人工智能7大应用领域(人工智能哪个方向前景好)

来源:大数据DT

本文约7695字。建议看15分钟。

本文通过案例探讨人工智能的实际应用。有许多案例，这里只列出九根牛一的头发。我本应该按照行业或业务对这些案例进行分类，但我选择按照最有可能在行业或业务中应用的顺序进行分类。

本文将使用“算法”一词，以高度简化的方式描述使用多个算法的单个算法、模型或软件。在每一类中，数据输入的类型、作为黑盒的算法和输出都被一一讨论(为简单起见，即使真正的算法不是黑盒，也暂且认为是黑盒)。

因为这是一个高层次的概述，所以我鼓励您深入研究您感兴趣的具体应用，并确切了解它们是如何应用于行业或商业活动的。目前有很多资源可以学习其中涉及的技术细节和具体算法。

预测分析

它是预测分析或预测建模的同义词，是根据有标签的、有时甚至是无标签的输入数据来判断输出数据的过程。在机器学习和人工智能中，预测分析可以进一步细分为回归和分类。

下面将讨论使用标记数据(监督)的预测的两个子类。

1.返回

图1-1显示了用回归方法输入标记数据，用预测模型进行处理，然后由连续序列生成数值的过程(例如股票市场的收盘价)。

▲图1-1:回归

包括客户全周期股票价值和净利润、收入及其增长预测、价格变化、信用违约风险和股票交易计算的应用。

2.分类

分类是指将带有标签的输入数据经过分类模型处理后，归入一个或多个类别的过程，如图1-2所示。

▲图1-2:分类

垃圾邮件过滤器是二进制分类应用的一个标准案例。电子邮件是由分类模型处理的输入数据，输出数据被确定为垃圾邮件或非垃圾邮件。非垃圾邮件是指那些不含垃圾邮件的好邮件。垃圾邮件将被发送到垃圾箱，而非垃圾邮件将被发送到收件箱。

如果引入第三个类别“不确定”,分类器现在可以将传入邮件分成三个类别。因为有两个以上的类别，所以这是一个多元分类的例子。在该示例中，电子邮件的客户端可以具有“可疑垃圾邮件”的文件夹，以供用户查看每封电子邮件，从而训练分类器更好地区分垃圾邮件和非垃圾邮件。

如果要将输入数据分成三个或更多类别，该算法可以为输入数据选择单个类别，或者计算输入数据属于每个类别的概率。后一种情况，可以用概率最高的类别作为选择的结果，也可以用所有类别的概率按照你自己定制的规则来处理。

在这种情况下，假设新接收的电子邮件被确定为具有85%的垃圾邮件概率、10%的非垃圾邮件概率和5%的不确定性概率。因为它是垃圾邮件的概率最高，所以可以判定为垃圾邮件，也可以将计算出的概率用于其他方面。

最后，一些算法可以将多个标签分配给同一输入。这里有一个关于图像识别的例子。假设输入数据是一个红苹果的图像，该算法可以为该图像分配许多不同的标签，例如红色、苹果和水果。在这种情况下，将所有三个类别分配给图像是合适的。

包括申请信用风险、贷款审批和客户流失。分类可以与本文后面讨论的识别应用程序相结合。

个性化和推荐系统

推荐系统是基于现有信息的个性化推荐形式，其结果与每个用户都非常相关。可以用来提高客户转化率、销售率、满意度、留存率。事实上，亚马逊通过添加这些引擎增加了35%的收入，75%的网飞观看节目也来自这一推荐。

推荐系统是一种特殊的信息过滤系统。个性化也可以通过用户搜索、排名和评分来实现。推荐系统根据商品或用户等输入数据，通过推荐模型或引擎的处理，完成推荐(例如产品、文章、音乐、电影)，如图2所示。

▲图2:推荐系统

值得一提的是与推荐系统相关的“冷启动问题”。冷启动是指智能应用没有足够的信息为特定用户或群体做出高度个性化和相关的推荐。例如，用户还没有生成关于他们的偏好、兴趣或购买历史的信息。

再比如商品(比如衣服、产品、视频、歌曲)刚出来的时候。有几种技术可以帮助解决这个问题，但是由于篇幅的限制，我们就不深入讨论了。

推荐系统应用包括推荐产品、视频、音乐、歌曲、书籍和电视节目(如亚马逊、网飞、Spotify)。除了推荐，还包括个性化内容，包括新闻、报道、邮件和定向广告(如Twitter)。

其他案例包括个性化医疗计划、个性化图像和图标(如YouTube、网飞、Yelp)、葡萄酒推荐、个性化购物(如完美的夹克搭配)、时装(如StitchFix)和一整套自动化推荐。

计算机视觉

计算机视觉是一个广泛的领域，它包括涉及图像和视频等视觉信息的模式识别(下一节将讨论另一种技术)。计算机视觉将照片、静态视频图像和一系列图像(视频)作为输入，由模型处理产生输出，如图3所示。

▲图3:计算机视觉

输出可以是识别、检测和发现某个目标、特征或活动。视觉的相关应用隐含着一定程度的自动化，尤其是自动化视觉，通常需要人参与应用(比如检测)。机器这个词用来描述工业应用中相似或重叠的技术，如检验、过程控制、测量和机器人。

计算机有很多有趣而强大的应用，应用场景也在快速增加。例如，您可以在以下情况下使用计算机视觉:

视频分析和内容筛选唇读指挥自动化机器（例如汽车和无人机）视频识别和描述视频字幕识别像拥抱和握手之类的人际交互动作机器人及其控制系统人群密度估算清点人数（例如排队、基础设施规划、零售）检查与质量控制零售客户步行路径分析以及参与度分析

无人机通常被称为无人飞行器。通过应用计算机视觉，无人机可以执行检查(如石油管道，无线信号塔)，完成建筑和区域搜索，帮助制作地图和运送货物。计算机视觉现已广泛应用于公共安全、安防和监控领域。当然这种应用也要符合伦理，保护人的利益。

关于计算机视觉的最后一件事值得一提。人类通过视、嗅、听、触、嗅五种感官，感知周围的环境和世界。感官捕捉信息，然后传输到神经系统进行转换。同时，他们还决定应该采取什么行动或应该作出什么样的反应。计算机视觉是一种针对特定人工智能应用的视觉比较。

模式识别

模式识别涉及到输入非结构化的数据，由模型进行处理，然后检测是否存在特定的模式(检测)，然后给识别出的模式分配一个类别(分类)，或者发现识别出的模式的主题(识别)，如图4-1所示。

▲图4-1:模式识别

这些应用程序的输入可以包括图像(包括视频-一系列静止图像)、音频(如语音、音乐和声音)和文本。根据其特征，文本可以进一步细分为电子文本、手写文本或印刷文本(如纸张、支票、车牌号)。

将图像作为输入的目的可能是为了检测、识别、发现目标，或者三者兼有。人脸识别就是一个很好的例子。训练模型来检测图像中的人脸，对检测到的目标进行分类并将它们标记为人，这是目标检测的一个例子，其中目标是未识别的人脸。

“探测”用来指发现的不同于背景的目标。它还包括目标位置的测量和被检测目标的边缘框架周围的特定测量。识别是指对检测到的对象(在这种情况下是人脸)进行分类或标记的过程。识别将更进一步，并且身份将被分配给被识别的脸。图4-2展示了一些图像识别的例子。

▲图4-2:图像识别和检测

人脸识别等生物识别技术可以用来自动标记照片中的人。另一种生物识别形式是指纹识别。

其他应用包括:

读出视频和音频中的文字在图像上打标签和分类汽车保险中基于图像来评估汽车受损程度从视频和音频中提取信息基于面部和声音的情感识别面部表情识别

音频识别的应用包括:

语音识别将语音转换为文本分离并识别出讲话者基于声音、实时客服和销售电话的情感智能分析伐木和森林砍伐声音检测缺陷检测（例如制造过程中的缺陷或零配件失效）

最后，手写或印刷文本可以通过光学字符识别(OCR)和手写字符识别转换成电子文档。文档也可以转换成语音，但这被认为更有可能是人工智能的一种生成性应用，而不是一种可识别的应用。本文稍后将讨论生成式应用程序。

聚类和异常检测

图5所示的聚类和异常检测是两种最常见的无监督机器学习技术。它们也被称为模式识别技术。

▲图5:聚类和异常检测

在这两个过程中，未标记的数据作为输入，经过相应的算法(聚类或异常检测)处理，完成聚类场景下的分组，或者在异常检测场景下判断是否属于异常。我们先来讨论聚类。

将未标记数据中的相似数据聚类成组。具体的组数由完成聚类任务的人(通常是数据科学家)决定。没有绝对正确或错误的组数，但是对于特定的应用，理想的组数通常可以通过反复试验来确定。

因为数据没有标签，所以集群必须给每个群体赋予某种意义或标签，才能描述清楚(比如体育狂热者)。然后，使用模型将新数据分配给某个组，从而假定该组的标签或描述。把这个过程想象成某种形式的预测分类，也就是给每个新的数据点分配一个类(通过分组标签)。

将新的数据点(如客户)分配到集群(细分市场)将为我们提供更好的方式来准确定位、个性化和战略性定位产品，并以适当的方式向每个细分市场中的客户营销。

聚类应用包括市场细分和客户关注、3D医学图像分析、根据购物习惯的产品分类以及社交媒体分析。

异常检测是一种用于检测异常数据(高度异常、异常或异常)模式的技术。异常检测应用包括基于音频的缺陷和裂纹检测、网络安全、质量控制(如制造缺陷检测)以及计算机和网络系统健康(如NASA缺陷和错误检测)。

在网络安全异常检测的应用中，常见的威胁包括恶意软件、勒索软件、计算机病毒、系统和内存攻击、拒绝服务(DoS)攻击、网络钓鱼、不必要的程序执行、凭证窃取、数据传输和窃取等。不用说，这方面的异常检测场景层出不穷。

自然语言

在人工智能的发展和应用中，语言是一个非常有趣和令人兴奋的领域，通常分为三个子领域:自然语言处理(NLP)、自然语言生成(NLG)和自然语言理解(NLU)。我们分开讨论吧。

1.自然语言处理

自然语言处理(NLP)以文本、语音或手写的形式输入语言，经过NLP算法处理后输出结构化数据，如图6-1所示。现在有许多潜在的NLP场景和输出。

▲图6-1: NLP

值得一提的是，有时NLP也被认为是NLG和NLU的超集，因此人工智能自然语言的应用一般可以被认为是NLP的一种形式。有人认为它是自然语言应用的特定集合，我们正在讨论的就是其中的一部分。

与NLP相关的具体任务和技术包括:

量化和目标文本分析语音识别（语音转换为文本）话题模型（例如话题以及文档中讨论的主题）文本分类（例如电视剧《权利的游戏》）情感分析（例如正面、负面、中性）主体检测（例如人、地点）命名识别（例如大峡谷、迈尔斯·戴维斯）语义相似性分析（例如不同词和文本之间在总体上意思的相似性）为部分语音打标签（例如名词、动词）机器翻译（例如英文到法文的翻译）

一个具体的NLP应用涉及到记录公司会议，文本转换，然后提供会议总结，包括围绕不同主题的分析和会议表现(https://www.chorus.ai)。

另一款应用使用NLP对工作面试进行分析，根据性别中性、语调、措辞等因素给出总分。还提供了提高评分和整体职位描述的优化建议。

其他应用包括:

基于情感的新闻聚合情感驱动的社会媒体调查以及品牌监控基于消息板的父母疫苗关注分析电影评论和产品评论的情感分析动物声音转换

现在很多云服务提供商通过NLP服务和API接口提供这方面的一些功能。

2.荷兰盾

NLG以结构化数据的形式输入语言，经过NLG算法处理，产生相应的语言作为输出，如图6-2所示。这种语言输出可以是文本或文本到语音的形式。输入数据的例子可以是比赛中运动员的统计数据、广告效果数据或公司的财务数据。

▲图6-2: NLG

应用包括:

根据句子和文档自动产生文本概述https://arxiv.org/abs/1602.06023https://arxiv.org/abs/1603.07252简要回顾（例如新闻和体育）关于图片的故事业务分析报告概要招聘人员参与医院研究自然语言形式的患者医院账单梦幻足球选秀总结和每周比赛回顾房产描述和房地产市场报告与公司收入报告相关的新闻发布

安德烈·卡帕西(Andre Capassi)创建的模型可以自动生成维基百科文章、婴儿名字、数学论文、计算机代码和莎士比亚的模型。其他应用包括生成手写文本，甚至创造笑话。

3.自然语言理解

最后，NLU以语言为输入(文本、语音或手写)，经过NLU算法处理后，生成可理解的语言作为输出，如图6-3所示。生成的可理解语言可用于采取行动、生成响应、回答问题、进行对话等。

▲图6-3: NLU

需要注意的是，“理解”这个词可以很深刻，很有哲理，会涉及到领悟这个概念。理解能力不仅指理解信息的能力(相对于死记硬背)，还指将理解的信息与现有知识相结合，并将其作为不断增长的知识库的能力。

缺乏类似人类的语言理解和领悟能力，是今天基于自然语言的人工智能应用的一大短板。其根源在于机器难以获得类似人类的语言理解能力。还记得之前关于人工智能现状和问题的讨论吗？这就是一个证明。

在没有全面的哲学讨论的情况下，我们姑且用“理解”这个术语来表示算法(重申，大大简化)可以在输入语言上做更多的工作，而不仅仅是解析和执行简单的任务，比如文本分析。NLU要解决的问题显然比NLP和NLG(通用人工智能问题)困难得多，而NLU是实现通用人工智能(AGI)的主要基础部件。

目前，NLU日益完善，已经拥有包括个人虚拟助理、聊天机器人、客户成功(支持和服务)代理、销售代理等应用。这些应用通常包括一些形式的手写内容或语音对话，通常围绕信息收集、问题回答或一些辅助工具。

个人助理的具体应用案例有亚马逊的Alexa，苹果的Siri，谷歌的Assistant，Nuance的Nina。机器人的应用案例有润滑油专家、求职面试、助学贷款顾问、商业保险专家等。这是一个人工智能研究非常活跃且有发展潜力的领域空，绝对值得关注。

时间序列和基于序列的数据

在大多数情况下，数据是按顺序收集的，因此数据的顺序极其重要，并由特定的指标决定。

数据序列最常见的索引是时间，按时间排序的数据称为时间序列数据。股价波动、DNA序列、物联网传感器数据以及风向等科学现象都是时间序列的很好例子。

时间序列分析和建模可以用来学习、判断和预测基于时间的事件，包括趋势、季节变化、周期和噪声。

对于某些特定的应用，字母和单词的序列也是有效的序列数据。这些序列被贴上了不同的标签，比如n-gram，skip-gram，句子，段落，甚至是语言本身，其中语言是通过语音，文字或者电子来表达的。此外，音频和视频也是串行数据。

应用包括:

预测（回归与分类）异常检测预测货币的未来兑换率健康趋势的实时追踪市场预测天气预报基于序列的推荐情感分析DNA测序文本生成序列到序列的预测（如机器翻译）

信息搜索、提取、排序和评分

许多强大的人工智能应用程序都围绕着信息的搜索、提取和排序(评分)。这尤其适用于非结构化和半结构化数据，如文本文档、网页、图像和视频。

这种数据(有时由结构化数据补充)可用于提取信息，为搜索或优化提供建议，并根据相关性、重要性或优先级对项目进行排序或评分。这些技术大多与个性化相关，因为搜索结果和其他项目可以根据与某个用户或组的相关性进行排列或排序。

目前，许多搜索任务都是通过键盘输入或语音提供给谷歌等搜索引擎的，这种方式使用了谷歌独有的人工智能搜索算法。电子商务应用程序也使用自己的引擎来搜索产品，搜索过程可以由文本、声音(语音)和视觉输入来驱动。

文本搜索包括谷歌搜索、微软的Bing以及分布式、透明和社区驱动的搜索。

基于声音和图像的搜索应用程序包括:

衣服和时装搜索歌曲和艺术家搜索Pinterest镜头搜索图像和视频搜索字体搜索

视频搜索是基于图像内容的。已经有购物应用程序采用了这种方法。将用户拍摄的照片提交给视频搜索引擎。然后用照片生成相似度搜索结果，比如衣服。一些图像引擎还可以直观地显示类似的其他产品和推荐。

除了分类技术，还有排序和评分技术，包括以下应用:

销售线索评分信息与文档检索（例如网页搜索）机器翻译致病基因搜索与发现测定蛋白质的顺序结构强化学习

强化学习(RL)与这里到目前为止描述的人工智能技术有很大不同(简单回忆一下前面提到的人类学习的方法)。基本思想是让一个代理人在虚拟环境中行动，以获得正回报。每一个动作都会引起环境状态的变化，每一个动作都是由一个叫做策略的模型决定的。策略试图确定在给定状态下采取的最佳行动。

暂时不懂的请不要着急；我举个例子，希望能解释的更清楚。图9生动地展示了强化学习。

▲图9:强化学习

可以考虑用游戏《吃豆女士》(为什么不用《吃豆女士》？)为例。吃豆人女士的目标是吃掉屏幕上所有的点，但更大的目标是从可能的点中获得最多的点。为什么得分最多才是真正的目标？或者你为什么玩这个游戏？

首先，得分越多，获得免费生命的时间越长。自由生命越长，可以玩的时间越长，可以继续积累更多的积分。其次，如果你能完成比赛或者创下世界纪录，就能获得官方的“吹牛权”。谁不想这样呢？

在这种情况下，分数是奖励，吃豆人是代理，环境是屏幕，参与其中的人(玩家)通过操纵游戏操纵杆来决定采取行动的策略。

当然，环境是有状态的。有一种常见的不易察觉的情况，就是吃豆人女士在吃屏幕上的小点和水果时，一定要避开追她的鬼。还有一种无敌的情况，就是吃豆人女士吃了无敌丸(不知道叫什么)，就能吃到鬼，还能得到很多加分。

决定无敌与非无敌的是环境状态的变化和环境中智能体能力的变化。

值得一提的是，在玩吃豆人的过程中，人们有时会被完成画面的目标所驱使，试图通过尽可能多的关卡，而不是获得最多的分数。在这种情况下，人只会用无敌状态来加速，尽可能多的吃无阻碍点，吃鬼可能得不到最多的点。

假设您有强化学习应用程序，目标是获得最多的分数。在这种情况下，应用程序将尝试学习如何做到这一点，即尽可能多地吃鬼和水果。

还有一点要提的是，得分是一种积极的奖励。鬼魂的死亡是一种消极的奖励。久而久之，强化应用要尽量做到分数最大化，生命损失最小化。虽然这个例子是在游戏场景中构建的，但我们可以在许多其他方面使用强化学习。

应用包括:

击败围棋世界冠军找到神经网络的最佳配置机器人技术优化药物剂量优化交通信号控制优化化学反应自动驾驶

混合、自动化与其他

实际应用的最后一节指出了一些应用，这些应用被分类为混合或杂项，因为它们涉及多种组合技术或者不适合已经讨论过的任何类别。

应用案例包括:

自动驾驶汽车和车队以及自动驾驶航天飞机实时飞行路线预测和空中交通优化无人驾驶赛车仓库物流和拣配自动化狗和类人机器人机器人类人的巧手珊瑚礁监测水母机器人医院病患护理工作自动化疾病暴发预测减少冷却费用天气预报自动化会议协调预测维护与物联网相关的智能系统

人工智能发展的另一个真正有趣的领域是生成应用，基本上是指人工智能可以从特定类型的输入中为给定的应用生成一些东西。包括以下示例:

根据文本生成图像生成图像和图像区域描述生成星系和火山的图像根据草图生成图像根据歌曲的特点生成音乐生成多样化的声音和语音合成唱歌根据设计模型生成软件代码根据文本生成视频

其他应用包括风格转换(例如，普通图像转换以再现梵高或毕加索风格的“艺术”)。还有一种技术叫超分辨率成像，通过生成缺失的三维图像数据，将二维图像转换成三维图像。最后，自动图像着色是人工智能的另一个有趣的应用。

作者简介:Alex Castrounis，InnoArchiTech前CEO兼首席顾问，也是商业、分析和产品管理方面的专家。Alex拥有近20年的创新经验，并向数千人传授了数据科学和高级分析的价值。

本文摘自《AI战略:更好的人类体验与企业成功框架》，由出版社授权发布。

—结束—

获取更多数据科学相关信息，请关注清华-青岛数据科学研究院官方微信公众平台“数据学堂THU”。