思维之海

——在云端，寻找我的星匙。

人工智能小讲座简述

In
  • 了解人工智能技术的基本内容
  • 现有领域中如何应用（非常规的实现，如数据的深度挖掘）
  • 共同构建在产品设计、制造优化中的应用

知识图谱

  • 决策【增强学习】
    • 算法辅助人工决策
      • 机器学习+专家系统螺旋式上升
  • 知识【知识图谱、贝叶斯网络】
    • 推断预测，分析归因
      • 多维优化，数据可视化
  • 信息【自然语言处理】
    • 机器阅读文本
      • 异常识别
      • 利用NLP从资讯生成投资报告
  • 数据【机器学习、深度学习】
    • 辅助发现关联性（非结构化数据）
    • 时间序列的模式匹配
    • 阿里公安大脑（POI的现实版）
  • 物联网【卷积神经网络】
    • 混沌效应（关键物体）
    • 感知智能

More： 游戏AI，个性化3D服装匹配$\longrightarrow$个性化服饰推荐系统，医学辅助诊断，监督学习式AI教育……

范畴简述

  • AI
    • 符号主义$\longrightarrow$专家系统$\longrightarrow$知识图谱（保真联想）$\longrightarrow$认知智能$\longrightarrow$感知智能【视听味触嗅等】（潜联想）
  • 软件开发
    • 面向对象（初等联想，基础实界生成）
  • 数学$\longleftarrow$物理（宏观、微观）
    • 方差$\longrightarrow$贝叶斯$\longrightarrow$马尔可夫（局部性假设）
  • 哲学
    • 毕达哥拉斯（数化）$\longrightarrow$苏格拉底$\longrightarrow$柏拉图$\longrightarrow$亚里士多德（形式逻辑）【演绎，保真】
    • 中式思维【辩证，不定联想】
  • 历史blablablabla……
  • 佛学
    • 空，0

应用场景

  • 状态优化【节点图】
    • 过程优化
    • 布局优化
  • 异常检测、预测运维
  • 计算机视觉
    • 空间测量
    • 空间建模

多任务的资源最优选择。

  • 任务$\longrightarrow$画像$\longrightarrow$搜索$\longleftrightarrow$布局$\longleftarrow$模板$\longleftarrow$元素。

AI赋能企业

爱智慧简介

  • 华为$\longrightarrow$爱智慧，金融$\longrightarrow$多行业化
  • 专注人工智能（计算机、数学）
  • 深圳市高新技术企业

人工智能：

  • 感知（商汤、科大讯飞……）
  • 认知
  • 自动驾驶

——————统一框架——————

统一框架

具体算法

Pareto优化

多目标优化。

背景：九家物流供应链巨头成立合资公司，需要兼顾九家股东利益。

  • 海外工厂、仓储，清关，国内工厂、仓储，零售，消费者。

使用帕累托最优。（资源分配的一个最基本要求；提高效率）

  • 资源分配可视作一个市场（资源：人、资金、货物……）

  • 设置多个目标函数（九家公司的利益，min、max、不等式……）

    确定多个约束函数（一些参数关联，系统中固有的等式、不等式……）

  • 在约束一定的情况下，找到一个状态，在这种状态下，增加任何一个目标，都会造成其它目标的损失

    （ 帕累托改进：通过改变而使得某一方的福利提高，而没有任何其他一方的福利受损。）

  • 充分利用遗传算法

金融领域的应用

基金收益率排序：按目标函数（区间收益率）排序$N$

影响因素排序：根据多因子，生成多个排序序列$S_i$

——计算序列相似度，选择出最相关、最重要的因子。

粗糙集将股票间的优劣关系通过每只股票的Si的优势类[Si]体现出来。

利用相关性的离散排序：实质就是搜索算法的PageRank（TF-IDF指标）

GP算法

基于单类分类高斯过程（密度）异常序列检测OCC_GP。

目标：尽可能早地发现数据流的异常$\longrightarrow$尽可能早地预警。

难度：

  • 高维度，小样本
    • 软件工程，程序调试能力（边界情况的预测）
  • 异常类的样本常常很难获取，缺少负例（失败）样本
  • 自适应？
  • 如何利用专业的领域故障分析能力解释结果？

核心：【优化函数】基于4种高斯和函数。（混合高斯：就是叠加的正态函数）

  • 本质：函数变量f的任意组合，服从均值为0的高斯联合分布$p(f|X)=N(o,K)$。

高斯过程GP算法【分类】：

  • 高斯过程即正态随机过程，具有灵活的非参数特性，对预测结果进行有效估计。
  • 基于贝叶斯方法和训练数据来求出高斯和函数的参数（参数估计，同时利用EM算法迭代优化）。
  • 先验传递（转移）

思路：（如图）

时序异常检测

  • 参数离散化，构建样本空间
  • 绘制时序参数包络线
  • 分析异常

一些小问题：

  • 值的归一化（逻辑回归）$\longrightarrow$导向分类问题
  • 包络线与时间序列位置相关，可能要利用（隐马尔可夫建模，以及模式识别的定位）
  • 如何度量不确定性（检测的粗糙度）

发射任务：

  • 恒定路线预测
  • 多路径预测

HTM算法

层级时序存储器算法（Hierarchical Temporal Memory，HTM），皮质算法。

  • 模拟人体大脑新皮质层（noecortex）
  • 时空数据流建模
  • 持续学习（Online）幵依赖于储存的大量模式序列
  • 自调节$\longrightarrow$（新常态？）
  • 主要是检测波动式异常

长期序列高斯分布（基准函数），短期序列高斯分布（异常检测函数）。

  • 若检测到短期异常，还需要验证假阳性
  • 需要调参：短期窗口大小的选择（颗粒度）

分布序列预测

多个分支序列（映射到布隆过滤器？）。

  • 设置多个分支的误差函数（如方差），如果方差过高就异常。
  • 也可以计算两个序列的联合概率异常加权得分。
  • 多个联合相关性模型（短期异常压缩）【高斯协方差核函数】
    • 合并在时间上接近但不完全一致的分支异常

相似模式识别？（比如，设置一个短期窗口的相似哈希队列）

  • 一个混合的序列可能还需要基函数分解（如，Fourier解析。需要专业知识，必须要知道基函数）

（领域知识的应用）

两类任务：

  • 时序$\longrightarrow$匹配、预测
  • 平面数据（不带时序）$\longrightarrow$数据应用

模拟退火算法

（嵌套多约束条1件。）

数学模型：玻尔兹曼目标函数

使用Metropolis接受准则。

例如：C指代了多个约束——6个约束函数。设计总成本函数。

知识图谱/思维导图

即（一阶）联想图。

树结构？最常用。

  • 降低新知识的搜索深度
  • 保留全面性

对于非层次的复杂联想图，知识图谱的表达能力相当有限。（SPARQL）

  • 只保留核心联想（保真联想）

现在没有一个有效的算法来生成联想。

当前知识图谱中所有的联想必须人工生成。

但可以基于给定的幻想生成元和一定数量的联想规则，利用NLP基于文献快速生成知识图谱。

机器学习算法分类系统

可采用知识图谱+四象限法。

  • 无监督学习
  • 监督学习
    • 分类
    • 回归

视觉算法

单孔相机成像原理

成像坐标系映射：

  • 图像物理坐标系$\longrightarrow$像素坐标系$\longrightarrow$相机坐标系$\longrightarrow$世界坐标系。

考虑因素：径向畸变和切向畸变。

应用

测量身体尺寸（$<1cm$）。（采用低成本紧身衣表面印制编码图【特征点】，利用计算机视觉还原立体尺寸，利用人体测量学，样条插值，最小二乘法，初期校正系统……）

数字孪生：游戏动态捕捉技术？

以上。