|
人工智能应用落地的五大决定性要素分别是应用、模型、数据、算法和算力，其中数据、算法和算力三大要素经常被提到，但在对于人工智能落地应用而言，应用和模型是必不可少的两个要素。  影响人工智能应用落地的要素有哪些？开课吧 应用即应用场景，是需要人工智能解决的具体问题。人工智能应用落地首先要明确的就是具体应用场景，如银行风控的场景、零售营销的场景、工业质检的场景等，应用场景定义越清晰，越有助于人工智能的落地应用。明确具体的应用场景之后，可以进一步了解以往人工处理的过程和步骤，以及访谈业务专家在解决具体问题过程的经验和专业知识等。 模型是对应用场景的抽象，是利用数学语言或计算机语言来描述现实的应用场景。建立的模型越接近真实场景，模型对真实场景的解释性越强，人工智能应用的效果也越好。同样的应用场景，建立或选取不同的模型，有可能导致结果的差异较大。在建立或选取模型的过程中，如果加入具体的专业知识，可以更加有效地反应真实场景，这样得出的模型效果通常比纯从数据角度训练和学习出来的模型效果会更优。  影响人工智能应用落地的要素有哪些？开课吧 数据是在具体应用场景中采集到的相关数据。实际情况下，特别在信息化和数字化比较缓慢和薄弱的领域，有可能针对具体的应用场景，并没有特别好的数据，甚至可能还没有合适的数据，针对这样的情况需要从数据采集开始，逐步积累更高质量的可用数据；也有许多领域经过信息化和数字化的过程，已经有许多的数据，但数据质量并不乐观，需要进一步的数据清洗。数据是人工智能时代的生产资料，数据质量的好坏，很大程度上决定了人工智能应用效果。 算法是利用数据对模型进行训练和拟合的方法。常用的算法如线性回归、逻辑回归、决策树、神经网络、深度学习等，不同的算法训练的模型在结果上会有差异。算法是人工智能时代的生产工艺和方法，算法决定模型的准确度，以及模型训练的效率等。 算力即计算能力，是人工智能应用的基础设施。常用的算力资源包括CPU、GPU等，以及近年来针对特定场景，如自动驾驶、图像识别等，开发的专用计算芯片等。数据规模的不断扩大，以及模型复杂度不断提高，对算力的要求也越来越高。正因如此，单颗芯片的算力也在不断地提高，采用的工艺从14nm向7nm等升级。人工智能算力的获取方式，如公有云、超算中心、地方智算中心等，也更加多样化。 |
|
|
