【CIO早班車】人工智慧，離你還有多遠？

很多人見了我都問，為什麼當前市場上對人工智慧和深度學習這麼熱，其實這不是偶然的。大家都知道這幾年市場上很熱的一個話題是大數據，很多人預言數據將取代石油成為世界上最寶貴的資源。在這種背景下，很多企業都建立了自己的大數據平台，搜集各種結構化和非結構化的數據到大數據平台上，但大數據平台建立起來后大家發現面臨一個新的挑戰，就是對這些數據如何進行分析？尤其是非結構化的數據，如圖片，視頻，語音和文本等，傳統的技術無法對這些非結構化的數據進行分析。而人工智慧深度學習技術正是擅長於這種非結構化數據的處理與分析，這是人工智慧和深度學習技術快速發展和流行的驅動力之一。

另一大驅動力來自於計算機技術的發展，人工智慧和深度學習並不是一項新的技術，早在上世紀60年代這項技術就出現了，但由於深度學習模型需要進行大量的計算，當時的計算機技術無法滿足要求。當前由於混合計算技術的發展，出現了通過GPU，FPGA和ASCI進行計算加速，使得深度學習模型的計算成為可能。

講到這裡有人會問什麼是人工智慧和深度學習？人工智慧包含了所有讓機器模擬人類行為和智能的技術，而深度學習是指通過深度神經網路模型進行機器學習，使得計算機擁有視覺和聽覺，可以識別物體，聽懂人類語言的技術。目前深度學習在人工智慧的所有技術中是發展最快，市場熱度最高的技術。

那麼深度學習技術可以應用在哪些領域呢？我來舉幾個例子，在製造業深度學習技術可以用於質量控制與檢測，我們有一個客戶，他每一條生產線同時需要兩個質檢員實時觀察流水線上產品質量出現的缺陷，一天24小時就需要6個質檢員，這樣的生產線他們企業有100多條，由於需要質檢員8小時不停的觀察，質檢員的勞動強度很高，同時錯檢、漏檢率也很高。我們通過深度學習的方法為他們訓練一個檢測模型，可以取代人工的工作，並且隨著不斷地進行數據訓練，模型識別的準確率逐步提高，錯檢、漏檢率大幅下降。

另一個案例在醫療行業，有很多醫生花費大量的時間對醫療影像進行判讀和識別。比如在病理檢驗階段，專業醫生需要花費大量的時間通過顯微鏡對病理組織切片中的癌細胞進行識別，我們正在訓練模型幫助醫生，首先通過深度學習模型對癌細胞進行識別，再由專業醫生驗證，這樣可以大大降低專業醫生的勞動強度。

總之，目前各個行業中凡是需要人工通過視覺進行識別和判斷的工作，都可以嘗試通過深度學習的技術由計算機來完成。

那麼如何構建一個深度學習系統呢？大家記住深度學習的三要素：數據，演算法，算力。

先說算力，首先你要構建計算平台來提供計算能力，這個平台不同於傳統的CPU為核心的計算平台，通常是CPU+GPU的混合計算平台，如IBM Minsky伺服器，提供Power CPU + P100GPU的混合計算能力，並且CPU和GPU之間是通過獨有的NVLink高速匯流排進行互聯。

第二就是演算法，指的是深度學習框架和模型，IBM提供PowerAI，集成市面上流行的深度學習框架如Caffe, TensorFlow等，還提供一個深度學習平台，降低深度學習的門檻，可以幫助一些不是研究深度學習的非專業人士也可快速掌握和使用深度學習技術。

另外我們還提供深度學習相應的模型設計和訓練服務。那麼用戶需要提供的就是最後一個要素，數據，用於對模型的訓練工作。

今天簡要的給大家介紹了人工智慧和深度學習技術，適用場景和如何構建一個深度學習系統，希望能對大家有所幫助。

如果您希望了解更多的IBM認知系統的技術和解決方案，歡迎參加9月1日北京"架構人機同行"高峰論壇，點擊"閱讀原文"報名。

數據安全，您考慮了嗎？
大數據的關鍵技術及實例
解讀大數據的奧秘