新兴产业概念扫盲3-AI人工智能-4应用场景及其他_新兴产业ai分析

4  其他-深度学习之外的人工智能

神经网络是理解深度表征的模型，深度学习是训练深度神经网络的算法，两者是一脉相承的关系。本质上讲，神经网络和深度学习都是由数据驱动的，大量有标记的训练样本是复杂模型取得良好性能的前提，这也解释了为什么直到近年来深度学习才得以蓬勃发展。但深度学习远非实现人工智能的唯一途径，在接下来的四篇文章中，就让我和你聊一聊深度学习之外的人工智能。

4.1  概率图

• 概率图模型是概率论与图论的结合，是用图论表现随机变量之间的条件依赖关系的建模方法；
• 贝叶斯网络是有向无环图，侧重于表示随机变量之间的依赖关系；
• 马尔可夫随机场是无向图，侧重于表示随机变量之间的相互作用；
• 概率图模型体现了“表示 - 推断 - 学习”的问题解决框架。作为两种不同的模型，贝叶斯网络和马尔可夫随机场各有优势。

4.2 集群智能

           用集群智能方法实现人工智能，代表的是研究方式的转变。不管是人工神经网络还是深度学习，其本质都是对人类思维的功能模拟，采用的方法论是机械论的哲学，而机械论中先验规则设定的前提决定了功能模拟的方式很难产生人类水平的智能。集群智能代表另一条可能的道路：从结构模拟出发，通过人为创造类似人类脑神经系统的结构模型，实现智能的大规模涌现。 

        结构模拟的理论基础在于对复杂系统的认识。当构成一个系统的基本单元数量极为庞大时，将这些个体看作一个整体，就会有一些全新的属性、规律或模式自发地冒出来，这种现象就称为“涌现”（emergence）。对于涌现现象来说，大量微观层次上的交互导致对其功能性的描述过于困难，结构化的模拟反倒成为一种直观有效的方式。对涌现现象的代表性应用，就是以蚁群算法为代表的各类粒子群算法。

意大利米兰理工学院的马可·多里戈博士在他的博士论文中提出了蚁群优化算法（ant colony optimization）：通过对蚁群在寻找食物过程中发现最优路径行为的模拟来寻找问题的最优解。蚁群算法的初始化是让第一批蚂蚁随机出发，独立且并行地搜索问题的解，对解的搜索就是蚂蚁对路径的选择。在行进的过程中，蚂蚁会在自己的路径上释放信息素，信息素的强度是与解的最优程度成正比的，新的蚂蚁则会根据已有信息素的强度选择自己的行进路径。随着搜索的不断进行，信息素也会发生动态变化：旧蚂蚁留下的信息素会不断蒸发，新蚂蚁经过后则会产生新的信息素。蚁群的集群化搜索会产生聚集作用，最优路径会被越来越多的蚂蚁发现，信息素的强度也会逐渐增大，从而将更多蚂蚁吸引过来，被下一只蚂蚁选择的概率也就进一步增加。蚁群算法就是利用这种正反馈机制逐步遍历解空间，使搜索向最优解推进。 

     从抽象的角度来说，群体行为是大量自驱动个体的集体运动，每个自驱动个体都遵守一定的行为准则，当它们按照这些准则相互作用时就会表现出复杂（智能）行为。群体本身不具备中心化的结构，而是通过个体之间的识别与协同达成稳定的分布式结构。这个分布式结构会随着环境的变化，以自身为参考系不断趋于新的稳定。集群智能（swarm intelligence）正是群居性生物通过协作表现出的自组织与分布式的宏观智能行为。特点：

• 可扩展性：在人造的集群智能算法中，可扩展性保证了通过简单扩充来增强算法性能的可行性，而不需要重新编程。
• 并行性：集群智能系统天然具有并行性。在人造的集群智能算法中，并行性能够增强系统的灵活性，能够在同时处理复杂任务不同方面的集群中自行组织。
• 容错性。去中心化和自组织的特点让容错性成为集群智能系统的固有属性。一个失败的个体很容易被另一个完全正常运作的个体所取代；去中心化大大降低了系统全面崩溃的可能性。

4.3 迁移学习

• 迁移学习是运用已学习的知识来求解不同但相关领域问题的新的机器学习方法，目的是让机器“学会学习”；
• 迁移学习适用于跨领域和小数据的学习任务；
• 迁移学习的任务类型可以分为归纳迁移学习，直推式迁移学习和无监督迁移学习；
• 迁移学习的学习方法包括基于样本、基于特征、基于模型和基于关系。

4.4 知识图谱

知识图谱（knowledge graph）是由大量的概念实体以及它们之间的关系共同构成的语义网络。要构造可解释的人工智能，靠大数据去训练复杂模型肯定是不靠谱的，还是要回归到逻辑推演的路径上，而知识图谱很可能成为可解释人工智能中的一项关键技术。

• 用知识图谱实现从特殊到一般的归纳推理，典型的方法是路径排序算法；在知识图谱中，实体是由二元关系相连接的，因而现实世界中的规则在知识图谱中就体现为不同实体之间的关系路径。路径排序算法正是以实体之间的路径为依据，在不完全的知识库中学习目标关系的分类器。路径排序算法的实现包括特征抽取、特征计算和分类器训练三个步骤。
• 用知识图谱实现从一般到特殊的演绎推理，典型的方法是马尔可夫逻辑网和概率软逻辑。马尔可夫逻辑网（Markov logic network）是将无向概率图模型和一阶谓词逻辑相结合得到的统计关系学习模型。利用马尔可夫逻辑网对知识图谱建模后，就可以利用已有的规则和权重系数来推断未知事实成立的概率。如果规则和权重系数部分未知或者全部未知时，则可以自动学习规则和权重，这也就是马尔可夫随机场的结构学习。如果对马尔可夫逻辑网加以扩展，给网络中每个顶点所代表的原子事实赋予一个连续分布的真值，得到的就是概率软逻辑（probabilistic soft logic）。概率软逻辑能够对不确定的事实和规则同时建模，因而具有更强的不确定性处理能力。连续真值的引入也有助于问题的优化，从而大大提升了推理效率。
• 用知识图谱实现数值推理，典型的方法是基于分布式知识表示的方法。分布式知识表示（knowledge graph embedding）是将包含实体和关系的知识图谱组件嵌入到连续的向量空间中，以便在保持知识图谱内在结构的同时简化操作。

5  应用场景

1、单项

•  计算机视觉：人脸识别。以卷积神经网络为代表的深度结构可以实现通用的物体识别算法；深度残差网络将输出和输入之间的残差作为拟合对象，解决了深度神经网络训练难的问题；密集连接网络采用全连接方式，实现了特征的高度重用，降低了参数数量和训练难度。
• 语音处理：siri ；讯飞。语音识别、语音合成。Siri 的独特之处在于将深度学习应用在了混合单元选择模式中：用基于深度学习的一体化模型代替传统的隐马尔可夫模型指导最优单元序列的搜索，以自动并准确地预测数据库中单元的目标损失和拼接损失。Siri 使用的技术是深度混合密度网络（Mixture Density Network），这是传统的深度神经网络和高斯混合模型（Gaussian Mixture Model）的组合。
• 智能问答：智能音箱，知识问答。早期的对话系统通过模式匹配和智能短语搜索对人类的合适回复；智能个人助理可以帮助用户在多个垂直领域完成任务；社交聊天机器人的作用是满足用户的情感需求；神经网络能够帮助社交聊天机器人实现通用化的学习。
• 机器翻译：基于神经机器翻译，将机器翻译的实现理念从句法结构与语序特点的规则化解构转换为对大量平行语料的统计分析构建模型，曙光才出现在地平线上。利用大数据分析和神经网络来实现。神经网络可以通过迁移学习“桥接”不同的语言，实现零知识翻译

2、综合应用

1. 医院信息化建设

疾病风险预测：基于患者个人信息、遗传信息、以及生理指标等信息，实现对患者疾病风险的预测。①支持患者个人信息、生理信息、疾病信息等接入功 能。②支持关系型数据库和非关系型数据库的数据源接 入组件。③支持心脑血管疾病、内分泌疾病、呼吸道疾病、消 化道疾病等疾病的预测模型。

医学影像辅助诊断：实现医学影像的病灶识别和分类。①支持血管摄影、心血管造影、CT、PET、B 超、核磁等医学影像数据存储和计算功能。②  支持心脑血管、肺部、乳腺、肝病、眼底、心脏疾病、脑部等疾病辅助诊断功能。

临床辅助诊疗: 基于语音识别、自然语言处理和文本分析技术，利用临床数据分析模型和知识库，提供诊断和治疗建议。①支持患者基本信息、疾病名称、症状和体征、检验检查结果、处方用药等内容的自动识别处理功能。②支持心脑血管疾病、内分泌疾病、呼吸道疾病、消化道疾病、精神疾病等疾病的辅助诊疗功能。

智能健康管理：基于移动医疗终端和可穿戴等设备，结合居民日常健康管理和慢病康复治疗需要，支持院内外疾病信息共享，支撑居民开展自我健康管理。①支持院内、院外数据采集功能。②支持健康管理知识库，提供个性化的健康维护和管理建议，支持家庭日常治疗计划与管理。③支持糖尿病、高血压、心脑血管疾病、呼吸道疾病、消化道疾病等疾病的健康管理功能。

医院智能管理：实现医院运营和临床业务的智能管理，辅助医院了解临床业务需求，提升医院服务管理能力。①基于物联网等技术的医疗资源信息自动采集，支持医院运营管理知识库，支撑医院运营管理需求的预测、调度、决策。②基于移动终端和物联网技术，支持医院临床相关知识库，提升临床诊疗和医疗行为分析评价能力。

虚拟助理：按医生指令和需求搜集、整理和推荐信息。①支持语音识别、自然语言处理等引擎。②支持基于机器学习的智能分诊、诊断辅助和电子病历书写等功能。③支持基于知识图谱的智能辅助诊断和用药推荐等功能。