方帆：華為EI—面向企業(yè)智能的創(chuàng)新和實踐|V課堂第100期
第100期【智造+V課堂】邀請華為技術(shù)有限公司 華為云BU EI產(chǎn)品線人工智能***系統(tǒng)架構(gòu)師方帆深度聚焦《華為EI：面向企業(yè)智能的創(chuàng)新和實踐》。方總從華為智能平臺到通用服務(wù)到特定領(lǐng)域?qū)嵺`的服務(wù)，把從華為內(nèi)部積累的能力、知識和方法全面、深度的進行全方位解讀，以實際案例分享助力企業(yè)上云，讓企業(yè)更智能。
一、分享嘉賓
華為技術(shù)有限公司華為云BU EI產(chǎn)品線人工智能***系統(tǒng)架構(gòu)師 方帆
嘉賓簡介
- 華為云BU EI產(chǎn)品線人工智能***系統(tǒng)架構(gòu)師;
- 擁有十多年IT系統(tǒng)研發(fā)工作經(jīng)驗，現(xiàn)負責(zé)華為EI產(chǎn)品線人工智能技術(shù)方向規(guī)劃，產(chǎn)品架構(gòu)設(shè)計等工作。
二、分享主題
《華為EI：面向企業(yè)智能的創(chuàng)新和實踐》
三、分享內(nèi)容
1. 企業(yè)向智慧化轉(zhuǎn)型面臨的挑戰(zhàn)
2. 華為AI服務(wù)架構(gòu)：智能物流服務(wù)、智能風(fēng)控服務(wù)、個性化推薦服務(wù)、智能問答、圖片識別、基于華為AI在線監(jiān)測服務(wù)......
3、人工智能在不同場景下的效率提升
四、原文實錄
原文實錄context：
大家好我是來自華為云的方帆，很高興今天給大家分享華為對AI的理解以及華為在人工智能領(lǐng)域的一些創(chuàng)新與實踐，首先還是需要給大家介紹些基本概念：
1. 弱人工智能
弱人工智能(ArtificialNarrow Intelligence/ANI)，只專注于完成某個特定的任務(wù)，例如語音識別、圖像識別和翻譯，是擅長于單個方面的人工智能。它們只是用于解決特定的具體類的任務(wù)問題而存在，大都是統(tǒng)計數(shù)據(jù)，以此從中歸納出模型。由于弱人工智能智能處理較為單一的問題，且發(fā)展程度并沒有達到模擬人腦思維的程度，所以弱人工智能仍然屬于“工具”的范疇，與傳統(tǒng)的“產(chǎn)品”在本質(zhì)上并無區(qū)別。包括近年來出現(xiàn)的IBM的Watson和谷歌的AlphaGo，它們是優(yōu)秀的信息處理者，但都屬于受到技術(shù)的限制的“弱人工智能”。比如，能戰(zhàn)勝象棋世界冠軍的人工智能AlphaGo，它只會下象棋，如果問它怎樣更好地在硬盤上儲存數(shù)據(jù)，它就無法回答。所以其實是使用弱人工智能制造出來的智能機器看起來像智能，但是并不真正擁有智能，也不會有自主的意識。
2. 強人工智能
強人工智能屬于人類級別的智能，在各方面都能和人類比肩，人類能干的腦力活它都能勝任。它能夠進行思考、計劃、解決問題、抽象思維、理解復(fù)雜理念、快速學(xué)習(xí)和從經(jīng)驗中學(xué)習(xí)等操作，并且和人類一樣得心應(yīng)手，這樣的叫強人工智能。“強人工智能”系統(tǒng)包括了學(xué)習(xí)、語言、認(rèn)知、推理、創(chuàng)造和計劃，目標(biāo)是使人工智能在非監(jiān)督學(xué)習(xí)的情況下處理前所未見的細節(jié)，并同時與人類開展交互式學(xué)習(xí)。在強人工智能階段，由于已經(jīng)可以比肩人類，同時也具備了具有“人格”的基本條件，機器可以像人類一樣獨立思考和決策。
從上面我們講的有三個概念，弱人工智能、強人工智能、超人工智能。其實從人工智能發(fā)展到目前為止，***的其實我們現(xiàn)在講的人工智能基本上都是弱人工智能范疇。人工智能從開始概念提到現(xiàn)在走向繁榮，從1956年開始幾個科學(xué)家相聚在達特茅斯會議里面，提出了人工智能的概念。當(dāng)時剛剛出現(xiàn)了一些計算機，構(gòu)建一些復(fù)雜和擁有與人類智慧相同本質(zhì)的一些機器，其后人工智能就一直纏繞在人們的腦海之中，并在科研實驗室中慢慢的孵化。之后的幾十年人工智能一直在兩級反轉(zhuǎn)，或者被稱為人類文明耀眼未來的預(yù)言，或者被當(dāng)時技術(shù)瘋子扔到垃圾堆里面。直到2012年之前，其實這兩個聲音還是同時存在的，2012年以后主要得益于數(shù)量的發(fā)展，和運營商力的提升，和機器學(xué)習(xí)的新方法提出來，包括深度學(xué)習(xí)的出現(xiàn)。
人工智能開始爆發(fā)式的增長，人工智能的研究領(lǐng)域則不斷地擴大，包括一些專家系統(tǒng)，機器學(xué)習(xí)、凈化計算、模擬邏輯、計算機視覺、自然語音和推薦系統(tǒng)等。但目前的一些科研工作都集中在弱人工智能這一部分，并很有希望的在近期取得了一些重大突破。其實定義里面描述的大半都是強人工智能，在現(xiàn)實里面都是沒有辦法真的實現(xiàn)的。所以強人工智能讓機器獲得自適應(yīng)的能力，解決一些沒有遇到的問題，其實都離我們很遠。所以我下面重要介紹一下幾個弱人工智能相關(guān)的東西和概念。
3. 機器學(xué)習(xí)
機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法，機器學(xué)習(xí)最主要的做法就是使用一些算法來解析數(shù)據(jù)，從學(xué)習(xí)然后從真實的事件做出決策和預(yù)測。如果大家對統(tǒng)計學(xué)比較清楚的話，其實這種機器學(xué)習(xí)就是統(tǒng)計學(xué)的基礎(chǔ)來做的。以傳統(tǒng)的為解決特定的任務(wù)來印編碼的程序不同，機器學(xué)習(xí)是用大量的數(shù)據(jù)來訓(xùn)練，通過各種算法，從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)。
舉個例子，當(dāng)我們?yōu)g覽一些商城時，經(jīng)常會出現(xiàn)商品推薦，這些商城根據(jù)你以往的一些購物記錄或者收藏的清單，識別出哪些是你真正感興趣的，并且愿意購買的產(chǎn)品。機器學(xué)習(xí)直接源于早期的人工智能，傳統(tǒng)的算法包括一些決策數(shù)、聚類、貝葉斯分類、支持向量機等等，從學(xué)習(xí)方法來講，機器學(xué)習(xí)可以分為一些監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督集成學(xué)習(xí)等等。傳統(tǒng)的機器學(xué)習(xí)算法其實在很多領(lǐng)域都可以用到，其實也是大家用的比較多的一個東西。
4. 深度學(xué)習(xí)
深度學(xué)習(xí)并不是獨立的學(xué)習(xí)方式，其本身也會用到有監(jiān)督和無監(jiān)督的學(xué)習(xí)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。2006年把深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)這個領(lǐng)域，他實現(xiàn)在反向傳播里面梯度優(yōu)化，做到可用以后，深度學(xué)習(xí)在神經(jīng)網(wǎng)絡(luò)發(fā)展里面發(fā)揮了很大的作用。
最初的一個深度學(xué)習(xí)是用神經(jīng)網(wǎng)絡(luò)解決一些特征表達的學(xué)習(xí)過程，深度神經(jīng)網(wǎng)絡(luò)本身不是一個全新的概念，可大致理解為包括多個隱含式的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。為了提高審度學(xué)習(xí)的訓(xùn)練效果，人們對神經(jīng)網(wǎng)絡(luò)連接方法、激活函數(shù)等做出了相應(yīng)的調(diào)整，早前也有過。但是由于當(dāng)時的訓(xùn)練量不足，計算能力也落后。所以整個效果不行，但是深度學(xué)習(xí)目前為止因為隨著我們的計算量和數(shù)據(jù)量提升以后，深度學(xué)習(xí)包括我們的神經(jīng)網(wǎng)絡(luò)改進完以后，深度學(xué)習(xí)目前越來越多的應(yīng)用。證實了比傳統(tǒng)的機器學(xué)習(xí)在認(rèn)知領(lǐng)域獲得的更大的成功。
就目前來說業(yè)界有一種錯誤的、較為普遍的意識，機器深度學(xué)習(xí)最終可能會淘汰所有的機器學(xué)習(xí)的算法。這種意識的產(chǎn)生是一個比較錯誤的，當(dāng)下深度學(xué)習(xí)在計算機視覺、自然語言處理和語音這塊是遠遠超過傳統(tǒng)的機器學(xué)習(xí)，并且媒體對深度學(xué)習(xí)也是大肆夸大了一些報道。其實深度學(xué)習(xí)只在這幾個領(lǐng)域突破比較好，所以在機器學(xué)習(xí)領(lǐng)域里面有很大的應(yīng)用領(lǐng)域、空間的。
5. 強化學(xué)習(xí)
我們再講一下最近比較熱門的強化學(xué)習(xí)，強化學(xué)習(xí)是機器學(xué)習(xí)中的一個領(lǐng)域，強調(diào)如何基于環(huán)境而行動，以取得***化的預(yù)期利益。其靈感來源于心理學(xué)中的行為主義理論，即有機體如何在環(huán)境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預(yù)期，產(chǎn)生能獲得***利益的習(xí)慣性行為。這個方法具有普適性，因此在其他許多領(lǐng)域都有研究，例如博弈論、控制論、運籌學(xué)、信息論、仿真優(yōu)化、多主體系統(tǒng)學(xué)習(xí)、群體智能、統(tǒng)計學(xué)以及遺傳算法。在運籌學(xué)和控制理論研究的語境下，強化學(xué)習(xí)被稱作“近似動態(tài)規(guī)劃”(approximate dynamic programming，ADP)。在***控制理論中也有研究這個問題，雖然大部分的研究是關(guān)于***解的存在和特性，并非是學(xué)習(xí)或者近似方面。在經(jīng)濟學(xué)和博弈論中，強化學(xué)習(xí)被用來解釋在有限理性的條件下如何出現(xiàn)平衡其實強化學(xué)習(xí)目前業(yè)界用的也比較多了，包括一些高價值領(lǐng)域，包括金融，下圍棋只是一個代表，包括一些控制論，節(jié)能方面都有很多領(lǐng)域比較好的應(yīng)用范圍出來。
我們都知道在最近的幾年里面AI取得了***的重大突破，產(chǎn)生了很多明***的應(yīng)用。為什么AI這個已經(jīng)存在了幾十年的學(xué)科在最近的幾年會取得很大的突破?其中有兩個很關(guān)鍵的因素，***個是在機器學(xué)習(xí)領(lǐng)域，我們有了一些開源的機器學(xué)習(xí)庫，如說Tensorflow、MXNet、Caffe、CNTK等，使得用戶可以很容易地編寫機器學(xué)習(xí)模型。但是編寫了一個機器學(xué)習(xí)程序并不意味著你就能夠訓(xùn)練到一個好模型，你需要大量高質(zhì)量的數(shù)據(jù)來訓(xùn)練這個模型。處理大規(guī)模高質(zhì)量的數(shù)據(jù)需要一個機器學(xué)習(xí)的平臺，而且***這個平臺是基于云上的。業(yè)界基于云的機器學(xué)習(xí)平臺大幅度的降低了AI技術(shù)的使用門檻。
AI目前的進展和數(shù)據(jù)與計算密不可分。首先，我們要獲得好的機器學(xué)習(xí)模型，就必須要有大量高質(zhì)量的數(shù)據(jù)。但是，在我們很多的企業(yè)AI應(yīng)用里面缺乏大量高質(zhì)量的數(shù)據(jù)，這是企業(yè)AI應(yīng)用的一個重要的瓶頸。
如果我們大量的數(shù)據(jù)，我們可以訓(xùn)練一個深度模型，我們需要對數(shù)以百萬計的參數(shù)進行調(diào)優(yōu)，這需要巨大的計算資源。AI需要通用的計算資源,如CPU等，也需要一些專用的計算資源，如說PU、FPGA、TPU等。目前這些資源在體系結(jié)構(gòu)上是排它的。一個子任務(wù)分給GPU去做了就會一直由GPU做。我認(rèn)為，未來體系結(jié)構(gòu)應(yīng)該逐步走向融合，有靈活的調(diào)度。
基于云的AI平臺是處理AI所需要數(shù)據(jù)的關(guān)鍵中的關(guān)鍵。在企業(yè)環(huán)境當(dāng)中有不同的機器學(xué)習(xí)的任務(wù)和應(yīng)用，我們應(yīng)該怎么樣去選取這個模型呢?一個原則是模型的復(fù)雜度一定要與問題和數(shù)據(jù)的復(fù)雜度匹配起來，否則我們要么出現(xiàn)過擬合或欠擬合的問題。不同的應(yīng)用場景會往往有不同的復(fù)雜度和不同的計算量。要使企業(yè)的AI應(yīng)用成功，不能夠只靠一個模型。我們需要一個豐富的平臺，提供豐富的AI模型和服務(wù)。
基于這樣一個考量，華為AI架設(shè)一個通向業(yè)務(wù)智能的橋。無論我們是做AI+或者是+AI，我們堅信業(yè)務(wù)的最終業(yè)務(wù)價值是AI的最終價值，一定要解決最終業(yè)務(wù)問題。AI只有使得業(yè)務(wù)產(chǎn)生價值，才能夠最終對用戶有真正的作用，否則的話，空談AI沒有任何的業(yè)務(wù)價值。企業(yè)的業(yè)務(wù)價值永遠是需要端到端的解決方案。從算法到算法對大部分的實際應(yīng)用沒有意義， 需要把數(shù)據(jù)平臺、集成商、領(lǐng)域?qū)＜液蜆I(yè)務(wù)用戶協(xié)同起來。在企業(yè)業(yè)務(wù)當(dāng)中的AI是一個以技術(shù)和服務(wù)平臺作為基礎(chǔ),連接數(shù)據(jù)、領(lǐng)域知識、應(yīng)用和用戶，使各方面渾然一體、緊密結(jié)合、相互互動的解決方案。
基于這個理念其實華為AI推出了一個使能的框架，它分為三層，***層是它提供一個平臺層，提供一個AI基礎(chǔ)平臺層。能幫助企業(yè)、用戶如何做AI，做這些數(shù)據(jù)挖掘，做數(shù)據(jù)探索。第二層我們會基于平臺智能服務(wù)層，運用流行機器學(xué)習(xí)、深度學(xué)習(xí)平臺一樣的強大計算能力，來做出來的一些領(lǐng)域智能API。這些API提供一些視覺、語音、自然語言等感知認(rèn)知的功能。用戶在這個層面上只需要調(diào)用這些API就可以了。
在這之上是我們的強項，領(lǐng)域和場景AI層，是我們理解行業(yè)、理解企業(yè)，提供行業(yè)領(lǐng)域的API，如我們面向智能、物流、風(fēng)控、推薦問答、金融、制造等不同領(lǐng)域的API。對于一個行業(yè)來說，這層提供了一個Sandbox和一個工具集，可以用這些工具很容易搭建解決方案。另外，我們還提供解決方案的樣本。這是我們?nèi)A為把已有的成功經(jīng)驗?zāi)贸鰜砀鷺I(yè)界分享。用戶你可以根據(jù)這些藍本很容易修改定制獲得企業(yè)需要的解決方案。
另外我們還提供一些解決方案的樣本，這是華為把已有的成就經(jīng)驗?zāi)贸鰜砀鷺I(yè)界分享的。用戶可以根據(jù)這些藍本和榮譽修改和定制這些企業(yè)需要的解決方案，我們后續(xù)會沿著這些服務(wù)框架逐步開放大量的服務(wù)，歡迎大家去使用，以及歡迎合作方在這個平臺上貢獻他的服務(wù)，共建華為共有云AI的生態(tài)。
6. 用AI架構(gòu)如何解決企業(yè)問題
接下來我主要講一下用AI的架構(gòu)如何解決一些企業(yè)的問題，包括我們拿的這些工具做的成功企業(yè)的實踐和案例，包括一些創(chuàng)新，希望能給大家一些啟發(fā)。
首先我介紹一下機器學(xué)習(xí)，剛剛說的機器學(xué)習(xí)是一個平臺，你企業(yè)要做企業(yè)有大量的數(shù)據(jù)，想做一些類似于比方說你要做一些推薦、預(yù)測，包括制造領(lǐng)域的預(yù)測性維護。那就需要根據(jù)自己的數(shù)據(jù)來做一些數(shù)據(jù)業(yè)務(wù)的理解，做一些數(shù)據(jù)挖掘，包括首先他需要一個平臺去承載，這個平臺就需要一些集成。比方說數(shù)據(jù)探索的能力，包括預(yù)測很多的一些算法，包括分類、推薦、文本類的算法。根據(jù)你自己企業(yè)的數(shù)據(jù)做一些探索，探索完以后基于自己的數(shù)據(jù)來測試自己的模型是否建的很好。
這里面我就講一個很有意思的案例，我們最早跟運營商做的比較多的案例，比如離網(wǎng)預(yù)測。大家經(jīng)常用手機，最早的用手機的時候你會發(fā)現(xiàn)經(jīng)常會收到一些短信，比方說經(jīng)常不用手機的時候，經(jīng)常會收到運營商的短信或者是電話回訪，給你推薦一個充值包、流量包，給你一些東西。這里面其實用到大量的機器學(xué)習(xí)，前幾年我們給運營商做的時候，根據(jù)你的行為分析包括你自己打電話的頻率、打電話的次數(shù)，來給你做一個客戶畫像，來預(yù)測你下個月是否不再用這個運營商，或要更換運營商了。
通過這個分析完以后，運營商會知道你即將有可能會離網(wǎng)，比方說從移動到聯(lián)通去了，根據(jù)你的通話記錄慢慢變少了，根據(jù)你的關(guān)系網(wǎng)絡(luò)，比方說你的親戚朋友、家庭里面全是用的移動都到聯(lián)通去了，你可能就有離網(wǎng)的風(fēng)險，他會跟你推送一些套餐、優(yōu)惠券，這就是典型的離網(wǎng)關(guān)懷預(yù)測分析的，它是通過一些機器學(xué)習(xí)來做的。
機器學(xué)習(xí)我們在制造領(lǐng)域用的比較多的，就是一些故障、預(yù)測，收集了很多傳感器。你知道傳感器信息來做一些統(tǒng)計，來預(yù)測哪些東西將會有一些故障。其實我們?nèi)A為是制造企業(yè)，預(yù)測性維護這一系列我們是做的比較多的。這是機器學(xué)習(xí)大家可能理解比較多的事情，包括這里面還有一些我們給他做一些欺詐檢測這些都做了，包括關(guān)系分析，這里面有。包括原來我們給太保做的機器學(xué)習(xí)的東西，太保里面就是一些車險反欺詐檢測。憑借華為人工智能的能力，包括我們共有云圖計算的能力，來及時的鎖定可疑保安，并有效的串聯(lián)相關(guān)的案例，來挖掘犯罪團伙舉證，來做一些關(guān)系網(wǎng)絡(luò)分析挖掘。
在用機器學(xué)習(xí)還可以做一些精準(zhǔn)營銷，大家如果是用的華為手機你們可以發(fā)現(xiàn)，其實手機里面有一些我們內(nèi)部的電商，包括我們在手機APP應(yīng)用的推薦，這里面有很多推薦的東西，我們做了好多的推薦模型。包括里面的猜你好玩一些模型，包括首頁、關(guān)聯(lián)、廣告、分類、新奇好玩、猜你喜歡、本地?zé)衢T，這塊***步就是要做一些客戶畫像，目前因為我們?nèi)A為終端的畫像比較多，因為大家用的比較多。
這個畫像可能就是維度就比較高了，可能有百億維，然后基于這個畫像做一些水平擴張，隨著數(shù)據(jù)量大了以后?；谀愕挠?xùn)練要做一些模板的定制，支持一些推薦的業(yè)務(wù)，也要做一些模型更新，支持分鐘級和秒級的模型更新到你的手機、個人用戶上面去。目前的話這個搜索推薦下載率可以提升很高，比以前推薦的很高，包括我們每天轉(zhuǎn)化率也是很大的，這是終端很大的一個收入來源。
講完機器學(xué)習(xí)的話，我們再講一下深度學(xué)習(xí)能做什么，深度學(xué)習(xí)其實剛才說了，深度學(xué)習(xí)在哪幾個領(lǐng)域應(yīng)用的比較好?就是圖像識別、語音、自然語言相關(guān)的，包括一些認(rèn)知領(lǐng)域相關(guān)的，其實是用的比較好的。
我舉個例子，華為在用深度學(xué)習(xí)做了一個什么呢?我們?nèi)蚣夹g(shù)服務(wù)是很大，我們?nèi)A為每年要給很多的人做一些全球技術(shù)服務(wù)、維護，驗收?；具@類業(yè)務(wù)一般都是一些外包員工去做勘測與驗收，但這個時候你很難要求外包員工保質(zhì)保量的幫你做驗收和勘測，會導(dǎo)致一個很大工程的浪費，他勘測的不準(zhǔn)，我只有多做余量。
從前年開始我們就想能不能通過人工智能的方法，提升這種效率，所以我們當(dāng)時就開始做用圖像識別的方法，幫助外包員工做勘測的準(zhǔn)確性。類似于他在上站之前，他要穿一些安全帽，拍個照片你就知道他有沒有拍，要做審核。上站以后你發(fā)現(xiàn)光模塊有沒有擦好，線有沒有連接，拍個照片就知道，有沒有按照合規(guī)去做。
目前這塊勘測的準(zhǔn)確率就很高了，原來靠人為。我們統(tǒng)計完以后覺得原來靠人的話只有50%的準(zhǔn)確率，現(xiàn)在全部拿手機去拍，這種審核效率挺高，包括勘測有多少是公開的，這些完全能夠達到99%以上，所以整個的勘測效率至少提升了6-9倍，整個勘測的精度、誤差就會小很多。這樣的話我們省和很多的人力和物力和錢，這是一個用深度學(xué)習(xí)做圖像識別的比較典型的例子。
還有一些企業(yè)用深度學(xué)習(xí)做什么呢?比方說做環(huán)保的，環(huán)保局用智能學(xué)習(xí)，搞個攝像頭盯在那里，他希望能故障報警，排污排的冒黑煙了，不可能讓人去看，這時候深度學(xué)習(xí)就會發(fā)揮很大的優(yōu)勢。深度學(xué)習(xí)把圖片收集起來做一個分類就可以做的很好，一旦冒出來的煙變黑了，就可以快速產(chǎn)生報警提醒。這是深度學(xué)習(xí)用的比較多的場景，其實這一類場景最主要還是要貼近業(yè)務(wù)去思考，業(yè)務(wù)在看有沒有方法這個領(lǐng)域里面有沒有可能用一些基于深度學(xué)習(xí)來做的一個事情。
深度學(xué)習(xí)講完以后我們介紹一下強化學(xué)習(xí)，強化學(xué)習(xí)其實大家知道最多的就是AlphaGo，能跟人下圍棋。那個強化學(xué)習(xí)商業(yè)價值不大，現(xiàn)在強化學(xué)習(xí)用的比較多的，我們做了幾個比較大的一個強化學(xué)習(xí)領(lǐng)域的探索和突破，包括我們現(xiàn)在給深圳交警做的信號燈控制。信號燈控制如果要做的好的話，大家可以想有一個交警站在那里指揮信號燈，那吞吐量是***的。但現(xiàn)在的信號燈控制都是一些定時的，設(shè)定多少秒就是多少秒。
強化學(xué)習(xí)的方法就是他會感知這個環(huán)境的變化，來不斷調(diào)整他的決策鏈，這就是強化學(xué)習(xí)最基本的理念。我們是通過攝像頭和傳感器收上來的車流信息，包括你等待空間有多少，不同地根據(jù)車流信息不同地調(diào)整，每10秒鐘調(diào)整一次信號燈的相位，信號燈等待時長。這樣的話就可以做到吞吐量提升，就類似于強化學(xué)習(xí)的訓(xùn)練出來的智能體就好比一個交警站在那里去指揮交通一樣的。
但不同于交警，計算機的優(yōu)勢是在于它不只是看一個路口，他可以多路口協(xié)同調(diào)度，那這就是強化學(xué)習(xí)可以做到很好的調(diào)度。目前我們試點的深圳交警整個流量吞吐率至少提升30%，多路口協(xié)同調(diào)度率的話可以提升10%以上。
還有一個強化學(xué)習(xí)大家可以理解的，就是高耗能領(lǐng)域里面做了一些，包括一些水污。類似你做污水治理的，每年在耗電量是全國的1%。他們現(xiàn)在的耗電量主要在鼓風(fēng)機、攪拌池里面。如何根據(jù)環(huán)境因素自動的調(diào)節(jié)鼓風(fēng)機或者含氧量去排放，來做到能耗***。其實這是一個強化學(xué)習(xí)能發(fā)揮的***領(lǐng)域，他會根據(jù)你目前的水質(zhì)含量來自動調(diào)整他的進風(fēng)口和鼓風(fēng)機的轉(zhuǎn)速，來降低它整個耗電量。目前我們基于已經(jīng)在驗證的情況下，我們可以把這個能耗直接節(jié)省10%，現(xiàn)在還在做測試。
這些收入是很可觀的，這是強化學(xué)習(xí)自動控制領(lǐng)域比較大的。在數(shù)據(jù)中心里面也是比較多的，數(shù)據(jù)中心領(lǐng)域每個機架發(fā)電量不一樣的，那如何調(diào)整整個空調(diào)的吹風(fēng)和吹風(fēng)方向和風(fēng)速，來做到整個數(shù)據(jù)中心溫度保持在一定范圍?這樣的話其實可以降低15-45%的電，因為數(shù)據(jù)中心里面耗電量是空調(diào)制冷耗電量是很大，所以這一塊我們也跟數(shù)據(jù)中心在做類似的東西。 還有一些外界在做的一些，包括金融領(lǐng)域的交易，還有一些其他的領(lǐng)域。強化學(xué)習(xí)在人工智能里面最近一兩年會是一個比較大的方向。
講完平臺以后我們再講一下通用領(lǐng)域的AI，通用領(lǐng)域的AI大家可能都比較清楚了，包括一些文本識別。那文本識別就類似于你手上有很多的單據(jù)、文本，那怎么把這些文本快速錄入到你的系統(tǒng)中，這里面就有一些難度，包括純文本現(xiàn)在用的比較多的是你用的一些名片掃描、名片錄入，這是很簡單的，做的比較多了。但是有一些大量的表格文本就很麻煩了，現(xiàn)在基本上是不成熟的。
7. 華為的探索和實踐
華為在這塊我們也做了很多的探索和實踐，我們目前在共有云上已經(jīng)提供了一個單據(jù)識別的服務(wù)。為什么要做這個事情?是來源于華為內(nèi)部的一些需求，華為在物流里面每年有很大量的單據(jù)量。每年在海關(guān)報關(guān)的時候，他有很大的量需要做一些單據(jù)識別，我們在這個里面做的時候，原來靠人工輸入很復(fù)雜，也耗人力。當(dāng)時物流部找到我們以后，希望我們通過人工智能能快的幫他錄入。
現(xiàn)在我們已經(jīng)針對它的場景，他有復(fù)雜的單據(jù)、表格。我們經(jīng)過一兩年的時間，我們基本上把這個功能都克服了，目前整個在一些推廣，中英文的基本上都覆蓋完了。每年十幾萬的單據(jù)都是通過一些自動錄入來做的。目前華為共有云也提供類似的API的服務(wù)，這個是單據(jù)的識別，這個是文本類的識別。
還有一些內(nèi)容審核的服務(wù)，內(nèi)容審核服務(wù)包括業(yè)務(wù)上傳，這是互聯(lián)網(wǎng)里面比較要有的。還有一個清晰度檢測，有些時候你會發(fā)現(xiàn)，舉個很典型的例子，你出事故了，大家都會開車，初事故的時候交警會過來拍攝一下圖片上傳，你車出現(xiàn)的問題是什么，然后拍一些圖片上傳。
有些時候你會發(fā)現(xiàn)上傳的質(zhì)量不好怎么辦呢?那就重拍，這就會導(dǎo)致很多的事情。這地方就需要做一些事情，如果他上傳的過程中能夠自動告訴你這個上傳質(zhì)量不好，上傳內(nèi)容對不對，就會減少后面的一些問題。所以我們在內(nèi)容審核里面我們業(yè)提供清晰度檢測的一些服務(wù)，包括我們現(xiàn)在給我們自己供應(yīng)鏈也在做的，會有POD的單。收POD簽收的時候，他會拍照。拍完以后***步要檢測它是否是這個POD，第二步他拍的清不清楚，第三個要把一些POD要旋轉(zhuǎn)、拉正，然后再保存?；旧衔覀?nèi)詣踊腥斯ぶ悄軄碜隽恕?/p>
這個在共有云上也有一個服務(wù)提供出來，這是圖像類的，還有一些圖像識別，以圖收圖、圖片標(biāo)簽、圖片分類。這個是我們現(xiàn)在給我們自己終端做的，類似于手機相冊里面做分類，這個就是很簡單的圖片分類的模型。
還有一些人臉，人臉目前主要還是在做人臉識別，這個大家比我們都更清楚，因為網(wǎng)上宣傳的比較多了。還有智能問答類的，問答其實分三類，一個是我一問一答，我有固定的問題對。還有一個任務(wù)型問答，我要做一次任務(wù)，比方說你要給我做一些自動控制，比方說你關(guān)空調(diào)、開空調(diào)，或者是關(guān)門、關(guān)窗，類似于這樣的任務(wù)型問答，或者是你問他天氣怎么樣，這是類似于特殊任務(wù)型問答。還有一種是知識型問答，問什么他都能回答出來。
基于前面問答一問一答或者是任務(wù)型問答，這是在企業(yè)里面用的很多的。我們共有云上面我們也會提供任務(wù)型問答的東西，這里面會集成很多自然語言的一些東西進去，因為他要做一些語義意圖理解。我們現(xiàn)在正在給華為內(nèi)部的一些智能客服應(yīng)用，包括共有云SRE問答等，等他們集成完以后驗證通過以后在共有云上會開放出來。這是問答類的，就是語義、自然語言相關(guān)的。
還有一些我們會在華為共有云上做一些行業(yè)的解決方案，包括做一些物流相關(guān)的，我們提供一些物流解決方案有很多，包括智能裝車。物流解決方案源于哪個基礎(chǔ)有積累呢?華為的物流是很大的，每年耗10億美金在做物流，物流里面車都是承包商的。
這里面我們原來做了很多，幫他做一些優(yōu)化，因為華為有很多箱子，一車貨的時候，他有好多的物料要裝。那怎么把車箱子的物料裝的更滿，這就減少很多的成本。這里面我們專門給我們的供應(yīng)鏈做了一個優(yōu)化的算法，這塊在工業(yè)云上業(yè)提供了。就是說，我們支持多點提貨，多個箱子、不同箱子多車的提貨，然后多車的編排這都有。
另外還有一些路徑的規(guī)劃，我們給一個醫(yī)藥企業(yè)在做的，他會派送和收單的方式，比方說他在武漢他有一車貨定單，要怎么送給各個藥店，然后從又從各個藥店進行收貨，那這個車的路徑規(guī)劃，怎么做?怎么去編排，規(guī)劃路徑等。目前我們做的效果是提升15-30%的效率，所以目前他們已經(jīng)在集成在使用了，這是路徑規(guī)劃。另外包括倉儲的提貨的、減貨路徑的規(guī)劃，這都是圍繞物流相關(guān)的，這都是有很多的實踐。
另外我們還有一些其他領(lǐng)域應(yīng)用也在做，這一塊包括一些提保險、金融行業(yè)我們做一些交易風(fēng)控平臺，還包括一些推薦的平臺，也會開放出來。 推薦平臺會在共有云3月底開放給大家使用?；旧衔覀冋麄€華為這些服務(wù)都會逐步的開放起來，我們后續(xù)會沿著這個服務(wù)框架會把這些發(fā)布大量的服務(wù)，歡迎大家使用，也歡迎合作方在這個平臺上貢獻他們的服務(wù)，共同來建設(shè)華為云企業(yè)智能應(yīng)用生態(tài)。
***我總結(jié)一下不同場景的企業(yè)怎么去選，人工智能在哪里領(lǐng)域可以發(fā)揮優(yōu)勢?其實在企業(yè)的話可能面向于幾個方面思想，***個是勞動密集型，比方說你在哪些領(lǐng)域是勞動力特別多的。第二個你在專家經(jīng)驗和數(shù)據(jù)比較復(fù)雜的。第三個自動控制方面的，你就想你在這些方面怎么做效率提升，可以從這些角度想。
