图计算作为人工智能领域前沿技术，正悄然成为产业界，乃至学术界的关注重点。财联社《TMT时报》8月28日讯（记者 郭辉），图计算作为人工智能领域前沿技术，正悄然成为产业界，乃至学术界的关注重点。在产业应用方面，华为、蚂蚁、阿里、腾讯、AWS等公有云、数据库等领域的巨头，正在大步推进图计算的商业化与应用场景探索。《科创板日报》记者了解到，蚂蚁集团早在2015年就开始布局图计算技术，设置了专门研发团队，并在此前联合清华大学，高调发布国内业界首个在大规模图上提供实时服务的图计算平台TuGraph。华为则与华中科技大学进行合作，成立数据中心架构创新中心，推出新型高性能图计算平台图引擎EGS。一级市场近年掀起一股图计算的创业与投资热潮。根据CB Insights数据，过去三年时间国内外共有近15家企业获得了超过20笔融资，其中海外知名图数据库企业Neo4j在2021年6月的F轮融资中获得3.25亿美元投资，成为数据库历史上最大的一笔投资。国内来看，则有欧拉认知、Ultipa、创邻科技、欧若数网等多家初创企业，获得招银国际、经纬创投、红点中国等多家知名机构青睐。在学术研究领域，《科创板日报》记者从一位国内Top级高校计算机学院青年学者了解到，围绕图计算技术，学界已经形成AI制药、AI预训练技术等学术热点。图计算是什么？有哪些商业化应用的前景？哪些行业或环节有机会从中受益？目前业界在实践中遇到了哪些痛点？《科创板日报》记者日前参加了一场图计算主题研讨活动，多位来自业界或学界资深人士分享了他们的最新观点。“图计算”中“图”（graph）的概念源自数学中的一门课程“图论”。图计算是研究人类世界的事物和事物之间的关系，对其进行描述、刻画、分析和计算的一门技术，而图数据能够更自然、直观地表述数据间的关联关系，是一种更符合人类思考方式的抽象表达。蚂蚁集团图数据库负责人洪春涛认为，图计算把数据抽象成图，方便复杂关系的还原和可视化处理，更适合海量数据的数字化时代。图计算相当于提供了一种理解世界的新方式，尽管同时也给计算机处理带来了很多技术挑战。据了解，当前主流的关系型数据库较为贴近机器逻辑，能够把数据抽象成规整的二维表，便于机器处理。但对于交易关系、企业关联关系的查询等场景，关系型数据库很难满足多度关联查询的时效性，而图数据库甚至可以以毫秒级的速度给出结果。由此，金融、能源、智能制造、电信和公共医疗等对数据实时处理要求更高的行业，成为图计算商业化应用前景最为明朗的应用场景。蚂蚁集团图数据库负责人洪春涛表示，从他们的实践经验来看，目前图计算已经被应用于风控、社交、内容推荐等场景，并取得了很好的业务效果。Gartner在《2021年十大数据和分析技术趋势》报告中预测，到2025年图技术将应用于80%的数据和分析创新。“人工智能发展的终极目标是实现强人工智能，强人工智能指的是让机器和算法像人类一样具备图的思维方式，而图思维方式的本质就是能 100% 实现映射和还原世界。”Ultipa 联合创始人张建松表示，图计算能够在提供深层计算能力的同时，打破系统间、数据间存在的藩篱，并对多源、多维的数据进行深度下钻、关联、归因分析。在这个意义上，张建松预计随着数据规模的不断扩大、数据复杂性的不断提高，“图”会成为未来数据库技术发展的主流方向之一。“图计算、图算法方面的创新将在第三代人工智能时期广泛出现，且这些特征和算法是白盒化的，因而能够极大推动下一代人工智能技术的发展。”不过，当前图计算在业界应用面临着不小的痛点。有业界人士介绍，当前图计算推广应用仍处于“拿着榔头找钉子”的过程。“工具和需求场景都有了，就差一拍即合，其症结在于双方对场景要点和业务需求的深入理解不足。《科创板日报》记者从一位金融企业技术部门负责人士了解到，以证券行业公司为例，往往业务较为庞杂，如何把图计算、图数据库恰当地应用到每一个业务场景，是他们眼前在技术与业务实现融合方面，最为迫切的问题。

使用RPA机器人实现流程自动分拨功能，需要调用第三方的AI算法（如文本相似度识别），有哪几种方式可用。需要第三方算法做何处理，是否有对应指导文档

摘要：本案例将在ModelBox中使用YOLO v3模型，实现一个简单的口罩检测应用本文分享自华为云社区《ModelBox开发体验Day05开发案例-使用YOLOv3做口罩检测》，作者： 孙小北。本案例将使用YOLO v3模型，实现一个简单的口罩检测应用代码：cid:link_3代码tag：v1.5 mask_det_yolo3，v1.5.1 mask_det_yolo3_camera开发准备开发环境安装和部署，前面环境已完成模型训练，ModelArts训练模型模型转换，代码模型已完成转换应用开发打开VS Code，连接到ModelBox sdk所在目录或者远程开发板，开始进行口罩检测应用开发。（1）创建工程使用create.py创建mask_det_yolo3工程, 将会创建出一个空的ModelBox样例工程。./create.py -t server -n mask_det_yolo3git add .git commit -m 'create mask_det_yolo3'2）创建推理功能单元AI应用的核心是模型推理部分，我们用如下命令创建推理功能单元，该模块将会创建在工程目录的model文件夹下：./create.py -t infer -n mask_infer -p mask_det_yolo3git add .git commit -m 'create mask_infer'将资源包中model/mask_infer文件夹中的模型和配置文件拷贝到口罩检测工程的model/mask_infer目录下。其中yolo3_resnet18_mask_det_288x512-rknpu2.rknn是转换好的rknn模型，mask_infer.toml是该模型的ModelBox功能单元配置文件，其内容如下：# Copyright (c) Huawei Technologies Co., Ltd. 2022. All rights reserved.[base]name = "mask_infer"device = "rknpu"version = "1.0.0"description = "your description"entry = "./yolo3_resnet18_mask_det_288x512-rknpu2.rknn" # model file path, use relative pathtype = "inference"virtual_type = "rknpu2" # inference engine type: rockchip now support rknpu, rknpu2(if exist)group_type = "Inference" # flowunit group attribution, do not changeis_input_contiguous = "false" # rk do not support memory combine, fix, do not change[input][input.input1]name = "data"type = "uint8"device = "rknpu"[output][output.output1]name = "yolo/output1"type = "float"[output.output2]name = "yolo/output2"type = "float"[output.output3]name = "yolo/output3"type = "float"可以看到该模型有3个输出节点，即YOLO v3模型输出的3个feature map，需要从中解码出检测框。（3）创建后处理功能单元后处理功能单元负责从模型推理结果中解码出检测框，我们用如下命令创建该功能单元，其将会创建在工程目录的etc/flowunit文件夹下：./create.py -t python -n yolo3_post -p mask_det_yolo3将common资源包中etc/flowunit/yolo3_post文件夹中的代码和配置文件拷贝到口罩检测工程的同名目录下，解码过程的核心逻辑在yolo3_utils.py文件中，可以查阅YOLO v3模型细节阅读代码。（4）创建画图功能单元得到检测框后可以画在原图上进行输出展示，我们用如下命令创建画图功能单元：./create.py -t python -n draw_mask_bbox -p mask_det_yolo3将common资源包中etc/flowunit/draw_mask_bbox文件夹中的代码和配置文件拷贝到口罩检测工程的同名目录下，画图的核心逻辑在draw_mask_bbox.py文件的draw_mask_info函数中：def draw_mask_info(self, image, bboxes): '''在图中画出口罩佩戴信息''' thickness = 2 font_scale = 1 text_font = cv2.FONT_HERSHEY_SIMPLEX for bbox in bboxes: label_index = int(bbox[5]) if self.labels[label_index] != 'head': continue x_min, y_min, x_max, y_max = bbox[0], bbox[1], bbox[2], bbox[3] face_bbox = self.find_max_cover_bbox( bbox, bboxes, 'face', self.face_cover_ratio) if not face_bbox: cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (255, 255, 0), thickness) cv2.putText(image, 'unknown', (x_min, y_min-20), text_font, font_scale, (255, 255, 0), thickness) continue mask_bbox = self.find_max_cover_bbox( face_bbox, bboxes, 'mask', self.mask_cover_ratio) if not mask_bbox: cv2.putText(image, 'no mask', (x_min, y_min-20), text_font, font_scale, (255, 0, 0), thickness) cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (255, 0, 0), thickness) else: cv2.putText(image, 'has mask', (x_min, y_min-20), text_font, font_scale, (0, 255, 0), thickness) cv2.rectangle(image, (x_min, y_min), (x_max, y_max), (0, 255, 0), thickness) cv2.rectangle(image, (mask_bbox[0], mask_bbox[1]), (mask_bbox[2], mask_bbox[3]), (0, 255, 255), thickness) return image针对每个人，该模型会尝试检测出head（头肩部）、face和mask三个检测框。如果face检测框与mask检测框的重合度大于某个阈值，就判为佩戴口罩；否则，就判为没有佩戴口罩；如果没有检测到face检测框，就会显示Unknown，表示未知。（5）修改流程图模型推理和配套的功能单元准备好后，我们就可以串联出流程图进行测试了，口罩检测工程默认在graph目录下生成了mask_det_yolo3.toml，我们参考资源包中的graph/mask_det_yolo3.toml将其修改为：# Copyright (c) Huawei Technologies Co., Ltd. 2022. All rights reserved.[driver]dir = ["${HILENS_APP_ROOT}/etc/flowunit","${HILENS_APP_ROOT}/etc/flowunit/cpp","${HILENS_APP_ROOT}/model","${HILENS_MB_SDK_PATH}/flowunit"]skip-default = true[profile]profile=falsetrace=falsedir=""[graph]format = "graphviz"graphconf = """digraph mask_det_yolo3 { node [shape=Mrecord]; queue_size = 4 batch_size = 1 input1[type=input,flowunit=input,device=cpu,deviceid=0] data_source_parser[type=flowunit, flowunit=data_source_parser, device=cpu, deviceid=0] video_demuxer[type=flowunit, flowunit=video_demuxer, device=cpu, deviceid=0] video_decoder[type=flowunit, flowunit=video_decoder, device=rknpu, deviceid=0, pix_fmt=bgr] image_resize[type=flowunit, flowunit=resize, device=rknpu, deviceid=0, width=512, height=288] mask_detection[type=flowunit, flowunit=mask_infer, device=rknpu, deviceid=0] yolo3_post[type=flowunit, flowunit=yolo3_post, device=cpu, deviceid=0] draw_mask_bbox[type=flowunit, flowunit=draw_mask_bbox, device=cpu, deviceid=0] video_out[type=flowunit, flowunit=video_out, device=rknpu, deviceid=0] input1:input -> data_source_parser:in_data data_source_parser:out_video_url -> video_demuxer:in_video_url video_demuxer:out_video_packet -> video_decoder:in_video_packet video_decoder:out_video_frame -> image_resize:in_image image_resize:out_image -> mask_detection:data mask_detection:"yolo/output1" -> yolo3_post:in_feat1 mask_detection:"yolo/output2" -> yolo3_post:in_feat2 mask_detection:"yolo/output3" -> yolo3_post:in_feat3 video_decoder:out_video_frame -> draw_mask_bbox:in_image yolo3_post:out_data -> draw_mask_bbox:in_bbox draw_mask_bbox:out_image -> video_out:in_video_frame}"""[flow]desc = "mask_det_yolo3 run in modelbox-rk-aarch64"该流程图对于某个视频流，经过视频解码、图像缩放、口罩检测推理、检测框后处理、画图等一系列操作后，将结果保存下来。然后，参考common资源包中mock_task.toml，将口罩检测工程的任务配置文件bin/mock_task.toml中输入输出部分修改为：# 任务输入,mock模拟目前仅支持一路rtsp或者本地url# rtsp摄像头，type = "rtsp", url里面写入rtsp地址# 其它用"url"，比如可以是本地文件地址, 或者httpserver的地址，(摄像头 url = "0")[input]type = "url"url = "../data/mask_test.mp4"# 任务输出,目前仅支持"webhook", 和本地输出"local"(输出到屏幕,url="0", 输出到rtsp，填写rtsp地址)# (local 还可以输出到本地文件，这个时候注意，文件可以是相对路径，是相对这个mock_task.toml文件本身)[output]type = "local"url = "../hilens_data_dir/mask_test_result.mp4"将common资源包中的data/mask_test.mp4测试视频拷贝到口罩检测工程的data目录下，该流程图使用这一视频进行口罩检测，检测结果绘制后保存为hilens_data_dir/mask_test_result.mp4文件。（6）运行应用在mask_det_yolo3工程路径下执行build_project.sh进行工程构建：cd workspace/mask_det_yolo3./build_project.sh执行bin/main.sh运行应用（如果运行报错请切换到root账号再运行，本应用需要事先使用pip安装好OpenCV和NumPy），运行结束后在hilens_data_dir目录下生成了mask_test_result.mp4文件，可以下载到PC端查看。bin/main.shgit add .git commit -m 'run mask_det_yolo3'git pushgit tag -a v1.5 -m 'mask_det_yolo3'git push origin --tags（7）实时摄像头# 用于本地mock文件读取任务，脚本中已经配置了IVA_SVC_CONFIG环境变量, 添加了此文件路径########### 请确定使用linux的路径类型，比如在windows上要用 D:/xxx/xxx 不能用D:\xxx\xxx ############ 任务的参数为一个压缩并转义后的json字符串# 直接写需要转义双引号， 也可以用 content_file 添加一个json文件，如果content和content_file都存在content会被覆盖# content_file支持绝对路径或者相对路径，不支持解析环境变量(包括${HILENS_APP_ROOT}、${HILENS_DATA_DIR}等)[common]content = "{\"param_str\":\"string param\",\"param_int\":10,\"param_float\":10.5}"# 任务输入,mock模拟目前仅支持一路rtsp或者本地url# rtsp摄像头，type = "rtsp", url里面写入rtsp地址# 其它用"url"，比如可以是本地文件地址, 或者httpserver的地址，(摄像头 url = "0")[input]type = "url"# url = "../data/mask_test.mp4" url = "0"# 任务输出,目前仅支持"webhook", 和本地输出"local"(输出到屏幕,url="0", 输出到rtsp，填写rtsp地址)# (local 还可以输出到本地文件，这个时候注意，文件可以是相对路径，是相对这个mock_task.toml文件本身)[output]type = "local"# url = "../hilens_data_dir/mask_test_result.mp4" url = "rtsp://192.168.3.3:8554/outstream"运行测试bin/main.sh camera小结本次案例实践口罩识别，通过本次案例的实践对于开发板的使用有了进一步了解，同时也体会到了这个开发板的便捷开发模式，非常值得推荐，希望后续可以体验更多案例，真正落地实践。参考文献：cid:link_1https://modelbox-ai.com/modelbox-book/cid:link_2

人工标记和数据标记是人工智能功能的重要方面，因为这有助于识别原始数据，并将其转换为更有意义的形式，以供人工智能和机器学习学习。人工智能需要处理数据以得出结论。人工智能技术的发展速度如今比以往任何时候都快，这主要归功于人工处理的数据。人工智能极大地改变了人们工作的方式。甚至，人工智能通过增强人类的能力产生更大的影响。《哈佛商业评论》的一项研究发现，机器和人类之间的互动显著地提高了企业的绩效。人机之间的成功协作可以增强彼此的优势，其中包括团队合作、领导力、创造力、速度、可扩展性和定量能力。人类如何与机器协作？为了机器与人类之间的成功协作，人类需要发挥三个关键作用：·训练机器执行特定任务。·解释这些任务的结果。·保持机器的负责任使用。小手帕或者足够足够多的纸巾人工标记和数据标记是人工智能功能的重要方面，因为这有助于识别原始数据，并将其转换为更有意义的形式，以供人工智能和机器学习学习。人工智能需要处理数据以得出结论。人工智能还需要持续的过程监控，以确保其错误被跟踪，并提高效率。例如，尽管自动驾驶汽车可以独立驾驶，但它可能无法像驾驶员那样记录周围环境。因此，如果车辆对人类或建筑物构成危险，则需要安全工程师跟踪这些汽车的运动和警报系统。越来越多的企业正在采用人工智能和其他机器学习技术将他们的决策过程实现自动化，并捕捉新商机。然而，使用人工智能来自动化业务流程并不容易。企业可以使用数据标签，使人工智能系统能够准确地了解现实世界中的环境和条件。人们可以通过人类标签参与人工智能。这项艰巨的任务需要投入精力以帮助人工智能正确识别对象，其中包括数据数字化、自然语言处理、数据标记、视频注释和图像处理。人工智能如何影响数据质量？1.消除人为错误许多人认为人工智能将取代人类智能，将这与事实相去甚远。人工智能有可能通过承担与大量数据的分析、钻探和剖析相关的任务责任来消除人为错误。​在人工智能时代，数据质量至关重要。数据的质量包括广泛的因素，其中包括准确性、完整性、一致性和真实性。然而，分析异构数据然后将其解释为一种或多种结构一直具有挑战性，其中最大的挑战仍然是及早发现未知的数据问题。在人工智能出现之前，输入数据需要人为因素。因此会出现大量错误，无法实现特定的数据质量。幸运的是，人工智能消除了人为因素，从而显著提高了数据质量。2.更快更好的学习尽管人工智能的主要目标是提高数据质量，但并非收集的所有数据都是高质量的。人工智能使用的算法可以筛选和处理大型数据集。但即使有了这些技术，系统偏见也是不可避免的。因此，需要对数据质量进行算法测试和训练。​​3.增强对数据趋势的识别以帮助决策人工智能和机器学习确保识别数据趋势。人工智能可以解释用于商业决策的数据模式，还负责识别意外的数据模式，以避免丢失合法数据。此外，将确保无效数据不会影响结果。​​4.人工智能和机器学习增强数据存储当数据存储设备丢失时，其信息和数据就会丢失。然而，人工智能仍在不断发展，随着时间的推移，它将帮助收集和存储有用的信息。5.数据类型质量评估虽然可以使用不同的指标来确定数据质量，但准确性是主要关注点，因为它很容易针对不同的数据集和决策者的关注点进行更改。数据质量在人工智能和自动化决策中至关重要。评估数据的准确性需要识别数据类型以确定其准确性，这需要识别、解释和记录数据源。​总结许多企业正在进行数字化转型，并正在加入人工智能和机器学习的行列。这导致了更大、更复杂的数据流，并对数据质量提出了挑战。企业致力投资人工智能和机器学习技术，因为它们提供数据安全、保护和收集工具。然而，向人工智能和机器学习的转变将需要人工智能算法编程中受过训练的人为因素的参与。人工智能将面向不同领域，包括机器人、自动调度和学习、通用智能和计算机视觉等。为了使这些领域发展成熟，将需要生成和访问大量数据。收集到的数据必须分解为人工智能系统易于识别的格式。随着人工智能增强任务实现自动化，大数据将继续增长。如果企业还没有投资人工智能和机器学习，那么现在是时候了。但是，这个过程需要协同工作以确保数据质量的专家。责任编辑：庞桂玉  来源： 智能物联网大会

AI凭借规模更大、多样性更强的数据集，自动分析并选择股票、债券、交易基金及其他投资品，帮助散户们在金融市场上获得一战之力。AI凭借规模更大、多样性更强的数据集，自动分析并选择股票、债券、交易基金及其他投资品，帮助散户们在金融市场上获得一战之力。凭借着更低的手续费和更松散的投资组合，数字投资组合已经在与基金经理的比拼中占据上风。无论大家有没有切身感受，我们每天都在跟AI打交道。从向Siri询问天气到车载辅助驾驶功能，AI几乎已经渗透进我们生活的方方面面——投资领域当然也不例外，AI在投资组合的设计能力上甚至隐隐有胜过传统基金经理之势。专业基金经理的局限每一天，专业基金经理都会花大量时间查看股票数据、投资模型和其他关键信息，借此确定某种股票或其他投资品是否适合被纳入基金组合。这种方法只适合主动管理型的投资基金，其运作方式与指数基金有所本质区别。而且尽管华尔街的基金经理们每周要工作60个小时以上，但仍然无法突破人类能力的极限。人需要睡觉，而且不可能在新闻和数据公布的同时，马上掌握其中的内容和模式。人类能记住和处理的信息就这么多，工作速度基本没有进一步提升的空间。诚然，人类在很多工作上做得确实比计算机更好。但随着AI和机器学习的进步，这些优势恐怕会一一消失。至少在设计股票投资组合方面，AI已经比人类能够达成的最佳水平还要高好几个层次。AI做得更好AI之所以能做得更好，是因为专业基金经理只能通过当前可用的信息来剖析市场，但AI却可以利用大数据和互联网资讯建立高度复杂的模型，精确预测未来的市场走势。具体来说，AI投资组合依靠的是“集群模型”，也就是通过资产配置建模预见未来将要发生的事件。这些模型会采集大量股票数据，再根据投资组合中相对风险的绝对值创建散点图，再将这些散点图按层次结构排列。当然，这还只是资产管理中常用的AI模型之一，其他模型设计思路还有很多。这些散点图构成的模型将反映出未来态势，而且能够超越大多数基金经理所关注的股票间线性关联，融入一系列非线性关系。这不仅能够降低投资风险，同时也有望带来开拓市场的新机会。AI为什么这么强？可访问性更好散户投资者往往不敢参与主动型投资基金，因为这类基金的收费远高于流行的低成本指数型基金。AI投资组合能够降低手续费、提供更松散的投资选项，让散户也能进入以往只属于金融精英的这片新世界。降低成本与准入门槛主动管理型投资基金一般会向投资者收取多种费用。最基础的就是固定年费，手头阔绰的对冲基金投资者往往会根据实际投资规模，支付相当于20%利润的年费。通常，AI投资组合的成本要远低于由基金经理负责的同类产品。另外，AI基金对投资额的要求也更低，年费更是平易近人。目前比较受欢迎的共同基金起投额至少要5000美元，但AI基金大大降低了这道门槛。更安全基金经理只能在事后对市场动态做出反应，属于典型的“过去决定当下”。但AI却能为市场波动提供双重风险预防措施，准确评估未来投资风险。AI投资组合可以自动根据潜在风险重新分配资金，以远超基金经理的反应速度保护投资者的权益。超越人类有时候，散户投资者和基金经理对市场态势的判断可能有所冲突。AI能够分析股票市场交易和金融数据馈送，以近实时方式调整投资组合，甚至分析来自新闻摘要和论坛帖子的情绪数据。相信大家都清楚，自动交易中几秒钟的优势也往往会产生巨大的影响。AI投资组合特性汇总当然，肯定有朋友担心把投资交给完全虚拟的系统听起来不靠谱。下在来看选择AI投资组合时需要注意的事项：金融证券多样化：AI投资组合应该有能力梳理市场，关注多样化的股票、债券、交易基金和其他证券。更加多元的投资组合能够更好地适应风险投资环境。数据输入质量：数据有多好，AI模型就有多好。所以，必须认真为AI投资模型选择高质量的数据源。透明的投资组合绩效：投资基金必须满足报告要求，并在基础之外尽可能提升信息透明度。优质的AI投资组合应该能帮助用户了解投资表现如何，并将结果与各主要市场基准指标做出比较。费用与准入门槛：AI投资组合的月费/年费，或者其他形式的最低使用费，应该低于传统投资服务。总结凭借更为多样的股票、更低的使用成本和更快的响应速度，AI投资组合已经开始超越传统人类基金经理。而随之而来的更低准入门槛，也许意味着散户为王的金融普惠时代正缓缓拉开帷幕。责任编辑：姜华   来源： 至顶网

AI技术还将在脑机接口、深度学习、人机接口、机器学习以及其他智能模拟场景下发挥作用。这些概念业已存在数十年，早期医学AI系统曾严重依赖医学专家提供的临床知识与逻辑规则，但如今经过训练的超级计算机已经完全可以自行完成这些任务。2020年，COVID-19商情全面爆发的元年，美国药监局仅批准了53种新药。而同一年，全球制药行业的总体药物研发投入高达近2000亿美元。这意味着2020年内获批的每种药品，平均成本接近38亿美元。当年发表的一项研究则给出了相对保守的新药成本估算，认为虽然新药成本在过去十年间急剧增长，但具体区间仍介于3.14亿美元至28亿美元之间。研究还发现，一种新药推向市场所投入的研发总开销，中位数接近10亿美元，而平均值估计在13亿美元左右。另外，新药的上市周期平均在10到15年，其中约一半时间和投资用于临床试验阶段，其余的半数成本则用于支撑临床前化合物发现、测试和监管。至于为什么每种新药花费甚巨、周期漫长，理由则包括缺乏临床疗效、缺乏商业利益和战略规划不当。总之，这一切复杂因素已经令制药行业的效能变成一种玄学，不少人甚至在高昂的新药上市成本之下成为怀疑论者，质疑既然技术水平和管理能力都在显著进步，制药行业为什么还会深陷当前的困境无法自拔。这些人就是所谓“倒摩尔定律”的支持者，即尽管技术有所改进，但在过去几十年间，新药的开发成本仍呈指数级增长。倒摩尔定律认为，在抛开通胀影响的前提下，一种新药的开发成本大约每九年翻一番。这种观察提出的是一种类似收益递减的定律，按照经济学的概念来解释，如果增加某种商品生产环节中的某一项投入、而其他所有投入均保持不变，则整体态势最终将达到一个临界点——之后继续增加投入，则对应的产量反而开始逐渐减少。“倒摩尔定律”一词，由Jack Scannell博士及其同事于2012年在《自然·评论·药物发现》中提出。倒摩尔定律，指向的自然就是大名鼎鼎的摩尔定律。这个来自1960年代的概念观察发现，大规模集成电路上的晶体管数理每两年左右就增加一倍。摩尔定律得名自英特尔公司联合创始人戈登·摩尔，是他对历史趋势的一种观察和总结。Scannell博士强调，引发当前困境的主要是四个原因。首先，监管机构对疗法的标准要求越来越高；监管机构承受风险的能力越来越低，于是相应拉升了研发成本和难度；砸钱心态，这种想靠资源漫灌硬推项目的作法，很容易造成项目超支；再就是暴力破解基础研究，即高估了用粗暴试错突破基础研究难题的可能性。尽管面对种种困难因素，我们也终有一天将击破倒摩尔定律的挑战，而决定战局的一大有力武器正是AI。好消息是，已经有人迈出了探索这条道路的第一步。Scannell博士和他的合作科学家们，呼吁制药企业任命一名首席死药官，专门负责在研发过程的各个阶段内总结引发失败的原因，并将结果发表在科学期刊上。当前，制药企业甚至很少公布失败的实验或临床结果，而且多数还没想过要任命专职高管来处理失败案例中的有价值信息。但Scannell博士强调，要想打破倒摩尔定律，企业就必须先改变研发流程。协同和信息共享当然是个很好的起点，不过在制药行业内，能够真正打破倒摩尔定律的方法只有一个——AI。过去几年来，人们已经多次尝试用AI来打破倒摩尔定律。如今，Exscientia和Insilico Medicine等多家机构正在为此全力冲刺。总部位于牛津的Exscientia是一家全球制药科技企业，他们以患者为本，通过AI技术加快药物发现速度。去年，这家公司宣布首例由AI设计的免疫肿瘤分子已经进入人体临床试验阶段。在项目中，Exsientia与Evotec合作，使用前者的Centaur Chemist药物发现平台为患有晚期实体将为的成年患者开发A2a受体拮抗剂。这已经不是Exscientia做出的首次尝试，该公司在2020年就曾公布一种由AI驱动软件设计的强迫症治疗药物，且已经进入I期临床试验。此外还有Schrodinger，他们开发出了制药行业最先进的化学模拟软件。Schrodinger最近已获药监局批准，可以在早期试验中研究其由计算机设计出的非霍奇金淋巴瘤治疗方法。该公司的平台基于机器学习技术，在10个月内对82亿种潜在化合物进行了分类，并最终确定了78种能顺利通过临床前实验合成与筛选的化合物。现在，该公司已经计划启动I期临床研究，并开始招募复发或难治性非霍奇金淋巴瘤患者。与此同时，来自犹他州的Recursion Pharmaceuticals也在使用AI技术为现有药物寻找新的用途。去年，罗氏和Genetech同Recursion立项合作，共同探索细胞生物学的新领域，并尝试在神经科学和肿瘤学适应症领域开发新疗法。通过合作，两家公司将利用Recursion的AI药物发现平台对新型药物靶点开展全面筛选，借此加快小分子药物的开发。在Insilico，一种领先的抗纤维化候选药也成功完成0期临床研究，正式步入I期临床阶段。而这款候选药的新靶点，正是由Pharma.AI平台所发现。从靶点发现到项目第一阶段启动，总时长甚至不足30个月，已经创下制药行业新药开发速度的新纪录。别忘了，AI技术还将在脑机接口、深度学习、人机接口、机器学习以及其他智能模拟场景下发挥作用。这些概念业已存在数十年，早期医学AI系统曾严重依赖医学专家提供的临床知识与逻辑规则，但如今经过训练的超级计算机已经完全可以自行完成这些任务。为了打破倒摩尔定律，数据科学家和医学科学家们必须共同规划可实现的用例，将AI技术应用于各类临床试验，同时把AI技术与将要替代/补充的现有技术加以对照。通过这种方式，AI有望顺利进入临床试验生态系统，在快速改善行业药物发现及开发流程的同时，有效降低研发失败率和成本。如今，几乎所有大型制药企业都在使用内部原研算法、与AI厂商合作或者直接收购AI厂商/技术，借此充实自己的产品组合与药物发现管道。海量融资与多家制药企业的合作伙伴声明也告诉我们，行业对AI工具在药物研发流程中的应用抱有极高期待。这一领域已经出现了不少变化，希望在未来几年中，企业能够将更好的投资策略同先进的AI技术结合起来，一举粉碎倒摩尔定律这道“魔咒”。责任编辑：姜华  来源： 至顶网

作者：Drew Robb在利用人工智能实现更高水平的自动化方面处于领先地位，其目标是用更少的人做更多的事。以下是人工智能自动化的一些主要趋势。劳动力短缺一直是困扰很多企业的问题。大量初级职位空缺，大多数零售商店都在招聘，当然平均薪酬也在随之上升。像日本这样的国家早就出现了这种情况，在利用人工智能实现更高水平的自动化方面处于领先地位，其目标是用更少的人做更多的事。以下是人工智能自动化的一些主要趋势：1. 人工智能训练和数据质量Great Expectations开放数据质量平台的高级开发倡导者Ruben Orduz表示，从事人工智能培训的数据工程师正在认真对待数据质量流程。面临的一个问题是，现实世界的数据并不整洁或不可预测。它可能会遭受诸如丢失、截断或无效数据、意外重复和异常等质量问题。他说，“当使用杂乱的数据来训练算法时，其结果可能是灾难性的。依赖于根据输入数据进行推断和调整的机器学习和人工智能算法特别容易受到不良数据条件的影响。”例如，如果企业发送和交付货物，会收到来自供应商的一组订单，其中包括名称、地址和要交付的货物。人工智能系统接收这些数据，并使用它来学习和规划交付路线。如果交付货物的数量通常为1～30个，但数据在“包数”中突然显示有数千个包裹，那么说明这需要雇佣更多的送货司机，这表明这个模型也有偏差。这就是为什么数据工程师正在努力了解其数据的质量，并使用数据质量平台来识别异常值和受影响的数据的原因。现在做这件事比以往任何时候都容易。工程师可以发现，在数据流进入时运行管道测试，并在进入人工智能训练过程之前捕获异常值。2. 人工智能自动化和网络思科、Juniper Networks、Gluware和Splunk等许多公司正在投资于人工智能功能的自动化，以将其应用于网络故障排除和性能诊断。网络运营传统上需要高度参与的人力资源。人工智能和数据可以使很多工作实现自动化。网络毕竟是一个复杂的系统，包含了大量的技术、架构和覆盖，导致许多操作点出现故障和性能问题。网络的人工操作方面同样具有挑战性。尽管一些努力将操作集中到网络控制器，但网络管理在很大程度上仍然是人工管理的，并且需要管理人员具备大量专业知识。此外，这项工作主要是探索性的，管理人员试图在没有提前洞察或数据的情况下人工得出问题的根源。因此，以传统方式运行网络的成本很高，无论是在服务停机时间或降级方面，还是在实现解决方案的人力方面。Gluware公司人工智能副总裁Stanislav Miskovic说，“利用人工智能自动化进行分析是一个巨大的机会，我们正在构建一个平台，该平台将利用和统一整个网络堆栈中的真实数据。人工智能自动化可以通过多种方式帮助企业降低与网络相关的运营成本：执行根本原因分析和本地化有问题的站点、设备和协议;将基础设施作为整体及其所有组件进行自主基线化;对已经识别问题的相关性进行排序;例如识别支持证据并向网络工程师规定补救措施。但在网络世界中，这些功能中的大多数仍处于起步阶段。”3. 网络安全中的人工智能正如网络通常需要通过更多人工智能实现自动化一样，网络安全也是如此。随着威胁变得越来越复杂，企业网络的边界变得越来越模糊，特别是随着向云平台的过渡，需要分析的数据量远远超出了人工检查的能力。Miskovic说，“人工智能和分析是增强安全性的关键推动因素。如今，安全需要覆盖更广泛的范围，如果没有人工智能自动化的帮助，这是无法实现的。如果攻击面太大，数据量太大，那么无法在没有人工智能帮助的情况下进行检查。”这促进了用户和实体行为分析的发展，这是一个纯粹的人工智能驱动的安全领域。另一种人工智能驱动的安全方法是检测零日攻击或未知事件，如果没有人工智能自动化基线分析和异常检测，这是无法实现的。最后，人工智能自动化通过对安全警报进行排序、减少警报疲劳和建议纠正措施来帮助安全响应团队。4. 流程自动化即使有所有有助于监控、管理、操作和保护企业基础设施的产品，它们产生的警报数量以及工程师为解决这些问题需要采取的步骤数量也变得难以处理。出于这个原因，人工智能驱动的流程自动化正在成为网络运营、安全运营和票证管理不可或缺的一部分。Miskovic说，“许多人工智能驱动的解决方案已经开发，在发出警报和解决问题任务的各个方面实现自动化。这些人工智能自动化解决方案提供了可定制的剧本，可以在没有人工干预的情况下执行许多后勤或补救任务。该系统可以通过识别工程师为解决类似问题所做的模式来自主学习解决问题所需的许多剧本步骤。这些剧本也可以由工程师进行定制。”5. 人工智能即服务人工智能引擎和平台很复杂。因此，其他人不可避免地会承担繁重的工作，并提供人工智能即服务作为人工智能作为平台的替代品。DataProphet公司联合创始人、首席执行官Frans Cronje表示：“随着企业及其数据科学团队已经通过人工智能平台发挥自身优势，开始通过构建专业团队以实现人工智能的附加价值，需要以人工智能即服务的形式提供深入知识的人工智能系统将会加速发展。”责任编辑：赵宁宁   来源： 企业网D1Net

作者：佚名人工智能和物联网正在改变生活，也开始改变我们的城市。今天，我们看看这项技术使城市变得智能的三种方式。由于物联网(IoT)的巨大发展，以及运行和监控城市中心产生的巨大数据集的人工智能处理，城市正变得越来越智能。《科技杂志》(Technology Magazine)对其中三种有望改变城市生活以及为之服务的企业和政府的智能技术进行了深入分析。用人工智能优化智慧城市的能源人工智能可用于​智慧城市，以分析和跟踪企业和居民如何使用能源，从而生成数据，进而帮助决策应在何处使用可再生能源。这也可以向城市规划者展示能源被浪费的地方以及如何节省能源。美国机械工程师协会​(ASME) 高级编辑John Kosowatz解释说，智能物联网解决方案应用于优化基础设施，让公民参与服务管理。传感器、网络和应用接收有关能源使用、交通和污染水平的数据。然后对这些进行分析并用于纠正和预测使用情况和模式。通过开放存取系统让每个人都可以使用这些数据，公民和企业可以自己利用这些信息。迪拜美国大学电气与计算机工程系主任兼副教授Vinod Pangracious介绍了基于区块链的点对点能源交易框架的概念，用于在互联社会中交易分散的清洁能源 。智能能源交易模型旨在以自动化方式尽可能多地处理，包括使用可再生能源生产、消耗和分配清洁能源。 人工智能和物联网：改善智慧城市的交通如今，技术人员正在利用计算机视觉和机器学习技术来改造城市交通基础设施。 在这一领域处于领先地位的公司是Hayden AI，它开发了世界上第一个自主交通管理平台。该公司使复杂的流程自动化并改善了公共服务。 该技术可支持多种不同的公共服务车辆，包括公共汽车、街道清扫车、机场安检车和警车。随着在智慧城市中使用人工智能，公共交通已经出现了创新。这项技术允许公共交通用户接收和访问实时更新，从而提高了客户满意度的时间和细节。还计划在城市内使用自动公交车，这些可以减少排放，改善路线并增加频率。使用车牌识别技术，停车场能够检测到停留时间超过应有时间的汽车，还可以强制执行付款和罚单。其他技术包括根据汽车推荐空间的能力。智慧城市中的人工智能与安全尽管通常会在报告犯罪时审查安全摄像机镜头，但这并不能阻止犯罪本身。使用人工智能的安全摄像机能够实时分析镜头并检测犯罪行为，然后可以立即报告和处理。 这些摄像头还可以从他们的衣服中检测到人，从而使该技术能够比以往更快地找到嫌疑人。 智慧城市还可以使用人工智能来查看它们对当地环境、全球变暖以及污染水平的影响。 使用人工智能和机器学习进行污染控制和能源消耗，使市政机构和城市能够做出最有利于环境的明智决策。智慧城市还使用人工智能来检测二氧化碳，然后可以做出交通决策。另一项值得关注的创新是预计将出现在未来智慧城市中的实时响应中心 (RTRC)。RTRC 接收来自各种来源的数据，并在大屏幕视频显示器上显示聚合情报，以及来自摄像机、交通传感器和枪声探测器的实时信息。“在智慧城市的执法办公室，RTRC 是保护公众的中心枢纽，” Insight​数字创新 SLED 营销负责人Sandeep Sinha​说。Sinha 解释说，包括 Insight、Genetec、英特尔和微软在内的公司正在共同努力，以建立现有的公共安全 IT 基础设施并开发基于云的解决方案。责任编辑：华轩  来源： 千家网

智慧城市对气候变化、更明智的决策和提高生活质量的影响较小，下面，我们来看看人工智能帮助实现这一目标的十种方式。城市在人工智能的帮助下不断创新。由于智慧城市中使用的人工智能技术，这些城市能够控制交通、废物和维护，以及预测能源消耗、污染风险和对环境的影响。智慧城市对气候变化、更明智的决策和提高生活质量的影响较小，下面，我们来看看人工智能帮助实现这一目标的十种方式。10.安全当犯罪事件被报道后，监控录像通常会被重新查看，但这并不能预防或阻止犯罪。而使用人工智能的监控摄像头能够实时分析录像，发现犯罪行为，然后立即报告和处理。这些摄像头还可以从衣服上探测到人，从而使该技术能够比以往更快地找到嫌疑人。9.维护一家名为RoadBotics的公司开发了一种利用人工智能的技术，能够分析道路图像，然后评估问题，并产生具有成本效益的解决方案。这使得城市能够知道何时何地需要进行维修，并在省钱的同时进行处理。这种技术也提高了城市的安全，因为问题不会被忽视。8.预测未来的需求利用人工智能技术进行创新的智慧城市能够更好地预测人类未来的需求。使用能源跟踪技术可以让城市知道何时需要新能源，或何时可以实施更可持续的方法。一些人工智能技术还可以预测和帮助规划房地产开发，这意味着房屋会在需要的时候投放市场。7.控制污染科学家已经开发出一种技术，利用人工智能和机器学习来分析当前的污染物，并预测未来2小时的污染水平。这种技术允许负责人提前做出决定，以减少他们对环境的影响。6.停车系统利用车牌识别技术，停车场能够检测到超时停车的车辆，这也可以强制执行付款和罚单。当人工智能系统集成到整个停车场时，停车位就能够呈现给等待的用户，一些更先进的技术还能够根据车辆推荐停车位。5.公共交通公共交通已经通过在智慧城市中使用人工智能进行了创新。这项技术允许公共交通工具接收和访问实时日期和跟踪，从而提高了时间和客户满意度。还计划在城市内使用自动公共汽车，这些可以减少排放，改善路线并增加频率。4.废物管理智慧城市开始在垃圾管理中使用人工智能，这种类型的技术可以让城市跟踪回收，并确定该地区可以回收的物品。悉尼的一些城市在这方面更进一步，使用人工智能机器人来分类垃圾，以及清洁湖泊和河流等区域。3.交通管理人工智能技术正在交通行业中应用，以减少交通和事故。一种名为CIRCLES的交通管理技术具有预测和减少交通的能力，使用深度学习算法，这也可以减少交通造成的污染。人工智能还可以用于整个交通摄像头系统，实时检测道路犯罪，使其更容易处理。2.能量跟踪人工智能可以在智能城市中用于分析和跟踪企业和公民的能源使用情况，然后根据这些数据可以决定在哪里使用可再生能源。这也可以显示出能源被浪费的城市，以及如何节约能源。1.环境智慧城市可以使用人工智能来查看它们对当地环境、全球变暖以及污染水平的影响。在污染控制和能源消耗方面使用人工智能和机器学习，可以让政府和城市做出最有利于环境的知情决定。智慧城市还使用人工智能来检测二氧化碳，从而做出有关交通的决定。责任编辑：庞桂玉  来源： 千家网

作者：AI时代前沿最近发布的Gartner 2022 AI in Organizations调查发现，80%的高管认为自动化可以应用于任何商业决策。随着自动化对商业运营变得越来越重要，该调查探讨了企业如何将人工智能的使用作为其长期自动化战略的一部分。报告估计到2025年，人工智能的商业价值将达到51亿美元。Gartner(高德纳)副分析师Erick Brethenoux表示:“该调查显示，企业正从以纯粹的战术方法采用人工智能，转向更有战略性地应用人工智能。”“例如，三分之一的组织正在多个业务部门应用人工智能，通过支持跨业务流程的决策，创造更强大的竞争差异化。”调查发现，平均54%的人工智能项目正在从试验向生产飞跃，高于2019年AI in Organizations调查报告中的53%。尽管这一数字没有显著增加，但部署的人工智能项目的比例已经从2019年的35%上升到最新调查的47%。Gartner将这归功于疫情带来的更灵活的自动化方法，这允许在组织内部更实际地实施人工智能。但扩大人工智能的规模仍然是一个重大挑战。企业仍在努力将他们正在构建的算法与业务价值主张联系起来，IT和业务领导很难证明运营模型所需的投资是合理的。扩大AI规模的一个问题是，部署大量AI模型时需要复杂的治理工作，40%的受访组织报告称部署了数千个，有时甚至数十万个AI模型。更多的模型会带来治理上的挑战，这会使展示价值和ROI变得困难，这一困难被视为人工智能采用的最大障碍。调查还发现，包括寻找合适人才在内的繁琐准入门槛降低了。尽管其他技术领域报告了人才短缺，Gartner的调查发现，对于接受调查的组织来说，AI人才的缺乏并不是采用AI的重大障碍，72%的高管表示，他们已经或可以为他们的项目寻找所需的AI专业人才。最成功的组织会结合内部选拔和外部招聘人工智能人才。这确保了团队通过学习新的AI技能和技术，并考虑来自组织外部的新想法来不断更新自己。安全和隐私问题也不被视为人工智能采用的最大障碍，只有3%的受访者提到了这一点，尽管41%的人披露了之前的人工智能隐私泄露或安全事件。尽管不是人工智能最重要的障碍，但它仍然是一个令人担忧的问题。一半的受访者表示，他们担心竞争对手、合作伙伴或各种第三方获取敏感信息，49%的受访者还担心恶意的外部攻击。有趣的是，60%面临人工智能安全或隐私事件的受访者表示，他们的数据是由内部一方而不是外部来源泄露的。Brethenoux说:“考虑到大多数AI入侵是由内部人士造成的，组织对AI安全的担忧往往是错误的。”“虽然攻击检测和预防很重要，但人工智能的安全努力应该同样侧重于最大限度地降低人类风险。”Gartner于2021年10月至12月在网上进行了这项调查。来自美国、德国、英国的699名应答者都是在3年内已经部署或计划部署AI的企业。Gartner的分析师也在8月24日于奥兰多举行的Gartner数据与分析峰会上讨论了调查结果。​责任编辑：华轩  来源： 今日头条

作者：Valli Bollavaram在大量高保真临床和索赔数据的支持下，预测分析可以比以往更快、更准确地识别高风险患者。随着医疗保健朝着基于价值的支付和负责任的医疗保健方向发展，医疗服务提供者需要更好的工具来实现人口健康和风险管理。防止不必要的住院的能力是这个谜题的主要部分。做好这项工作意味着主动识别高危患者，并对他们进行护理协调和有针对性的干预。预测分析长期以来一直有望解决这个问题。在大量高保真临床和索赔数据的支持下，预测分析可以比以往更快、更准确地识别高风险患者。以下是预测分析的一些主要优势：提高医院管理效率预测分析允许医院、保险公司和患者共同处理索赔并避免问题。可以减少索赔处理和批准的延迟，以帮助患者更迅速地获得治疗。通过自动化繁琐的操作，医疗机构可??以提供一个无压力的工作环境，让员工能够专注于提供更好、更高效的客户服务。节约成本预测分析允许更早、更成功的医疗干预，以及更有效的医疗保健管理和运营管理，从而降低患者和医疗保健提供者的成本。早期诊断在这个领域，预测分析已经在创造奇迹。通过及早提供治疗，可以在疾病威胁到患者的长期健康之前对其进行治疗。这对于确定哪些癌症患者有更大的康复机会以及如何帮助他们克服可怕的疾病特别有价值。个性化治疗医院可以创建精确的模型来降低死亡率并为患者提供适当的治疗。医生们正在发现使用预测分析为每位患者提供高质量治疗是多么容易。医生可以根据患者的病史来决定某个处方是否适用于患者，或者他们是否可以根据患者的个人需求制定独特的治疗组合。预测不良事件的风险研究人员和科学家可以使用历史和实时数据预测传染病的爆发和传播。这可以帮助政府采取适当和必要的行动来管理流行病并减少社会死亡人数。分析和控制患者健康状况的恶化机器学习算法使得使用基于收集到的有关人的信息的健康图来预测患者结果成为可能。尽管医务人员意识到手术或复杂的医疗过程可能会危及患者的生命，但可以通过预测分析评估准确的风险量，从而进行早期干预。远程医疗预测分析并非医疗保健环境独有。它可用于为无法离开家的人们提供持续的医疗保健服务。许多高危患者住在家里而不是医院。责任编辑：庞桂玉   来源： 千家网

赛题描述本次大赛结合医检行业特色，以宫颈癌筛查为主题，提供近1万张辅以病理医生专业标注的宫颈细胞学图片。利用这些图片及标注开发人工智能分类算法，判断图片中细胞的病变程度，并进行分类。 赛题任务任务指标：  识别准确率 = 识别正确的图片数 / 图片总数推理时间要求：  计算资源规格为“CPU: 2 核 8GB”，一小时内完成1800张图像预测数据分析数据处理模型选择总结致谢

最近看到一款下棋机器人的产品介绍。价格大约两千元左右。感觉还可以接受。机器人结构上，由棋盘（包含棋子）、机械臂、交互屏、天线和主体躯干等五个部分组成。对战过程中，机器人头部的天线上部署了摄像头，可以精准识别棋盘落子情况及变化，并基于内置的象棋算法，根据对弈者的落子推算招数。推算招数完毕，“中央系统”发出指令，由机械臂完成抓子动作。整个过程看起来很简单，实际上却要做到， 比如摄像头如何精准捕捉到实时动态，就需要搭载特殊的AI视觉算法； 而机械臂如何准确抓取棋子、抓稳放好，又要用到相关的操控算法来进行控制。当然，机械臂在动作的过程中要安全，不能造成伤害，这是最基本的要求。总体感觉是个不错的陪伴、休闲的机器人工具，感兴趣的可以看看~

请问昇腾是否有技能图谱的东西呀，作为新手希望知道昇腾大牛需要掌握的只是体系和架构之类的。类似下图：

目标：坚持面向世界科技前沿、面向经济主战场、面向国家重大需求、面向人民生命健康，充分发挥人工智能赋能经济社会发展的作用，围绕构建全链条、全过程的人工智能行业应用生态，支持一批基础较好的人工智能应用场景，加强研发上下游配合与新技术集成，打造形成一批可复制、可推广的标杆型示范应用场景。首批支持建设十个示范应用场景。有：智慧农场智能港口智能矿山智能工厂以上4个我觉得行业落地比较好还有智慧家居智能教育自动驾驶智能诊疗智慧法院智能供应链等这些6个个人觉得路还很长自动驾驶的说明：针对自动驾驶从特定道路向常规道路进一步拓展需求，运用车端与路端传感器融合的高准确环境感知与超视距信息共享、车路云一体化的协同决策与控制等关键技术，开展交叉路口、环岛、匝道等复杂行车条件下自动驾驶场景示范应用，推动高速公路无人物流、高级别自动驾驶汽车、智能网联公交车、自主代客泊车等场景发展。