正版图书,可开发票,请放心购买。
-
出版时间:
2019-08
-
装帧:
平装
-
开本:
其他
-
ISBN:
9787300278643
-
出版时间:
2019-08
售价
¥
35.82
5.2折
定价
¥69.00
品相
全新
上书时间2024-05-09
卖家超过10天未登录
-
-
商品描述:
-
作者简介
[日] 野村直之,Metadata Incorporated公司董事长、法政大学研究生院创新管理研究专业兼职教员。 1984年毕业于东京大学工学院,2002年获得九州大学理学博士学位。先后就职于NECC&C研究所、JustSystems、法政大学、日本理光集团,后出任法政大学研究生院客座教授。2005年创立Metadata Incorporated公司。主要提供大数据分析、社会化应用,以及各种人工智能应用解决方案等服务。 期间,出任美国麻省理工学院(MIT)人工智能研究所研究员。与“人工智能之父”马文·明斯基属同一研究室。曾与同为MIT的语言学者诺姆·乔姆斯基交流讨论。不仅参与研究了支撑深度学习的ImageNet的基础WordNet,还同时参与过从日本第五代计算机开发机构ICOT分立出来的知识库的开发。在从事各种软件开发的同时,对AI在产业、生活、行政、教育等领域的应用问题也极为关心。 著有WorldNet: An Electronic Lexical Database ,edited by Christiane D.Fellbaum ,MIT Press ,1988.(合著)。 同时在信息处理、AI应用等相关杂志上发表过多篇论文。参加过多场讲座。
目录
目录
第1章 当今 AI 的功能与局限
关于 AI 常见的误解 // 2
利用大数据的围棋 AI // 5
如何有效运用“幼儿智能” // 6
思考能够使用图像识别技术的商业领域 // 7
深度学习是“原始数据计算” // 9
通过三个数轴对 AI 进行分类 // 12
深度学习是如何提取特征的 // 14
“模式识别”:AI 的眼睛和耳朵 // 17
使用深度学习的机器翻译能够获得压倒性胜利的原因 // 20
“强 AI”的出现至少要到 22 世纪吗 // 26
指数函数的恐怖 // 28
知识量的增加至多是二次曲线级 // 30
充分运用深度学习的必要性 // 34
深度学习与其他方式的结合也很有价值 // 36
第2章 使用深度学习的基本流程
在 AI 应用中不可或缺的目标设定 // 40
分享评测数据使其可以共用 // 42
作为精度指标的“率”和“召回率” // 44
作为前提的正确结果不止一个 // 46
不同场景中对率和召回率的重视程度不同 // 47
业余和专业所需的精度是不同的 // 49
深度学习的准确性评估测试简单 // 51
能准备反映共同特征和多样性差异的训练数据 // 53
使用开发环境进行数据学习的流程 // 55
注意过度拟合 // 59
第3章 目标精度的实际评估和利用
从危险驾驶分类中了解自动驾驶的问题 // 66
AI 给生产力带来的提升效果 // 71
交通标志与 AI 的匹配和 RFID 化也是必要的 // 73
精度目标的设定和预算是“鸡与蛋”的问题 // 79
自动驾驶需要用各种观点进行综合评估 // 81
特斯拉汽车为何发生车祸 // 82
结合预期值评估服务质量重要 // 85
设计业务流程时的混淆矩阵很重要 // 89
用附有概率值的判定结果将分支条件精细化 // 93
根据置信度对处理结果进行场景分类 // 96
为每个样本或医疗机构设置精度 // 98
对 AI 纠错的意义 // 101
如何评估聊天机器人的准确性 // 103
用“对话成立度”对精度进行定量评估 // 107
参考信息技术架构库改善业务流程 // 109
让 AI 学习特殊情况下的数据 // 112
第4章 AI 部署的实例
企业的数字化 // 116
将 AI API 化后公开 // 118
AI 部署的战略以及企业内部体制 // 120
制作样本数据时的注意点 // 125
标注人员进行的标注工作 // 127
增加相互之间只有少许差异的样本数据 // 129
深度学习的引入需要耐心 // 132
描绘实际运行整体系统的结构 // 135
GPU 的挑选:目前 NVIDIA 是唯一选择 // 138
硬件的选择:性能要超过十几年前进的计算机 // 142
主内存要注意主内存容量 // 143
GPU 云服务也是一种选择 // 151
深度学习的机制是多种多样的 // 154
主流深度学习框架的特点和选择 // 156
多种类型的网络结构该如何进行选择 // 160
编程语言几乎只有 Python 一种选择 // 160
利用现成 AI 资源的意识 // 162
将完成后的 AI 应用程序化、API 化 // 164
将 API 向世界公开 // 166
争取各种安全措施保护隐私 // 167
以眼还眼,以 AI 对 AI // 169
保护 AI 开发企业的防盗版措施 // 171
主动公开部分源代码的交付方法 // 173
第5章 AI 部署人才应具备的技能
用户企业如何获得 AI 人才 // 177
用户企业的管理人员应掌握的心得 // 178
AI 时代需要我们具备福尔摩斯般的思考能力 // 179
AI 人员所需的资格和专业领域 // 180
旧知识可能成为绊脚石 // 183
样本数据的准备成为开发工作的核心 // 184
在 API 经济中擅长混聚开发的人才更重要 // 186
AI 人员的沟通能力不可或缺 // 187
知识会迅速过时 // 189
从知识劳动到智能劳动 // 191
知识将可以无偿获得 // 193
思考人类与 AI 的角色分担 // 196
即使没有大数据,人类也可以相对准确地推断 // 199
实现不同专家合作的“配对需求开发” // 203
推动 AI 项目的关键人才 // 205
熟练工艺移植给 AI 后的产业空心化对策 // 208
第6章 将 AI 用于商业用途时需注意的问题
大数据越来越重要 // 213
利用 AI 防止人类被数据牵制 // 214
AI 的知识获取瓶颈 // 216
数据准备和增值更要活用 AI // 219
准备和收集样本数据时的要点 // 222
AI 在日本的应用前景广阔 // 224
与人类相同的服务员 AI 会出现吗 // 226
人文和哲学对于 AI 研究人员来说重要 // 230
基本收入制度无法解决问题 // 233
将 AGI 作为工具使用 // 234
结语 // 237
内容摘要
本章将会总结目前以深度学习为代表的AI的大致情况,并对其已具有和尚未具有的能力进行归纳。 如本书引言所述,目前的AI作为一种辅助性工具,主要在图像、声音识别方面具有很强的实用性,而且发展迅速。我们可以预见,AI今后将与人类一样拥有视觉、听觉和读写能力,并被广泛地应用到各个行业,取代人类完成一部分工作,很终在提升生产效率、创造社会财富和缓解劳动力不足方面发挥价值。 遗憾的是,目前大众对于AI还存在很多认识上的误区。比如,过度关注需要几十年或几百年才能实现的“强AI”以及具有和人类同等知性的“通用AI”,并将它们与目前作为辅助性工具应用在商业领域的局部AI混淆。虽然后者在当前更为重要,但相关的讨论,比如怎样将目前已经成熟的AI技术应用于短期的企业战略规划,如何用AI重构业务流程、提高生产效率等话题,却很少听到。 事实上,对于企业而言,并不需要在三年或者五年的短期计划中考虑“强AI”或“通用AI”。让我们先从这一点开始吧。 关于AI常见的误解 目前的AI并非“通用AI”,而是只能完成特定工作的专用AI,其种类高达上千种。大众对AI过度的期待,以及对AI所持有的理想与现实存在巨大落差而深感失望的现状,很可能源自对AI的实际应用情况了解不足,或者对它存有误解。高德纳(日本)IT咨询公司在2016年12月发表了关于AI常见的误解: 1.具有高度智慧的AI已经存在; 2.如果导入类似于IBM沃森那样的机器学习、深度学习的技术,任何机器都能变得无所不能; 3.存在一种名为AI的单一技术; 4.只要引入AI就能立刻见到效果; 5.“非监督式学习”过程不需要指导,所以比“监督式学习”优选; 6.深度学习是不错大的; 7.算法如同编程语言一样可以随意选择; 8.存在任何人都可以立刻上手的AI; 9.AI是一种软件技术; 10.到头来AI什么也干不了,毫无意义。 很多层面的问题交织在一起,导致了以上误解的产生。事实上这几种说法都不正确。 “具有高度智慧的AI已经存在”的说法显然不正确。目前“通用AI”尚未诞生,我们对如何创造也无从知晓。就连“AI”的精准定义,我们都尚未有定论。 “只要使用了AI后就可以变得无所不能”的想法也是错误的。要想让AI发挥作用,就必须努力获取、积累大量样本数据和词库,评测并提升系统准确度,将其应用到业务实践中。如果不下这样的苦功,那么即使用了AI也解决不了眼前的问题。关于这一点,我会在第2章里详细说明。同样的理由,关于“只要引入AI就能立刻见到效果”和“存在任何人都可以立刻上手的AI”的说法也是不对的。 其实,对于“只要引入AI就能立刻见到效果”的说法,我认为并不妥当。在由人工智能学会编撰的厚达1600页的《人工智能学大事典》中介绍的AI多达上千种,这些AI既类似又不尽相同。每个AI的来源与目的、实际状态各有差异。然而,媒体在报道时经常会粗略地说“这种产品使用了AI”,从而导致了类似“存在一种名为AI的单一技术”的误会在大众中蔓延。剩下的几个错误观念,其产生的原因与深度学习、非监督式学习/监督式学习有关,我会在第2章中详细论述,也希望读者在阅读相应内容后再做出判断。 反过来,那种认为“到头来AI什么也干不了,毫无意义”的说法又是另一种特别。依靠当今已实现商业化的AI技术,计算机已经能够通过“眼观耳闻”来辨认物体了。正所谓物尽其用,计算机作为工具,借助人类的智慧和创意,在解决问题、提供服务方面的确有着无限的可能。 如果今后AI应用的落地足够成熟,那以前许多只能依靠手工以及因工作量太大而不得不放弃的工作,都有可能交给AI来完成。 P2-4
主编推荐
随着AI与智能机器人时代的到来,将AI与人类相提并论的言论不绝于耳,你是否也有这样的疑问:
·虽然对目前的AI有基本的了解,但不清楚具体该做什么,也不知道该从何处入手;
·构建AI系统时应该使用什么样的硬件和软件?
·AI云服务真的很便捷吗?
·自己的企业内部并没有可立即用于机器学习的大数据,该怎么办?
·希望能用到货真价实、***高的AI产品和AI系统实施服务,但如何才能辨别良莠?
·我们怎么才能成为AI时代需要的人才?
无论是正在应用AI系统的推广部门、信息系统管理部门、经营企划部门,还是正在考虑引入AI系统的物流部门、生产管理部门,抑或是为企业客户提供AI系统应用咨询与支援服务的供应商,在应用AI系统时,自始至终都要保持以数字结果为导向,肩负实证评估的责任。
只有立足于AI供应商和用户企业双方的立场,才能催生出新的应用形态与案例,从而使企业通过运用AI获得较高的投资回报率,提升生产效率,从而解放人类工作者,使其从事更有意义、更有趣、更富有价值的工作内容,进一步提升社会整体的幸福感。
精彩内容
从AI核心技术、样本数据提取到业务流程构建、人才培养机制MIT人工智能研究所客座研究员、日本人工智能专家全流程指导帮助企业实现AI技术的落实应用,指导个人从知识劳动人才向智能劳动人才转变当人们听说“AI的进化将剥夺人类的就业机会”时,出于对机器的担忧和反感,他们就会产生逆反心理,从而造成对AI能力的过高预估;另一方面,当这种过高的期待没有实现时,人们就会产生对AI的全面否定,如“AI什么也干不了”“到头来还不是一无是处、毫无意义”。我们该如何澄清关于AI的各种误解,使企业能够从容自如地使用AI?
本书作者野村直之30多年来一直致力于AI的开发、应用和部署。在本书中,他针对已经参与或即将参与AI系统相关工作的读者揭示了诸多为了充分应用AI系统需要掌握的要点。
·AI的现状。目前的AI都是辅助性工具,“强AI”还无法在21世纪内诞生。
·AI的核心技术——深度学习。AI应用落地的关键在于目标精度的评测与活用,通过使用精确率和召回率两个指标,来准备良好的样本数据。
·样本数据的制作。通过短周期原型开发评估目标精度,加之专业人士的参与,同时使用高性能的GPU硬件。
·AI部署人才应具备的技能。AI时代的人才需要福尔摩斯般的思考能力,不仅要善于发现问题,打破现有局面,还要为解决问题设定目标,完成从“知识劳动”到“智能劳动”的转变。
孔网啦啦啦啦啦纺织女工火锅店第三课
开播时间:09月02日 10:30
即将开播,去预约
直播中,去观看