数据准备数据准备是非常重要的一个环节数据准备在现实准备中，面临着各种问题（数据采集难，数据质量差，数据冗余性大，标签少，数据分析难，人工采集成本大等）数据准备不仅重要，且花费工作量非常大，往往在项目开发中，数据相关的工作量占据80%，算法模型准备占据20%ModelArts在数据管理方面提供了一系列智能化数据服务，大大降低开发成本，提高开发效率1，数据采集（数据采集是开发人工智能应用时面临的首要问题）数据采集涉及，图像，视频，音频，结构化表格数据及环境信息等，对于实际应用和模型而言，数据越大越丰富，算法所达到的效果就越好（没有好的数据集，再好的算法，也达不到预期的效果），对深度学习而言，数据量越大，模型表现越好。数据采集的方法可分为几种  1，终端设备采集 （摄像头，无人机，移动设备等）2，网络数据采集（合法合规的情况下，自动捉取数据） 3，基于搜索的数据采集（从已有的数据库中搜索出类似的图像）2，对于大企业大规模数据的体现 1，数据来源具有分散性 2，数据储存具有多样性3，数据具有多模态属性 4，数据采集具有较强的业务相关性数据接入 （批量接入，实时流接入）对于已经采集好的数据，要进行大规模的进行分析，建模，则需要将数据接入应用开发平台上。批量接入，华为CMD，云数据迁移（一键式将数据在不同的存储之间做平滑迁移）实时流接入，华为 DIS，数据接入服务（一键式将数据迁移到云上）DLI，数据湖探索（对接不同数据） DWS 数据仓库服务 DDS文档数据库服务OBS对象储存服务（稳定、安全、高效、易用的云存储服务，具备标准Restful API接口，可存储任意数量和形式的非结构化数据）OBS在ModelArts实战开发环节中经常使用OBS资源是服务中存在的对象。在OBS中，资源包括桶和对象，可以在创建自定义策略时，通过指定资源路径来选择特定资源

人工智能已经有70多年的历史，三个学派，符号主义学派，联结主义学派和行为主义学派，人工智能已经在很多产品和商业场景中国发挥了巨大的作用，如语音识别，人脸识别，机器翻译，数据分析等。人工智能应用特点 灵活性，性能（高效，功耗低，内存小，成本低），鲁棒性，公平性，可解析性，安全性人工智能应用的商业化场景，自动驾驶，语音助手，智能制造业，医疗，地理，天文，金融，数字政府等1956年夏季，John McCarthy、Marvin Minsky、Claude Shannon等人在美国举办的达特茅斯会议上首次提出了“人工智能”的概念。这是人类历史上第1个有真正意义的关于人工智能的研讨会，也是人工智能学科诞生的标志，具有十分重要的意义。人工智能概念一经提出，便收获了空前的反响，人工智能历史上的第1股浪潮就这样顺理成章地形成了，该浪潮随即席卷全球。当时，普通大众和研究人工智能的科学家都极为乐观，相信人工智能技术在几年内必将取得重大突破和快速进展，甚至预言在20年内智能机器能完全取代人在各个领域的工作。1973年《莱特希尔报告》的出现将其终结，该报告用翔实的数据明确指出人工智能的任何部分都没有达到科学家一开始承诺达到的影响力水平，至此人工智能泡沫被无情地戳破，在人们幡然醒悟的同时，人工智能历史上的第1个寒冬到来，人们对人工智能的热情逐渐消退，社会各界的关注度和资金投入也逐年减少。20世纪80年代，专家系统（Expert  System）出现又让企业家和科学家看到了人工智能学科的新希望，继而形成人工智能历史上的第2股浪潮。

【摘要】 modelarts自发布以来，不断地更新增加新的功能来为AI工程师们带来新的服务，在这次的全联接大会上EI服务产品部总经理贾永利宣布——华为云AI重装升级，并重磅发布一站式AI开发管理平台ModelArts2.0。贾永利表示，“2019年华为完成从芯片到软件的全栈AI能力集结，华为云AI重装升级。通过技术创新，我们希望为AI开发带来全新体验，一方面大幅降低初学者的门槛，让更为广泛的AI初学者群体和庞大的软件开发者群体都能快速掌握AI技能，把AI用起来；另一方面显著提升专业AI开发者的效率，让算法工程师、数据科学家们聚焦基础核心的算法研究与创新，释放他们无限潜能。  ”新的版本带来更智能的服务modelarts2.0其拥有十余项新特性及服务，包含智能数据筛选、智能数据标注、智能数据分析、多元模型自动搜索、ModelArts SDK、图神经网络、强化学习、模型评估/诊断、模型压缩/转换、自动难例发现、在线学习等，覆盖AI模型全生命周期。自动化AI数据处理ModelArts2.0通过智能数据筛选，用AI的方式自动过滤和筛选出对训练模型无效的数据。以视觉类场景为例，失焦、过度曝光图片往往不能参与标注；从业务场景上看，有些不符合要求的也不能参与标注。华为云将业界传统的主动学习进行升级，首次提出混合智能标注技术，可以让标注效率获得至少5倍以上的提升。除了自动标注，ModelArts2.0还将上线数据评估与诊断功能，目前已经提供基于样本质量特征、图像全局属性、标注特征20种左右的特性的自动提取和可视化能力，帮助开发者识别数据的深层关系，指导开发者对数据进行优化。业界领先AI模型训练独创的多元搜索技术，将自动数据增强、超参自动搜索、神经网络架构搜索等技术进行融合，可以帮助用户快速构建AI模型，并且在精度表现上远超业界水平。开放ModelArts SDK，支持集成第三方开发环境(例如PyCharm)，为企业级应用打通开发流水线，供开发者按需灵活调用云上强劲算力，支持线上线下协同的开发环境。针对更加专注于数据建模和问题解决的资深算法工程师和数据科学家，华为AI计算框架MindSpore 提供自动化的并行能力，只需简单几行描述就可以让算法跑到几十乃至上千AI运算节点上。提供强大的自动微分能力，从源码级别帮助实现微分算子的自动开发，极大释放专家们的创造力。完备的AI模型管理对于算法开发人员来说，对模型性能的评估以及调优是一项重要且难度极高的工作。ModelArts2.0提供了丰富的模型评估接口和可视化能力，并且能够基于评估结果给AI开发者提供模型诊断建议，辅助开发者对模型进行调优和增强。持续进化AI模型推理ModelArts 2.0业界首发难例自动发现功能，结合在线学习方式，打通运行态和开发态，让模型随着数据的增长和变化，也可以在线持续学习和进化，真正提供企业级的可进化的AI。该功能已经率先在华为云自动驾驶云服务Octopus上试运行。华为云AI重装升级，ModelArts2.0性能飞跃从2012年到现在，人工智能计算的能力增长了30万倍，同时期的芯片性能提高了30倍左右，这远远超过了摩尔定律。但仍然难以满足以指数级增长的AI算力需求，这对于计算体系结构也提出了挑战。在实际的开发工作中，AI对于算力的需求可以说是无止境的。换句更容易理解的话来说，就是AI应用落地最大的挑战是识别度、准确度不高，想要提高AI模型就需要更高的算力支撑。为了给开发者提供充裕经济的算力，9月18日，华为副董事长胡厚崑在华为全联接大会上发布了基于Atlas 900的华为云EI集群服务，以解决当前业界算力稀缺的问题。作为全球最快的AI训练集群，华为云EI集群服务代表着目前全球的算力巅峰。据悉，华为云EI集群服务巅峰算力的背后，是华为工程师们用集体智慧实现从底层硬件到软件构架全栈优化。而ModelArts2.0能够支持华为自研的世界最快AI集群——Atlas 900，训练速度业界第一。业界普遍认为，AI是一项通用目的技术。这意味着，所有行业都有可能被 AI 带来的技术与理念所重构，这是技术进步带给产业的全新机会。作为贯通AI底层架构与AI基础能力的开发平台，ModelArts肩负着使能各行业AI开发流程与生态搭建的平台使命。基于ModelArts 2.0，普通用户都可以以极低成本训练一个模型，企业级开发者可以一站式完成复杂模型的训练与部署。实际上，拥有超强功能的ModelArts 2.0可以说是华为云在AI领域的先锋解决方案，也是华为云全栈全场景AI能力升级的一部分。在普惠AI这条赛道上，华为云正快速奔跑。依托华为全栈全场景的AI能力，相信华为云未来也将带来更先进的AI技术，使能千行百业。

还在为花时间安装配置编译环境苦恼？还在为购买开发板/GPU犹豫不决？一个提供给开发者的多语言类集成开发环境HiLens Studio横空出世，为你扫清一切烦恼，打造你梦想中的AI开发平台！初识HiLens StudioHiLens Studio 是华为HiLens平台提供的云侧集成开发环境及HiLens Kit模拟器。具备纯云侧集成开发、模拟运行的能力，并可将技能部署至HiLens Kit端侧设备上。开发者也可以在HiLens Studio中发布技能到华为HiLens平台的技能市场，共享给其他用户。为什么使用HiLens Studio开发技能无需环境搭建，纯云侧开发环境支持纯云的开发及调试、无任何本地安装、搭建过程。开箱即用的AI应用开发云侧强大IDE，集成代码编辑、调试、编译、模拟、部署和发布全流程功能，端到端完整支持开发和运维。端云统一开发框架，一键部署云侧通过开发框架HiLen Framework进行数据接入、数据处理和模型推理，接口简易。完成技能开发后，一键部署到Ascend 310端侧设备上运行。内嵌模拟器，支持多模态应用开发对开发中的技能代码进行模拟输出，无时延体验真实硬件处理效果，支持处理音频、视频、图片多模态数据。无缝对接云服务，便捷调用对接华为云ModelArts AI开发平台，整合OCR、NLP等多模态服务API，并统一管理SDK及API版本，方便开发端云协同的AI应用。入门级技能模板，快速上手提供Python、C++版本的多个技能模板，包含模型与逻辑代码可供AI开发者参考，点击运行便能立即看到技能输出效果。节省硬件开发成本，方便移动办公没有端侧设备也可以完成开发，且支持多人共享同一个Ascend 310设备，节省费用。纯云侧开发，方便移动、在家办公。还等什么？点击这里，告诉你如何申请HiLens Studio公测！如何使用HiLens Studio1、创建项目创建新项目，或者直接打开已有项目。创建新项目时，您可以选择技能模板，包含了模型、逻辑代码、测试数据和使用说明，方便您快速上手。2、代码编辑及调试−  内置转换工具，便捷模型转换−  编辑逻辑代码，完成技能开发    通过调用HiLens Framework接口，大大提升开发效率。−  进行代码调试    Studio中提供了代码调试、代码错误检查、一键编译、日志查看等常用工具，让您的开发流程更便捷。3、模拟技能输出−  上传数据     上传视频、图片等测试数据，或直接使用预置测试数据。−   模拟     运行技能，在模拟器中将模拟技能的输出，模拟器与真实HiLens Kit环境几乎一致，您可以在云上完成AI技能开发全流程。4、安装/发布/管理技能−   安装到真实设备运行     完成技能开发后，一键安装技能到HiLens Kit上运行，您无需再进行适配操作。 −   技能的发布、管理和运维转自【云小课】EI第12课 HiLens Studio横空出世，打造梦想中的AI开发平台-云社区-华为云 (huaweicloud.com)

在训练模型后，用户往往需要通过测试数据集来评估新模型的泛化能力。通过验证测试数据集上的平均损失，可以评估模型对未知数据的预测能力。模型评价指标是评估模型泛化能力的标准，不同的指标往往会导致不同的评判结果。ModelArts模型评估/诊断功能针对不同类型模型的评估任务，提供相应的评估指标。在展示评估结果的同时，会根据不同的数据特征对模型进行详细的评估，获得每个数据特征对评估指标的敏感度，并给出优化建议。模型评估/诊断功能帮助用户可以全面了解模型对不同数据特征的适应性，使得模型调优可以做到有的放矢。当前模型评估功能覆盖图像分类、物体检测和图像语义分割三大场景，快来看看如何使用模型评估功能吧~图像分类图像分类评估指标说明物体检测物体检测评估指标说明 图像语义分割图像语义分割评估指标说明 调用模型评估接口了解评估结果ModelArts提供了“analyse”接口，用于模型评估。用户在推理结束后，传入指定参数调用该接口即可获取评估结果。> analyse(task_type=‘’,pred_list=[]，label_list=[],name_list=[],custom_metric=‘’,label_map_dict=‘’)参数说明参数是否必选说明task_type是任务类型。支持“image_classification”或“image_object_detection”参数值。 “image_classification”表示图像分类。 “image_object_detection”表示物体检测。pred_list是模型预测输出列表。label_list是所有图片的标签列表。name_list是所有图片对应的OBS路径。此处需使用绝对路径。custom_metric否用户自定义的指标。label_map_dict否标签索引和名称。如果不设置，系统默认使用{“0”: “0”, “1”: “1”, “2”: “2”, …}作为展示标签。 示例：{“0”: “dog”, “1”: “cat”, “2”: “horse”}更多接口介绍详见模型评估接口，更多代码示例详见模型评估代码示例，更多帮助参见模型评估优化建议~

一、决策树算法简介决策树算法是机器学习的经典算法之一，产生于上世纪六十年代，当下主要分为ID3算法、C4.5算法以及CART算法。ID3算法和C4.5算法核心思想均为通过计算样本信息熵进行分类，两者的区别在于ID3算法基于信息增益作为特征选择的指标，而C4.5则是基于信息增益率作为特征选择的指标，本例中使用ID3算法进行分类。CART算法则是使用基尼指数作为特征选择的指标。二、ID3算法的基本思想ID3算法的核心是统计学中信息熵的概念，通过计算信息熵来判断该数据样本的“纯度”，信息熵越大，数据样本越不“纯”，分类需要的数据量就越大。信息熵的计算公式：info(D)info(D)=-\displaystyle\sum_{i=1}^{k} p_i*\log_2(p_i)i=1∑k​pi​∗log2​(pi​)其中p_ipi​是概率下面介绍一下ID3算法的步骤1.计算类别信息熵将所得到的数据集按照类别逐个计算其信息熵再相加，假设在数据集D中有k个类别，且第i个类别在数据集中所占的概率为p_ipi​，则信息类别熵为：info(D)info(D)=-\displaystyle\sum_{i=1}^{k} p_i*\log_2(p_i)i=1∑k​pi​∗log2​(pi​)2.计算每个特征的信息熵将数据集根据某个特征进行分类后，计算该种特征的条件下各种类别的类别信息熵，也称条件熵。假设将数据集按照特征A进行分类，且A有m个类别，则其计算公式为：info_A(D)infoA​(D)=-\displaystyle\sum_{j=1}^{m} |D_j|/|D|*info(D_j)j=1∑m​∣Dj​∣/∣D∣∗info(Dj​)其中的D_jDj​是指数据集的类别在A特征的各个类别下的样本数量（注意数据集的类别和A特征的类别是不同的概念，比如要在一个数据集中判断一个人在某天心情的好坏，好和坏就是数据集的类别，而一天中有一个特征是天气，天气的类别是晴天、雨天和阴天，我们要算的是心情好和坏分别在晴天，雨天和阴天中的分布的离散情况）其他特征的条件熵也是相同的计算方法3.计算信息增益通过前面两个步骤我们得到了数据集的信息熵和属于各个特征的条件熵，根据第二个步骤我先进行的分类再进行信息熵（或者说条件熵）的计算，分类之后数据的混乱程度肯定降低，也就是说条件熵会小于数据集的信息熵，信息增益则是条件熵和信息熵之间的差值，用来衡量使用该特征分类的效果好坏，假设用特征A进行分类，其信息增益公式为：Gain(A)Gain(A)=info(D)info(D)-info_A(D)infoA​(D)通常我们选择信息增益最大的特征作为分类的节点三、基于ModelArts平台实现ID3算法1.数据集来源数据集选用的是AIGallery的表格类型数据集《硬盘故障预测数据集》网址链接：https://marketplace.huaweicloud.com/markets/aihub/datasets/detail/?content_id=1b5d6ec0-adc0-4fdd-b03f-fecad119eab52.sklearn实现模型部署#导入相关库 import matplotlib.pyplot as plt import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn import tree from sklearn.metrics import accuracy_score import time #载入数据集 train_test_set = pd.read_csv("dataset_2020.csv",header=0) data = train_test_set.values #分出标签集和特征集 features = data[::,5::2] lables = data[::,4] features = pd.DataFrame(features) lables = pd.DataFrame(lables) lables = lables.astype("float32") #删去整列都是空值的列 features = features.dropna(axis=1,how="all") #将缺失值用中位数填充 features = np.array(features) for i in range(features.shape[1]): temp = np.array(features)[:,i].tolist() median = np.nanmedian(temp) features[np.argwhere(pd.isna(features[:,i].T)),i] = median features = pd.DataFrame(features,dtype="float32") #分出训练集和测试集 train_features,test_features,train_lables,test_lables = train_test_split(features,lables,test_size=0.33,random_state=0) time_1 = time.time() #选用ID3算法 clf = tree.DecisionTreeClassifier(criterion='entropy', random_state=10, splitter='random', ) clf.fit(train_features,train_lables) time_2 = time.time() print('Training cost:{}s'.format(time_2-time_1)) #预测 test_predict = clf.predict(test_features) time_3 = time.time() print("Predicting cost:{}s".format(time_3-time_2)) #得分 score = accuracy_score(test_lables,test_predict) print("score is {}".format(score)) #学习曲线 scores1 = [] for x in range(4,20): clf = tree.DecisionTreeClassifier(criterion='entropy', random_state=10, #使得每一次生成的树都一样 splitter='random',#分类的特征随机,减少过拟合的可能性 max_depth=x #树的最大深度 ) clf.fit(train_features,train_lables) test_predict = clf.predict(test_features) score = accuracy_score(test_lables,test_predict) scores1.append(score) plt.plot(range(4,20),scores1,color='red',label="max_depth") plt.legend() plt.show() scores2 = [] for y in range(2,30): clf = tree.DecisionTreeClassifier(criterion='entropy', random_state=10, splitter='random', max_depth=18, min_samples_split=y #至少有y个样本才会分枝 ) clf.fit(train_features,train_lables) test_predict = clf.predict(test_features) score = accuracy_score(test_lables,test_predict) scores2.append(score) plt.plot(range(2,30),scores2,color='red',label="min_samples_split") plt.legend() plt.show() #手动调参到目前为止效果最好的参数 clf = tree.DecisionTreeClassifier(criterion='entropy', random_state=10, splitter='random', max_depth=18, min_samples_split=16, ) clf.fit(train_features,train_lables) test_predict = clf.predict(test_features) score = accuracy_score(test_lables,test_predict) print(score) #目前最好的预测得分达到0.78153.部分参数解释tree.DecisionTreeClassifier():criterion：决策树衡量划分质量的方法，默认值为‘gini’（基尼指数），默认值下为CART算法，另外一个可选参数为 ‘entropy’(信息增益),选择此参数为ID3算法。random_state：默认值为 ‘None’，可任意设为一个常数，设为常数时可以简单理解为使得每次运行模型都会得到一个相同的树。splitter：节点划分策略，默认值为 ‘best’(最优划分)，模型会在特征的所有划分点中找出最优的划分点；可选参数有 ‘random’(随机局部最优划分)，模型会随机地在部分划分点中找到局部最优的划分点。'best’适合样本量不大的情况下， 'random’适合样本量比较大的时候,是减少过拟合的方法之一。max_depth:树的最大深度，默认值为 ‘None’,指定模型中树的的最大深度。min_samples_split:内部节点能继续划分所包含的最小样本数，是防止过拟合的方法之一。转自，决策树算法实例操演——基于ModelArts平台（小白机器学习初体验）-云社区-华为云 (huaweicloud.com)

ModelArts为用户提供了多种常见的预置引擎，但是当用户对深度学习引擎、开发库有特殊需求场景的时候，预置AI引擎可能不再满足用户需求。ModelArts底层采用容器技术，您可以自行制作容器镜像上传并在ModelArts上运行。自定义镜像支持自由文本形式的命令行参数和环境变量，灵活性高，便于支持任意计算引擎的作业启动需求。当前ModelArts自定义镜像功能支持以下两种场景：创建训练作业导入模型让我们看看如何在ModelArts中使用自定义镜像创建训练作业和导入模型吧！关联服务介绍使用自定义镜像功能可能涉及以下云服务：容器镜像服务、对象存储服务、弹性云服务器。容器镜像服务：容器镜像服务（Software Repository for Container，SWR）是一种支持镜像全生命周期管理的服务， 提供简单易用、安全可靠的镜像管理功能，帮助您快速部署容器化服务。您可以通过界面、社区CLI和原生API上传、下载和管理容器镜像。ModelArts训练和导入模型使用的自定义镜像需要从SWR服务管理列表获取。您制作的自定义镜像需要上传至SWR服务。对象存储服务：对象存储服务（Object Storage Service，OBS）是一个基于对象的海量存储服务，为客户提供海量、安全、高可靠、低成本的数据存储能力。在创建训练作业和导入模型时往往存在数据交互，您需要的云上数据可以存储至OBS服务。弹性云服务器：弹性云服务器（Elastic Cloud Server，ECS）是由CPU、内存、操作系统、云硬盘组成的基础的计算组件。弹性云服务器创建成功后，您就可以像使用自己的本地PC或物理服务器一样，在云上使用弹性云服务器。在制作自定义镜像时，您可以在本地环境或者ECS上完成自定义镜像制作。在您使用自定义镜像功能时，ModelArts可能需要访问您的容器镜像服务SWR、对象存储服务OBS等依赖服务，若没有授权，这些功能将不能正常使用。建议您使用委托授权功能，将依赖服务操作权限委托给ModelArts服务，让ModelArts以您的身份使用依赖服务，代替您进行一些资源操作。详细操作参见使用委托授权。使用自定义镜像创建训练作业端到端样例可参考最佳实践-使用自定义镜像创建训练作业~1.准备工作完成访问授权的配置，详细操作参见使用委托授权。已在OBS服务中创建桶和文件夹，用于存放样例数据集以及训练代码。2.制作自定义镜像，您可以使用ECS或者应用本地已有的主机进行自定义镜像的制作。    在制作镜像用时，需满足ModelArts定义的规范。自定义镜像中不能包含恶意代码。基础镜像中的部分内容不能改变，包括“/bin”、“/sbin”、“/usr”、“/lib(64)”下的所有文件，“/etc”下的部分重要配置文件，以及“$HOME”下的ModelArts小工具。不可以新增属主为“root”且权限包含“setuid”或“setgid”位的文件。自定义镜像大小不能超过5GB。日志文件输出，为保证日志内容可以正常显示，日志信息需要打印到标准输出。     ModelArts还提供基础镜像用于自定义镜像的制作。基础镜像中有一些必要的工具，帮助用户快速实现代码下载、训练日志输出、上传日志文件至OBS等功能。3.上传镜像至SWR服务。上传镜像的详细操作可参考SWR用户指南。4.使用自定义镜像创建训练作业。使用自定义镜像导入模型端到端示例请参考使用自定义镜像导入模型~1.准备工作完成访问授权的配置，详细操作参见使用委托授权。已在OBS服务中创建桶和文件夹，用于存放数据以及相关文件。2.制作自定义镜像    在制作镜像用时，需满足ModelArts定义的规范。自定义镜像中不能包含恶意代码。自定义镜像大小不超过30GB。镜像对外接口         镜像的对外服务接口需要为8080，推理接口需与config.json文件中apis定义的url一致，当镜像启动时可以直接访问。健康检查接口         自定义镜像需要提供健康检查接口供ModelArts调用，在config.json文件中配置，参见模型配置文件编写说明。日志文件输出        为保证日志内容可以正常显示，日志信息需要打印到标准输出。镜像启动入口        如果需要部署批量服务，镜像的启动入口文件需要为“/home/run.sh”，采用CMD设置默认启动路径。镜像依赖组件        如果需要部署批量服务，镜像内需要安装python、jre/jdk、zip等组件包。3.上传镜像至SWR服务。上传镜像的详细操作可参考SWR用户指南。4.选择从容器镜像导入模型，可参考从容器镜像中选择元模型。5.将模型部署为在线服务。

AI技术的高门槛与落地难是中国应用者面临的最大挑战。如何降低AI应用的技术门槛，如何提供简单易用、便捷高效的落地方案，成为了行业AI应用道路上需要解决的重大课题。ModelArts Pro 是为企业级AI应用打造的专业开发套件，基于华为云的先进算法和快速训练能力，提供预置工作流和模型，提升企业AI应用的开发效率，降低开发难度。使用ModelArts Pro进行AI开发到底有多方便？“云图说”带您了解它的来龙去脉。

ModelArts开学季活动满满的干货，学到了让图片根据视频动起来快来一起盖楼喽换了个小叮当，嘿嘿嘿

随着中国老龄人口比重的增加，老年人的安全问题越发得到广泛关注，据统计80岁以上老人每年跌倒发生率为22.7%，一半以上发生在家里和小区，最危险的场所是卫生间和卧室。2017年由工信部、民政部、卫计委联合发布了《智慧健康养老产业发展行动计划》，在智慧健康养老服务方面鼓励重点发展机构内老年人的跌倒监测、夜间监测等信息化服务。    公共区域老年人的跌倒等高风险行为可通过摄像头进行智能化检测，主动发现危险并救扶。行业常用的AI方案是在摄像头端侧或者边缘盒子、服务器部署AI算力进行检测，可以保证实时性和效果，但仍面临着成本高、部署和运维复杂的瓶颈，在面向全国4.3万家养老机构以及分散的地理位置时部署和运维复杂、成本上升的问题将放大，难以推广复制。华为云ModelArts AI平台联合合作伙伴深圳宇晰科技有限公司、济南中维世纪科技有限公司共同打造端云协同推理架构，提供了从算法到硬件平台的端到端解决方案。用摄像头端侧算力优先过滤掉无人场景，在检测到人的场景时周期调用算法伙伴基于华为云ModelArts平台部署的跌倒检测API进行推理，通过华为云AI平台提供的弹性算力和统一平台运维能力，极大减少了边缘部署方案的复杂度和运维成本，为规模复制提供了架构支撑。该方案已逐步与美地置业、金地物业、上海中侨等企业开展了相关测试。老年人风险较大的卧室及卫生间场所，如果没有适当的监护方案，一旦老人发生风险无法及时发现。方案最大的挑战是保护隐私的前提下实现成本可控的监护服务。红外成像的方案因没有人脸和人身细节信息，能够保护隐私的同时实现监护，但其成本过高，几千甚至过万一路监控对养老机构造成过重的负担而难以推广；人体红外线感应PIR的方案成本低，但受热源、光源等干扰大，误报多，也很难在实际场景中得到广泛应用。华为云HiLens联合济南中维世纪科技有限公司，在较低算力的端侧设备上通过对AI模型小型化措施实现了类红外热成像的效果，在保护隐私的同时把用户成本降低到用红外热成像方案的5~10%以内。华为云ModelArts提供一站式的模型训练、开发、推理服务，助力AI企业和个人快速、简单开发出普惠和安全的AI产品，欢迎大家4月24日-26日到华为HDC AI展台参观、体验，谢谢！#每一个开发者都了不起#作为华为ICT基础设施业务面向全球开发者的年度盛会，华为开发者大会2021（Cloud）将于2021年4月24日-26日在深圳举行。本届大会以#每一个开发者都了不起#为主题，将汇聚业界大咖、华为科学家、顶级技术专家、天才少年和众多开发者，共同探讨和分享云、计算、人工智能等最新ICT技术在行业的深度创新和应用。智能时代，每一个开发者都在创造一往无前的奔腾时代。世界有你，了不起！了解更多华为云AI参会内容，欢迎访问：https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=118119&extra=page=1  

采用华为云ModelArts,一键生成蚂蚁雅黑不得不感慨科技真的强大！