
Windows ML将AI引入桌面端Windows ML（Machine Learning）支持将AI从云端引入桌面端，帮助开发人员将他们在云中训练的机器学习模型带入桌面应用。它支持利用本地机器上的GPU，允许开发人员实时运行他们的模型，而无需往返云端。也就是说，开发人员可以轻松地在云中构建自己的模型，然后使用Visual Studio以及Microsoft一些其他工具轻松地将这些模型与其桌面应用集成。
Windows ML为开发人员带来以下好处：
灵活性。Windows ML的核心是ONNX，这是一个由微软、Facebook和亚马逊提供支持的行业标准格式，允许开发人员灵活的将 Caffe2、PyTorch、CNTK和其他模型转换为ONNX格式，以按需使用。微软还将允许开发人员使用 Azure Custom Vision Service构建图像识别模型并导出以用于Windows ML。
ONNX模型可与其他模型灵活的进行转换
低延迟，实时结果。Windows可以使用PC的本地处理功能来执行AI评估任务，从而实现大型本地数据（如图像和视频）的实时分析。可以快速有效地传递结果，以用于游戏引擎等性能密集型工作负载或后台任务（例如搜索索引）。支持硬件加速，在兼容DirectX 12的设备上可以直接使用GPU加速运算，确保机器学习模型可以被高效执行。图像处理优化，
针对计算机视觉场景，对视频、图像和相机数据统一预处理为一帧帧的形式，简化图像处理流程。
降低运营成本。本机执行，不依赖于任何远程服务，不受任何网络连接限制，本机即可达到低延迟高性能的执行效果。
Windows ML如何使用ONNX模型
2018，我们的蓝色星球已经进入到了AI人工智能的时代，任何人也无法抗拒。各种AI雏形的应用已悄然的走进每个人的生活。事实上，微软并非在单独战斗，微软也必须依靠技术链条上下游多家巨头公司共同的努力，主流的AI开发技术也绝非微软一家独有，但作为一个AI应用落地的企业级平台，是一个不错的起点，目前官方宣称针对微软对话机器人服务的开发者已经达到了三百万人以上。AI革命方兴未艾、朝气蓬勃、博大精深，无论企业还是个人，若能够尽早找到合适的切入点，将会是一次绝佳的历史时机。让我们一起来探索吧！后续，我们将继续这个热门话题的探讨。
