行业资讯一览俞敏洪：带货主播需要文化培训，未来开新东方电商学院新东方创始人俞敏洪20日在一场直播中提到，未来可能会开电商学院。现在做电商直播的网红、主播，其实都需要一种文化培训，而这种文化培训由新东方来做再好不过。我们打算开电商学院，倒不是为了挣钱，而是为了让中国主播的整体水平得到一个层次的提高。如果成立了，我会亲自去上课，也会让董宇辉等著名主播去上课。（中**）谷歌云计算在巴西投资3亿美元，新开分支机构和工程中心谷歌公司云计算部门周二宣布，自从2017年以来，已经在南美 国家巴西投资了3.1亿美元，建设云计算基础设施，谷歌还宣布将会在巴西开设一个新的分支机构，并且启动一个工程技术中心。高层介绍说，谷歌云计算在巴西的投资，目的是为了帮助谷歌的巴西客户扩大服务产品线，提升数字运营能力，开拓新的商机。（来源：新浪科技）Meta、微软、英特尔等科技巨头创建元宇宙标准组织，华为、阿里加入，苹果缺席美东时间周二，Meta、微软等多家科技巨头宣布成立了一个名为“元宇宙标准论坛”的组织，以促进行业标准的发展，使这些公司各自推动的新兴数字世界能够相互兼容。元宇宙标准论坛在宣布成立的声明中表示，该论坛的参与者包括Meta、微软、Epic、英伟达、高通、索尼等36家投身元宇宙领域的科技巨头，行业覆盖芯片制造商、游戏公司以及像万维网联盟（W3C）这样的老牌标准制定机构等。中国的华为和阿里巴巴达摩院也在创始成员名单之中。不过苹果、Roblox、Niantic、The sandbox等公司缺席。英伟达高管Neil Trevett担任元宇宙标准论坛主席，他表示欢迎任何人加入，也包括加密货币行业的参与者。（来源：和讯网）机构：2021年AI公有云服务市场规模达44.1亿元据市场研究机构IDC消息，2021全年，AI公有云服务市场规模达44.1亿元人民币，占AI软件整体市场的13.4%。从年度增速的角度来看，AI公有云服务市场增速依然远超AI软件整体市场增速。IDC中国助理研究总监卢言霞表示：作为中国AI市场上重要的创新力量，AI云服务厂商近几年不断加快推进技术突破与商业落地，贡献了越来越大的市场规模。未来人工智能市场AI场景化解决方案相比单点AI能力更受青睐，云服务厂商在开放AI能力的同时，亦应注重通过生态构建解决方案，以助力行业用户进行系统的数字化转型。（来源：央广网）SaaS 云服务提供商「和创科技」通过北交所辅导验收新三板创新层公司「和创科技」发布公告称，公司6月22日通过北交所上市辅导验收，辅导机构为中信建投。公司提示称，2020年度、2021年度经审计的主营业务收入分别为1.08亿元、1.45亿元，营业收入增长率为34.01%，2021年度经营活动产生的现金流量净额为3187万元，符合北交所上市财务标准二。据了解，和创科技成立于2009年，是一家具备自主研发PaaS能力的SaaS云服务提供商，公司致力于为建筑工程、装备制造、泛快消等行业的企业级客户提供数字化解决方案，产品和服务覆盖工程项目管理、客户关系管理等领域。（来源：牛透社）沃尔玛增强云计算能力，减少对科技巨头的依赖《华尔街日报》6月24日报道，沃尔玛周四表示，已开发出在云供应商和自己的服务器之间无缝切换的能力，节省了数以百万计的美元，并为其他希望减少对巨型技术公司依赖的组织提供了路线图。沃尔玛使用自己的服务器和软件部署了现有的最大的混合云之一，该混合云系统利用了微软和谷歌的第三方平台，以及它在全国各地的沃尔玛设施中迅速建立的内部服务器网络。沃尔玛全球首席技术官说：“混合云使我们能够吸取公共云供应商所能提供的最好的东西，并能够将其与真正为我们量身定做的东西相结合。”（来源：界面新闻）云商店一周动态华为云聚焦四大亮点，重磅打造用户首选的企业应用平台近日，在“华为伙伴暨开发者大会2022”上，华为云CEO张平安重磅发布新品牌——华为云云商店KooGallery。新品牌的发布也伴随着商业模式的迭代升级，从“云市场”向更多元、丰富、高效的“云商店”跨越。点击查看新品牌4大亮点：华为云云商店品牌全新发布 4大亮点都在这儿华为云云商店联合数码大方，提供CAXA PLM协同管理解决方案福建侨龙应急装备有限公司，是国家专精特新“小巨人”企业、制造业单项冠军企业。对于侨龙应急装备这样的制造企业来说，快速解决异地协同难题，对提升生产效率起着至关重要的作用。云端部署CAXA PLM协同管理解决方案让侨龙应急装备快速实现了低投入、高效率！且支持远程实施，不怕疫情阻隔，更省去了传统的部署和运维难题。数码大方是如何解决侨龙的难题的？点击了解：【用户案例-智能制造】数码大方“云”协同，飞跃千山 “保”生产 ！华为云推出“医码平川”，帮助药品零售企业记录追溯码数据医码平川医药追溯平台，帮助药品经营企业提供药品追溯、经营管理、消费者营销等一体化解决方案，同时满足监管部门追溯监管要求。助力药品经营企业数字化升级，保障企业高效、合规经营。点击了解“药品打假”黑科技：【上云精品】“医码平川”，助力药企建立完善药品追溯制度，数字化经营更进一步！编辑 | 一只大月亮

【摘要】 @[toc] 一.前言 1.1 本文原理支持向量机（SVM）是一种二元分类模型。它的基本模型是在特征空间中定义最大区间的线性分类器，这使它不同于感知器；支持向量机还包括核技术，这使得它本质上是一个非线性分类器。支持向量机的学习策略是区间最大化，它可以形式化为求解凸二次规划的问题，等价于正则化铰链损失函数的最小化。支持向量机的学习算法是求解凸二次规划的优化算法。Scikit learn（skl...本文分享自华为云社区《支持向量机算法之鸢尾花特征分类【机器学习】》，作者：上进小菜猪。一.前言1.1 本文原理支持向量机（SVM）是一种二元分类模型。它的基本模型是在特征空间中定义最大区间的线性分类器，这使它不同于感知器；支持向量机还包括核技术，这使得它本质上是一个非线性分类器。支持向量机的学习策略是区间最大化，它可以形式化为求解凸二次规划的问题，等价于正则化铰链损失函数的最小化。支持向量机的学习算法是求解凸二次规划的优化算法。Scikit learn（sklearn）是机器学习中常见的第三方模块。它封装了常见的机器学习方法，包括回归、降维、分类、聚类等。1.2 本文目的List item使用scikit-learn机器学习包的支持向量机算法，使用全部特征对鸢尾花进行分类；使用scikit-learn机器学习包的支持向量机算法，设置SVM对象的参数，包括kernel、gamma和C，分别选择一个特征、两个特征、三个特征，写代码对鸢尾花进行分类；使用scikit-learn机器学习包的支持向量机算法，选择特征0和特征2对鸢尾花分类并画图，gamma参数分别设置为1、10、100，运行程序并截图，观察gamma参数对训练分数（score）的影响，请说明如果错误调整gamma参数会产生什么问题？二.实验过程2.1 支持向量机算法SVM实例的特征向量（以2D为例）映射到空间中的一些点，如下图中的实心点和空心点，它们属于两个不同的类别。支持向量机的目的是画一条线来“最好”区分这两类点，这样，如果将来有新的点，这条线也可以很好地进行分类。2.2List item使用scikit-learn机器学习包的支持向量机算法，使用全部特征对鸢尾花进行分类；首先引入向量机算法svm模块：from sklearn import svm还是老样子，使用load_iris模块，里面有150组鸢尾花特征数据，我们可以拿来进行学习特征分类。如下代码：from sklearn.datasets import load_iris iris = load_iris() X = iris.data print(X.shape, X) y = iris.target print(y.shape, y)下面使用sklearn.svm.SVC()函数。C-支持向量分类器如下：svm=svm.SVC(kernel='rbf',C=1,gamma='auto')使用全部特征对鸢尾花进行分类svm.fit(X[:,:4],y)输出训练得分：print("training score:",svm.score(X[:,:4],y)) print("predict: ",svm.predict([[7,5,2,0.5],[7.5,4,7,2]]))使用全部特征对鸢尾花进行分类训练得分如下：2.3 使用scikit-learn机器学习包的支持向量机算法，设置SVM对象的参数，包括kernel、gamma和C，分别选择一个特征、两个特征、三个特征，写代码对鸢尾花进行分类；2.3.1 使用一个特征对鸢尾花进行分类上面提过的基础就不再写了。如下代码：使用一个特征对鸢尾花进行分类，如下代码：svm=svm.SVC() svm.fit(X,y)输出训练得分：print("training score:",svm.score(X,y)) print("predict: ",svm.predict([[7,5,2,0.5],[7.5,4,7,2]]))使用一个特征对鸢尾花进行分类训练得分如下：2.3.2 使用两个特征对鸢尾花进行分类使用两个特征对鸢尾花进行分类，如下代码：svm=svm.SVC() svm.fit(X[:,:1],y)输出训练得分：print("training score:",svm.score(X[:,:1],y)) print("predict: ",svm.predict([[7],[7.5]]))使用两个特征对鸢尾花进行分类训练得分如下：2.3.3 使用三个特征对鸢尾花进行分类使用三个特征对鸢尾花进行分类，如下代码：svm=svm.SVC(kernel='rbf',C=1,gamma='auto') svm.fit(X[:,1:3],y)输出训练得分：print("training score:",svm.score(X[:,1:3],y)) print("predict: ",svm.predict([[7,5],[7.5,4]]))使用三个特征对鸢尾花进行分类训练得分如下：2.3.4 可视化三个特征分类结果使用plt.subplot()函数用于直接指定划分方式和位置进行绘图。x_min,x_max=X[:,1].min()-1,X[:,1].max()+1 v_min,v_max=X[:,2].min()-1,X[:,2].max()+1 h=(x_max/x_min)/100 xx,vy =np.meshgrid(np.arange(x_min,x_max,h),np.arange(v_min,v_max,h)) plt.subplot(1,1,1) Z=svm.predict(np.c_[xx.ravel(),vy.ravel()]) Z=Z.reshape(xx.shape)绘图，输出可视化。如下代码plt.contourf(xx,vy,Z,cmap=plt.cm.Paired,alpha=0.8) plt.scatter(X[:, 1], X[:, 2], c=y, cmap=plt.cm.Paired) plt.xlabel('Sepal width') plt.vlabel('Petal length') plt.xlim(xx.min(), xx.max()) plt.title('SVC with linear kernel') plt.show()可视化三个特征分类结果图：2.4使用scikit-learn机器学习包的支持向量机算法，选择特征0和特征2对鸢尾花分类并画图，gamma参数分别设置为1、10、100，运行程序并截图，观察gamma参数对训练分数（score）的影响，请说明如果错误调整gamma参数会产生什么问题？2.4.1当gamma为1时：讲上文的gamma='auto‘ 里的auto改为1，得如下代码：svm=svm.SVC(kernel='rbf',C=1,gamma='1') svm.fit(X[:,1:3],y)运行上文可视化代码，得如下结果：2.4.2当gamma为10时：讲上文的gamma='auto‘ 里的auto改为10，得如下代码：svm=svm.SVC(kernel='rbf',C=1,gamma='10') svm.fit(X[:,:3:2],y)运行上文可视化代码，得如下结果：2.4.3当gamma为100时：讲上文的gamma='auto‘ 里的auto改为100，得如下代码：svm=svm.SVC(kernel='rbf',C=1,gamma='100') svm.fit(X[:,:3:2],y)运行上文可视化代码，得如下结果：2.4.4 结论参数gamma主要是对低维的样本进行高度度映射，gamma值越大映射的维度越高，训练的结果越好，但是越容易引起过拟合，即泛化能力低。通过上面的图可以看出gamma值越大，分数（score）越高。错误使用gamma值可能会引起过拟合，太低可能训练的结果太差。

【摘要】 数字化转型已渗透进工装行业，低代码开发构建数字化解决方案，可以帮助工装企业低成本、高效率地实现数字化转型。本文分享自华为云社区《【云享·伙伴】第6期：站在数字化风口，工装企业如何“飞起来”》，作者： 华为云社区精选 。数字化，已成为当今商业社会的一个高频词汇。数字化浪潮下，有乘势快速起飞的行业，也有转型相对滞后、提升空间很大的行业，如工装行业。工装行业数字化转型，行路难工装是一个消费周期长、中间环节多的产业。由于其行业的特殊属性，曾经有很多人调侃其为“与互联网距离最远的行业”。马上数智科技有限公司的创始人何平在行业调研中发现，装修公司的无效成本会因管理水平没有跟上公司的发展速度而急剧攀升。以施工监管为例，管理方式比较原始的情况下，每个楼栋装饰项目需要项目经理拿着纸笔一层层巡查和记录，数据不直观、进度更新不及时，数据容易出现误差，从而导致材料浪费。并且，工装项目中间环节多，协作方式落后也会导致导致项目管控困难。从房屋测量、到户型打样、成本预算、施工管理、到后期维保的各个环节，每个环节都有单独的电子表格和流程审批。又因为异地项目多，部门也多，各环节信息孤岛现象非常严重。上述问题并不是全部。基于对行业的深入分析，何平认为导致这些问题的核心原因主要是：重度依赖人力，信息化渗透率非常低，管理和运营效率低下。从数据入手，让所有人在一张表上对话为减少对人力的依赖，实现数据的循环流转，提升管理和运营效率，马上数智希望建设工装数字化解决方案：为生产经理、劳务班主、项目经理等相关岗位提供匹配的数字化工作台，实现管理过程的标准化、流程化和自动化。1、量化生产数据，将浪费消灭在发生之前，降本增效通过量化施工过程的生产数据，与项目启动时建立基线数据进行偏差对比，预测可能导致浪费出现的项目风险，向管理人员发出建议和行动指令，将浪费消灭在发生之前。2、实现管理可视化，让利益相关方在一张图上协作通过各类岗位工作台来组织管理工作，打通从从房屋测量→户型打样→成本预算→施工管理→后期维保的各环节，能够实现“所见，即所得”，提高沟通的效率和质量。3、实现工作内容的标准化、流程化和自动化处理通过将项目管理生命周期中的各类事项和施工工序标准化、流程化，配套智能辅助工作，避免对人的依赖，让管理工作执行到位，提升施工质量和效率。4、自动生成报表能够自动生成各类报表，自动向相关方汇报项目情况，减少项目管理人员的工作负担。 选择华为云低代码，让想法快速落地工装行业的企业专业IT人员数量少之又少。据信通院统计，我国数字化人才缺口已经成为阻碍企业数字化转型的推进一大因素。在当前的发展大势下，企业需要一个高效且不需要“很技术”的平台，支持企业向数字化迈进。而低代码开发以高效快速、简单易用的方式，缩短应用开发周期，降低开发门槛，能够加快企业的数字化转型。也正是看到这一点，何平研究了多家厂商的低代码平台，从使用体验、自由程度、支持力度、赋能力度四个方面做了全面的调研，对这些平台都进行功能测试等评估工作，最终选择了华为云AppCube。“选择华为云AppCube主要是从四个方面考量：全环境支持、可视化开发、多端皆适配、资产可变现。” 何平表示。马上数智通过华为云AppCube的“低代码平台+企业自建”典型模式，开发出“工装有数”解决方案，帮助企业解决痛点问题。在开发劳务人脸打卡模块时，马上数智通过AppCube自带的AI连接器，实现了无缝对接华为云ModelArts的相关人工智能模块的工作，大大减少了去研究和对接的时间，提升了开发效率。在开发业务数据大屏模块时，马上数智使用了AppCube的DMAX大屏技术，只需要专注于业务数据的采集和分析，不用去关注各个图表的表现形式的开发，极大地提升了相关模块的开发速度。凭借便捷性和实用性，华为云AppCube帮助马上数智快速实现了“小应用低投入”。2021年，何平和他的团队利用华为云AppCube着手开发第一个工装管理应用。在2021年1月1日启动编码，1月30号在公司做验收汇报；春节假期后，3月1号正式试点。而这个应用，从开发到试点，仅投入了一名开发人员和一名测试人员。 “华为云AppCube团队为我们提供了免费的技术架构方案、培训赋能、问题支持等服务，助力我们实现高效构建应用，无忧开发。特别是在我们遇到各类具体的问题或者自己无法解决的BUG时，AppCube团队积极组织各类问题的领域专家，通过在线会议手把手地指导我们进行模块的开发和Bug的处理，让我们能够更快有效的完成开发工作。”何平谈到。从0到1再到N，持续演进，共同成长马上数智通过AppCube完成了整个“劳务闭环”，将施工计划制定、施工任务安排、生产经理复核、成本专员二次复核、劳务产值日报、月度产值申报、劳务付款申请、劳务付款这一系列围绕劳务的管理节点串联起来。通过劳务闭环，可以生成劳务班组的经营报表，从而更加全面的了解劳务班组的所有经营数据，进而就可以了解项目经营的大部份数据，最终有利于公司对项目进行基于数据驱动的有效管理，项目经理再也不需要从25楼走下去手工记录巡检了。这样不仅减少了人工成本，还极大提升了效率。“AppCube团队专门建立了超过40人的技术支持群，专门为我们提供即时全面的技术支持，让我们能在短短一个月的时间按时交付了第一个版本，获得了客户的认同，给了我们好的开始。”何平讲到，“在合作中期，随着业务需求扩张，我们也对平台提出了不少改进意见，得到了平台的快速响应，满足了在开发过程中各类需求，加速了产品的研发进程。”不仅产品上助力企业发展转型，马上数智创始人何平还表示到，作为一家刚刚起步的初创企业，在各方面资源都匮乏的情况下，得到了华为云和AppCube团队在产品开发、技术培训、云计算资源、办公场地、品牌宣传等等各方面的支持，让我们有了一种“背后有靠山，创业不孤单”的感觉，加强了为工装类装饰企业构建数字化协同管理平台的底气和信心。低代码开发，助推工装行业数字化转型马上数智用低代码开发的方式快速实现工装数字化解决方案的构建，帮助工装企业从业务流程化、标准化两方面完成降本增效的目标，实现了工装企业的转型。数据申报和审核效率提升：劳务产值从人工变成全自动，申报步骤从9个减到2个。项目数据驱动管控：项目经营数据汇总周期从过去20天左右，变成了1天，效率提升了20倍。施工质量得到保证：劳务人员实时报工、项目经理有序巡检，进展实时共享，巡检效率成倍提高。施工项目成本降低：基于数据和算法驱动的智慧施工管理模式，能帮助施工项目缩短工期5%-10%，节约材料成本2%-4%，节约劳务成本2%-5%。工装行业的数字化目标，是更好的用户体验和更高的运营效率。工装行业的趋势是工厂化、标准化、现场装配化，一定靠标准化的流程和数据来管理，不再单纯依靠手工作业的经验。工装业务流程化和标准化也就成为实现数字化的途径。目前市场上的数字化产品动辄就是千万级的投入，并不是一个短平快的项目。华为云AppCube的安全性、灵活性以及扩展性能力，能够为工装企业快速带来效益。马上数智希望通过数字化解决方案“工装有数”，重新定义工装行业。最后以AppCube为代表的低代码和零代码平台，也必定会开启全行业数字化转型的新时代。因为数字化转型已经从选择题成为了问答题，那如何以最低的成本和最快的效率完成数字化转型，则成为了答题的基本要求。低代码和零代码让企业以最低成本开启数字化转型，以最高的效率实现数字化转型，华为云相信在未来的企业数字化转型中，低代码和零代码一定会是趋势。数字化是工装行业的下一个风口，而华为云AppCube平台正是迎风起舞的正确方式和方法。华为云AppCube开发者支持团队将为合作伙伴提供在产品开发、技术培训、云计算资源、品牌宣传等多方面的支持，助力伙伴轻松上手低代码开发。通过零代码/低代码开发模式及安全可信的开发环境实现高效构建应用，无忧开发，诚邀伙伴参与共建AppCube开发者生态。

最大期望算法（Expectation-Maximization algorithm, EM），或Dempster-Laird-Rubin算法，是一类通过迭代进行极大似然估计（Maximum Likelihood Estimation, MLE）的优化算法，通常作为牛顿迭代法（Newton-Raphson method）的替代用于对包含隐变量（latent variable）或缺失数据（incomplete-data）的概率模型进行参数估计。EM算法的标准计算框架由E步（Expectation-step）和M步（Maximization step）交替组成，算法的收敛性可以确保迭代至少逼近局部极大值 。EM算法是MM算法（Minorize-Maximization algorithm）的特例之一，有多个改进版本，包括使用了贝叶斯推断的EM算法、EM梯度算法、广义EM算法等。由于迭代规则容易实现并可以灵活考虑隐变量 ，EM算法被广泛应用于处理数据的缺测值，以及很多机器学习（machine learning）算法，包括高斯混合模型（Gaussian Mixture Model, GMM）和隐马尔可夫模型（Hidden Markov Model, HMM）的参数估计。对EM算法的研究起源于统计学的误差分析（error analysis）问题。1886年，美国数学家Simon Newcomb在使用高斯混合模型（Gaussian Mixture Model, GMM）解释观测误差的长尾效应时提出了类似EM算法的迭代求解技术 。在极大似然估计（Maximum Likelihood Estimation, MLE）方法出现后，英国学者Anderson McKendrick在1926年发展了Newcomb的理论并在医学样本中进行了应用。1956年，Michael Healy和Michael Westmacott提出了统计学试验中估计缺失数据的迭代方法 ，该方法被认为是EM算法的一个特例。1970年，B. J. N. Blight使用MLE对指数族分布的I型删失数据（Type I censored data）进行了讨论 。Rolf Sundberg在1971至1974年进一步发展了指数族分布样本的MLE并给出了迭代计算的完整推导。EM算法的正式提出来自美国数学家Arthur Dempster、Nan Laird和Donald Rubin，其在1977年发表的研究对先前出现的作为特例的EM算法进行了总结并给出了标准算法的计算步骤，EM算法也由此被称为Dempster-Laird-Rubin算法 。1983年，美国数学家吴建福（C.F. Jeff Wu）给出了EM算法在指数族分布以外的收敛性证明。此外，在二十世纪60-70年代对隐马尔可夫模型（Hidden Markov Model, HMM）的研究中，Leonard E. Baum提出的基于MLE的HMM参数估计方法，即Baum-Welch算法（Baum-Welch algorithm）也是EM算法的特例之一 。应用：数据分析，机器学习 在Python 3环境使用EM算法求解GMM的编程实现：12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788# 导入模块import numpy as npimport matplotlib.pyplot as pltfrom scipy.stats import multivariate_normal# 构建测试数据N = 200; pi1 = np.array([0.6, 0.3, 0.1])mu1 = np.array([[0,4], [-2,0], [3,-3]])sigma1 = np.array([[[3,0],[0,0.5]], [[1,0],[0,2]], [[.5,0],[0,.5]]])gen = [np.random.multivariate_normal(mu, sigma, int(pi*N)) for mu, sigma, pi in zip(mu1, sigma1, pi1)]X = np.concatenate(gen)# 初始化: mu, sigma, pi = 均值, 协方差矩阵, 混合系数theta = {}; param = {}theta['pi'] = [1/3, 1/3, 1/3]            # 均匀初始化theta['mu'] = np.random.random((3, 2))   # 随机初始化theta['sigma'] = np.array([np.eye(2)]*3) # 初始化为单位正定矩阵param['k'] = len(pi1); param['N'] = X.shape[0]; param['dim'] = X.shape[1]# 定义函数def GMM_component(X, theta, c):    '''    由联合正态分布计算GMM的单个成员    '''    return theta['pi'][c]*multivariate_normal(theta['mu'][c], theta['sigma'][c, ...]).pdf(X) def E_step(theta, param):    '''    E步：更新隐变量概率分布q(Z)。    '''    q = np.zeros((param['k'], param['N']))    for i in range(param['k']):        q[i, :] = GMM_component(X, theta, i)    q /= q.sum(axis=0)    return q def M_step(X, q, theta, param):    '''    M步：使用q(Z)更新GMM参数。    '''    pi_temp = q.sum(axis=1); pi_temp /= param['N'] # 计算pi    mu_temp = q.dot(X); mu_temp /= q.sum(axis=1)[:, None] # 计算mu    sigma_temp = np.zeros((param['k'], param['dim'], param['dim']))    for i in range(param['k']):        ys = X - mu_temp[i, :]        sigma_temp[i] = np.sum(q[i, :, None, None]*np.matmul(ys[..., None], ys[:, None, :]), axis=0)    sigma_temp /= np.sum(q, axis=1)[:, None, None] # 计算sigma    theta['pi'] = pi_temp; theta['mu'] = mu_temp; theta['sigma'] = sigma_temp    return theta def likelihood(X, theta):    '''    计算GMM的对数似然。    '''    ll = 0    for i in range(param['k']):        ll += GMM_component(X, theta, i)    ll = np.log(ll).sum()    return ll def EM_GMM(X, theta, param, eps=1e-5, max_iter=1000):    '''    高斯混合模型的EM算法求解        theta: GMM模型参数; param: 其它系数; eps: 计算精度; max_iter: 最大迭代次数        返回对数似然和参数theta，theta是包含pi、mu、sigma的Python字典    '''    for i in range(max_iter):        ll_old = 0        # E-step        q = E_step(theta, param)        # M-step        theta = M_step(X, q, theta, param)        ll_new = likelihood(X, theta)        if np.abs(ll_new - ll_old) < eps:            break;        else:            ll_old = ll_new    return ll_new, theta# EM算法求解GMM，最大迭代次数为1e5ll, theta2 = EM_GMM(X, theta, param, max_iter=10000)# 由theta计算联合正态分布的概率密度L = 100; Xlim = [-6, 6]; Ylim = [-6, 6]XGrid, YGrid = np.meshgrid(np.linspace(Xlim[0], Xlim[1], L), np.linspace(Ylim[0], Ylim[1], L))Xout = np.vstack([XGrid.ravel(), YGrid.ravel()]).TMVN = np.zeros(L*L)for i in range(param['k']):    MVN += GMM_component(Xout, theta, i)MVN = MVN.reshape((L, L))# 绘制结果plt.plot(X[:, 0], X[:, 1], 'x', c='gray', zorder=1)plt.contour(XGrid, YGrid, MVN, 5, colors=('k',), linewidths=(2,))

6月17日由金域医学举办，华为云提供技术支持的首届“域见杯”医检人工智能开发者大赛正式启幕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。选手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，最后根据分类的准确程度进行排名，给予获奖团队5千-10万元不等的奖励。本次大赛同时将帮助参赛团队接触并了解医检业务场景，探索医检人工智能应用落地的可能性，优秀获奖选手有机会获得入职金域医学的offer直通车或创投机会。华为云人工智能领域首席科学家田奇教授，广州实验室特聘研究员、国家生物数据中心体系粤港澳大湾区节点平台首席科学家兼主任李亦学教授，担任评委会主席。▲首届“域见杯”医检人工智能开发者大赛正式启动聚“产学研”之力推动医检迈向智慧医疗近年来，随着对宫颈癌的致病因素、发病机制、诊断和治疗方法研究的推进，人们已经普遍达成共识——宫颈癌是一种可预测、可预防的肿瘤。那么，通过技术手段寻找一种简单快速、结果可靠的筛查方法，对于早期发现癌前病变就变得非常重要。2018年，金域医学与华为签署合作协议，与华为云的合作主要集中在AI辅助宫颈癌筛查模型的开发。金域医学目前已积累了超过7PB的医检数据，结合其自身的医检专家资源，携手上游技术伙伴，已在医检AI领域取得一系列进展，如AI辅助宫颈细胞学筛查、AI辅助肺部组织病理诊断、虚拟现实（AR）智能显微镜等平台已初见成果，探索并验证了从数据到研发、从研发到转化应用的创新转化模式。华为云一站式AI开发平台ModelArts，从标注、训练模型、图片判断、推理等方面为AI模型的训练和应用提供了坚实的基础。在标注阶段，借助华为云ModelArts对已经上传到云端的海量图像块进行半自动化标注，大大节省了病理医生标注的时间和精力。在算法层面，华为云不断迭代起来的人工智能算法，在模型精度和速度上都达到了业界领先的水平。医检AI探索的核心目的，是为了尝试更多的技术应用可能，从而解决当前医学检验和病理诊断资源的不充分、不平衡难题。作为第三方医检龙头，我们和华为云共同努力，拿出各自的资源和技术优势，打造第三方医检行业首个面向全球的医检AI开发者交流平台，这是责任，更是使命。——金域医学董事长兼首席执行官梁耀铭 ▲金域医学董事长兼首席执行官梁耀铭致辞本次大赛，可以说是华为和金域医学在宫颈细胞学AI辅助筛查合作的一次集中汇报，也是双方携手面向数智应用未来，不断优化创新环境、赢得发展先机的一次重大探索。我们将持续不断地为AI辅助疾病诊断行业凝聚创新后劲，实现从‘输血’到‘造血’的转变，在其他亚专科场景，探索更多应用可能。——华为云Marketing部部长董理斌 ▲华为云Marketing部部长董理斌致辞本届开发者大赛还特别邀请在全国乃至国际上人工智能及生物信息领域都具有非凡影响力的华为云人工智能领域首席科学家田奇教授，和广州实验室特聘研究员、国家生物数据中心体系粤港澳大湾区节点平台首席科学家兼主任李亦学教授担任评委会主席。▲金域医学高级副总裁于世辉博士为田奇教授和李亦学教授颁发评委会主席聘书欢迎广大开发者报名参赛聚“产学研”医检生态伙伴之力共同探索生物医学技术与新一代信息技术融合创新的应用场景让疾病诊断更加高效推动医检乃至医疗行业向智慧医疗迈进报名仍在继续你准备好了吗点击此链接立即报名哦~

2022年6月15-16日，首届“华为伙伴暨开发者大会2022” 以线上直播+线下90多个分会场联动的形式盛大召开。大会以开放、分享、共生为愿景，面向产业发展过程中的关键问题，通过构建繁荣生态、开放技术能力，从“政务治理”到“政务新智理”，聚势赋能新机遇。6月16日华为WeAutomate数字机器人团队携手战略伙伴，云上共话 “政务新智理”。请到文末下载会议材料，感谢！为基层政务工作减负增效，数字机器人开启政务治理新篇章。基层政务工作是联系人民群众最直接的纽带，基层服务水平是政务治理能力的直观表象。上海德成信息技术有限公司总经理朱思成提出：“切实为基层松绑减负，需向数字智能技术要人效，同时提高基层治理的能力”。他介绍了华为政务助手在基层政务服务场景中的最佳实践，并以某街道构建的机器人雇员服务中心为例，说明了包括民意速办报告助手、企业开办智能填报机器人、疫苗信息采集机器人等在内的数字机器人应用情况，华为数字机器人正以创新技术释放社会价值，实现基层“智”治理。 加速“一网统管”能效释放，数字机器人锻造城市治理新能力。随着政务服务信息化水平和服务需求层次的提升，“一网统管”已经发展成为新形势下“智慧政务”的题中应有之义，应用数智技术进一步释放统管能效成为关键途径之一。软通智慧科技有限公司副总裁、华中大区执行总经理张学广谈到：“融合了人工智能和超级自动化技术的数字机器人，可以给城市治理提供更丰富多样的手段、更便捷高效的措施，全面助力提升治理水平”。基于华为能力研发的数智巡检机器人，其应用实现了城市治理中“实时监测、动态分析、统筹协同、指挥监督”相关能力的智能化再升级，有效支撑城市治理智能化、精细化。实施政务综窗智能化改造，数字机器人迈上为民服务新台阶。政务服务综合窗口是为统筹办事项目、简化办事流程而设，然而由于业务孤岛、信息孤岛等造成的数据共享不及时、业务互联不通畅等问题，影响了综窗办事体验。中软国际有限公司华为业务集团 CTO范锴锴参会分享了应用数字机器人对政务综窗进行智能自动化改造的最新实践。数字机器人工单助手系列有效缓解了政务综窗面临的孤岛难题，实现了无侵入式的跨系统、跨单位互操作，其投入和使用使得综窗业务工单按时办结率达99.5%，节约人力成本70%以上。践行“WeAutomate Design”规范，为数字机器人注入应用推广新动能。华为技术有限公司UCD设计专家司英豪正式基于华为数字产品设计语言首发数字机器设计体验规范“WeAutomate Design”。他提到：“我们基于对数字机器人产品的理解和对政企用户的深入洞察，最终沉淀这一套产品设计体验规范，通过使用该设计规范能够快速的将数字机器人能力适配到不同业务场景中，保障了数字机器人产品的体验和生态品牌。‘WeAutomate Design’是为产业伙伴打造的武器库。”深入智慧政务服务技术架构，解析核心发展要素。中国信息通信研究院云计算与大数据研究所人工智能部副主任曹峰在分享中提到：“政务智能化是新时代服务型政府的发展要求之一，通过应用人工智能、大数据、云计算等技术开拓创新政务服务是国家明确的方针政策。”他以华为智慧政务解决方案为对象，全面解析了智慧政务的核心发展要素，指出了“云底座”“数引擎”“智应用”等技术发展方向，总结了以数字机器人为代表的“云数智一体化”政务服务典型模式，并以此为基础扩充了包含制度建设、规范制定、风险控制在内的智慧政务成熟度评估体系。“因聚而生 为你所能”。华为WeAutomate数字机器人将持续迭代技术体系，让自动化自然生长，并将更多优质资源赋能上下游合作伙伴与开发者，形成能力互补以更好地服务客户，携手实现更大的商业成功。- END  -

2月4日发布的《新型冠状病毒感染的肺炎诊疗方案（试行第五版）》，已将“疑似病例具有肺炎影像学特征者”作为湖北省新冠病毒临床诊断标准。作为新冠肺炎重要的诊疗决策依据手段之一，CT作为快速诊断有特有优势，既是专业手段，也是循证工具；既是诊断者，也是评价者。但是，由于患者肺内病灶多、变化快，短时间内需要多次复查、图像多等情况，造成影像医生工作负荷显著增加，加上可精准诊断、量化分析新冠肺炎的影像医生紧缺，诊断效率难以大幅提升。华为云与华中科技大学、蓝网科技等通力协作，研发并推出新型冠状病毒肺炎AI辅助医学影像量化分析服务。该服务基于华为云领先的计算机视觉与医学影像分析等AI技术，可全自动、快速、准确地为影像及临床医生提供CT量化结果，缓解可精准诊断新冠肺炎影像医生紧缺的局面及隔离防控压力，减轻医生诊断工作负荷。同时，基于华为自研Ascend（昇腾）系列AI芯片强大算力，该服务可实现单病例量化结果秒级输出，AI+医生复核的总体效率是纯人工量化评估速度的数十倍，可大幅提升诊断效率。华为云运用计算机视觉与医学影像分析技术，对患者肺部CT多发磨玻璃密度影（GGO）以及肺实变进行分割以及量化评价，并结合临床信息和实验室结果，辅助医生更高效、精准地区分早期、进展期与重症期，有利于新冠肺炎的早期筛查和早期防控。对于院内收治确诊新冠肺炎的病人，该AI服务可以对短时间内多次复查的4D动态数据进行配准以及量化分析，帮助医生有效评估病人病情进展以及用药疗效等。通过对数百例新冠肺炎案例以及正常案例进行分析，结果显示，华为云AI量化辅助诊断服务实现病灶区域分割DICE（预测病灶和真实病灶的重合度）及AVD（预测病灶体积与真实病灶体积误差）指标业界领先，与医生用手工精准勾勒的结果高度一致。同时，基于华为昇腾AI系列芯片，该服务可以实现CT量化结果秒级输出，相较于医生手工勾画ROI进行量化评估的传统方式，极大地提升了诊断效率。

AI 领域，传来一个让人悲恸的消息。6 月 14 日，旷视官方发布讣告，旷视首席科学家、旷视研究院院长孙剑博士因突发疾病抢救无效去世，终年 45 岁。我们万分难过，旷视首席科学家、旷视研究院院长孙剑博士因突发疾病抢救无效，于2022年6月14日凌晨，永远离开了我们。孙剑博士一生专注于科研工作。他的不幸离世，让旷视失去了一位在人工智能技术领域探索和创新的领路人。每一位和他共事过的旷视同学，失去了一位智慧谦和的师长。旷视研究院的墙上一直挂着孙剑博士奠定的研究使命：持续创新拓展认知边界，非凡科技成就产品价值。这句话将永远激励我们，勇攀科研高峰！孙剑博士生平经历孙剑博士扎根于计算机视觉领域二十余载，其一直将科研视为学业，亦是穷极一生想要贡献的事业。孙剑博士，图源个人网站（http://www.jiansun.org/）回顾其生平经历，1977 年出生于陕西西安的孙剑，18 岁考入西安交通大学，1997 年获得西安交通大学自动控制专业获取学士学位。2000 年，获得西安交通大学获取硕士学位。2003 年，获得西安交通大学模式识别与智能控制专业获取博士学位，在攻读博士期间，孙剑作为微软亚洲研究院和西安交通大学联合培养的研究生曾师从沈向洋博士。博士毕业后，孙剑加入微软亚洲研究院潜心科研工作，主要研究方向是交互式计算视觉和网络计算视觉，而后在微软亚洲研究院任至首席研究员。而后的多年间，孙剑博士参与计算机视觉和计算机图形学领域科研领域的研究，他在 CVPR、ICCV、ECCV、SIGGRAPH 等会议上发表了多篇学术论文。2006 年，孙剑博士的论文入围全国百优博士论文。2009 年，孙剑同其他作者发表的论文“Single Image Haze Removal Using Dark Channel Prior”赢得了国际计算机视觉与模式识别会议(CVPR)的最佳论文奖（CVPR Best Paper），这也是亚洲人第一次获得该奖。2010 年，33 岁的孙剑获得了权威技术期刊颁发的麻省理工学院《科技评论》的“全球 35 岁以下杰出青年创新者”奖。2015 年，孙剑带领的团队斩获了图像识别国际大赛五项冠军（ImageNet 分类、检测和定位、MS COCO检测和分割）。同年也获得了 COCO 视觉识别挑战赛两项冠军（物体检测、语义分割）。在微软亚洲研究院工作 13 年后，孙剑博士于 2016 年 7 月加入旷视科技任首席科学家。2016 年，孙剑博士凭借《图像识别的深度残差学习》（Deep Residual for Learning Image Recognition）再次获得国际计算机视觉与模式识别会议(CVPR)的最佳论文奖。同年，获得了国家自然科学二等奖。2017 年，孙剑带领旷视研究院，击败谷歌、Facebook、微软等 AI 巨头企业，获得 COCO&Places图 像理解国际大赛三项冠军(COCO 物体检测、人体关键点、Places物体分割)。2018 年，孙剑再次带领旷视研究院拿下 COCO+Mapillary 联合挑战赛四项冠军（关键物体检测、全景分割、人体关键点检测和Mapillary Panoptic）。2019 年，西安交通大学宣布成立人工智能学院，孙剑博士担任首任院长。彼时他也曾风趣地说道：“在清华读完本硕博叫‘三清’的话，那么我就是‘三交’了。”多年的科研经历，孙剑拥有超过40项专利，自 2002 年以来在顶级学术会议和期刊上发表学术论文 100 余篇。 沉痛悼念在孙剑看来，做科研，只要“认准目标，不断积累，或早或晚就会取得突破。”而在计算机视觉领域的追求，孙剑也曾分享过一套“神鬼”论——“既要做鬼，也要做神”。其中，“做神”是指基础问题研究，“做鬼”是指解决实际问题 。在立足于实际问题方面，2015 年，孙剑带领团队开发出来的“深度残差网络”（ResNet）是世界上第一个上百层的深度神经网络，开创了深度学习领域的一个里程碑。ResNet 在 2018 年被应用在 AlphaGo Zero 中。在旷视任职期间，在他的带领下，移动端高效卷积神经网络 ShuffleNet、开源深度学习框架天元 MegEngine、AI 生产力平台 Brain++ 等多项创新技术相继落地，开创了人工智能新时代。如今他的突然离去，无不令人痛心惋惜。孙剑博士，一路走好。参考：http://www.jiansun.org/https://megvii.com/news_detail/id/43https://baike.baidu.com/item/%E5%AD%99%E5%89%91/19814032http://www.jiansun.org/JianSun_CV.pdf原文链接：https://blog.csdn.net/csdnnews/article/details/125277114

软件工程领域的数学应用多如牛毛为什么顺序、分支、循环三种编程语句就可以表达几乎所有的程序逻辑？单机上跑的算法，怎么改写成分布式的？为什么倒排索引如此之快？如果现在你想进大厂，不做两道编程算法题是不行的，有点难度的题不是图，就是动态规划，再不就是时间，空间复杂度的限制，不懂点数学，纯背题，会很慢。我导师招我的时候跟我说，我最不喜欢你们这些学计算机的或者软件的，没有说编程多好。反正是数学不行。我最喜欢要那些数学底子好或者数学专业的。他们来搞计算机容易出成果。导师的矩阵论学的非常好，搞三维重建的时候，矩阵随便变换一下，应用到三维重建里面就能水一篇文章。让我想起庖丁解牛中的一段话来：庖丁为⽂惠君解⽜，⼿之所触，肩之所倚，⾜之所履，膝之所踦，砉然向然，奏⼑騞然，莫不中⾳。合于《桑林》之舞，乃中《经⾸》之会。⽂惠君⽈：“嘻，善哉！技盖⾄此乎？高考数学是选拔基础学科人才的方式，只会越来越难！我的数学水平直线下降，应该是从高三开始。高二的期末考试没考好。从重点班滑了出来。我对新换的数学老师很不适应。觉得他教的不好。他总把：会和熟是两码事儿。只看不做，一考就错。这些话挂在嘴边，令我很是厌烦。但后来才渐渐明白，数学嘛，没有什么捷径，就是多练习，多做题。听说今年高考数学题非常难。数学题难的目的是为了国家筛选有用的基础学科人才，我们被卡脖子的各种技术，说到底是因为基础学科水平的落后。科学技术一日千里，不在有限的时间里面多学点东西，很难在快节奏的时代里脱颖而出，能够被选拔出来的人才应该是在最年轻的时候就适应了、领会了大部分的基础理论，并且有所提高，这样才能有余力进行创造。 所以，肉眼可见的是数学或者其他基础理工科会在未来难度进一步加大。不单单是高考数学难，考研数学也会越来越难。虽然目前作为一名算法工程师我会在工作的过程中接触到非常多的数学公式，但说实话我吸收的很慢，常常需要先看懂文字的描述再去琢磨公式，然后恍然大悟，奥，居然此处的含义可以通过这样或者那样的数学公式体现出来。比如在注意力机制中，注意力体现为查询、键、值的数学关系，神经网络模型中多层神经网络模拟高阶函数。甚至感兴趣的话，自然数e，复数 等等：自然常数e这个数，怎么就自然了？但我很难说能够跟上最新的模型，多头注意力机制还没完全搞明白，Google已经从bert 到 pathway 了。。。节奏跟不上，就很难讲创新了？根源在哪里？我认为是数学。如果重来一次，我希望可以降维打击花有重开日，人无再少年，如果重来一次我肯定选择好好学数学，即使上了大学也会选择类似数学等的基础学科好好学学。因为如果基础学科学好了，转去应用学科，简直就是降维打击。比如数学专业的本科生上了研究生，可以转计算机（比如文章开头我导师的例子），转金融或者继续研究数学，根本不是像家里人想的只能去当数学老师。P.S. 咳咳，数学老师，应该是最累的老师种类了，一写一黑板。。。向数学老师致敬！当然，直接学计算机也没什么太大问题，这篇文章主要提醒大家数学等基础学科的重要性，上大学后计算机怎么学，如何就业？可以看看参考文献。参考文献朋友们，跟我来，一起抓住大数据时代的AI机遇三维重建技术概述Flow diagrams, Turing machines and languages with only two formation rules判断&数学&生活均值与期望：傻傻分不清？计算机软件领域的一些哲学相关问题考试，一种严格的水平鉴定方法。IT 生涯初探与工作经验分享【计算机、软件工程相关专业毕业生应该知道的事】---- 来自2008级学长的掏心窝分享原文链接：https://blog.csdn.net/wangyaninglm/article/details/125212877

我国工业互联网产业规模超万亿元“截至目前，我国工业互联网已应用于45个国民经济大类，涵盖研发设计、生产制造、营销服务等各个环节，产业规模超万亿元。”工业和信息化部有关负责人日前表示，经过4年多的实践，我国工业互联网从无到有，建成网络、平台、安全三大体系，体系化发展位居全球前列。国家级、行业级、企业级多层次的工业互联网平台体系初步构建，目前具有一定影响力的工业互联网平台超150家，连接工业设备超7800万台（套），服务工业企业超160万家。工信部调查数据显示，83%的企业表示应用工业互联网后生产经营效率明显提升。（来源：人民网） 大冶牵手华为打造智慧城市6月9日，“大冶城市智能体”智慧城市建设战略合作协议签约暨“华为智慧城市展车中国行—大冶站”启动仪式举行，大冶市全面启动智慧城市建设。华为湖北政企业务部总经理吕晓龙表示，此次战略合作签约将是双方深化合作新的开始，华为将做好大冶智慧城市建设的技术顾问，以“城市智能体”为参考架构，构建大冶智慧城市蓝图，推动城市数字化转型，合力打造全省乃至全国“县域智慧城市标杆”。（来源：荆楚网） 我们居住的社区更加智慧化了民政部、中央政法委、中央网信办等9部门近日印发《关于深入推进智慧社区建设的意见》，对建设智慧社区的总体要求、重要任务和保障措施作出部署。专家认为，打造智慧社区有利于提升居民生活幸福感，也有利于拓宽参事议事渠道，为基层治理减负提效。（来源：中国经济网） 微软与教育机构合作：探索AI辅助口语教学的数字化路径6月9日消息，近期一些国内外的学校和教育机构与微软合作，通过Azure AI的语音评测功能，来提升学生的口语及朗读能力。据微软方面介绍，随着功能日益丰富完善，微软Azure AI的语音评测功能已能够应用于教育领域解决方案的合作伙伴、APP开发者以及语言学校、培训中心、教育机构、考试中心，用于进行各种语言学习、口语练习和考试等场景的开发。（来源：**网） 顺丰科技获全国首批数据商资格近日，贵阳大数据交易所发布全国首套数据交易规则体系，顺丰科技获全国首批数据商资格。据介绍，顺丰科技可实现数据合规流通，企业数据产品和服务可通过贵阳数交所平台达成交易，可以为数据产品建设提供参考（譬如“居住地验证”等）。  （来源：36氪） 高通CEO：全球芯片短缺情况正在缓解，预计明年情况将有所改善高通CEO Cristiano Amon日前接受访谈时表示，目前芯片市场需求仍然大于供应，预期在2022年下半才会开始见到供需间更为平衡的发展，预计2023年就会摆脱危机，不过部分业者可能要到2024年才会见到短缺问题缓解。（新浪财经） 上海已开通2万套数字哨兵，今年底将建成6万个5G室外基站近日，以场所码和“数字哨兵”为代表的信息化手段，将在上海常态化防疫工作中起到重要作用。以能够快速核验健康码、核酸和抗原检测结果，同时测量体温的“数字哨兵”为例，目前三家运营商已开通2万套。上海市经信委副主任汤文侃还表示，接下来会加快5G和千兆光网“双千兆”网络建设。到今年年底，全市累计建成6万个5G室外基站，对重点区域采用微站、室分相结合的方式进行5G网络深度覆盖。在万兆到楼、千兆到户已实现的基础上，推动家庭全光接入；加快推动全市商用数据中心和上海超算中心AI算力平台建设。（来源：澎湃新闻）

>摘要：一套AI工作流，既减轻水表抄表工的负担，也保证了普通百姓用水数据的真实。 本文分享自华为云社区《[行业案例：当AI抄起水表，一套工作流打通水务智能的“任督二脉”](https://bbs.huaweicloud.com/blogs/355140?utm_source=csdn&utm_medium=bbs-ex&utm_campaign=other&utm_content=content)》，作者： 华为云社区精选 。 咚咚咚，抄水表了。 抄表员挨家挨户地敲门，登记水表读数，看似简单的一件事，背后其实有着不少辛酸故事。 有的住户的水表安在厨房的炉灶底下，他们得趴伏在地上，一手打着手电筒，一手抹去表盘上的油污，才能看清水表读数。有的抄表员不小心记差了读数，回头既要被住户投诉，还会收到公司的惩罚。 抄水表是个技术活，**有没有什么办法既可以减轻抄表工的负担，也能保证普通百姓用水数据的真实呢**？ AI或许能给出一个最佳的答案。 # 藏在水表里的秘密 虽然家家户户都有水表，但很少有人想过家里的水表是如何工作的。 以传统的机械水表为例，它主要依靠水流推动表内的叶轮转动来测量用水，所以水龙头开得越大，水流得越急，叶轮就转得越快，水表读数走得就快。 后来有了智能水表，其中最具代表性的是电磁水表，它的原理是大家熟知的法拉第电磁感定律，通过在测量管内产生工作磁场，当有导电率的水流经过，就能推动水表工作，测水量更加精准。 这其中，就有着计控仪表企业拓安信的身影。2008年，拓安信研发上市了国内第一台电磁水表，很快便陆续在长沙、郑州投入使用，但在使用中他们发现这种传感器不适合国内的环境使用，于是很快又推出第一台全不锈钢电磁水表。 >拓安信成立于1996年，是中国第一台电磁水表的诞生企业，是集ANSO安信电磁水表、电磁流量计等漏损控制相关产品和系统软件的研发、生产、销售、服务为一体的国家级高新技术企业。其在东莞拥有30000㎡“安信物联网产业中心”，职能涵盖硬件研发制造中心、大流量计量中心实验室、漏控实训基地、大数据中心与客户体验中心。 如今，拓安信为全国近1000家供水企业提供了精准的用水计量设备和数据保障服务，他们通过高精度电磁水表来提升计量效率，降低表观漏损，有效监测动态数据，为供水企业提供信息化的支撑。 也正在这个过程中，拓安信发现这些水务企业在运营效率，尤其是供水可靠性方面遇到不少难题。 # 自来水公司的烦恼 拓安信负责人强调，“长期以来，自来水⾏业抄表工作占用大量人力资源，传统抄表都是通过抄表⼈员现场进⾏⽔表的抄读，⽆法杜绝⼈为错抄、漏抄等现象，⽽抄表质量直接决定水司的经营效益，是自来水公司能实现成本回收的关键。” 如今，抄表的人力成本越来越高，错识概率也高，再加上水表数据出的慢，实时效率低，导致漏水告警不及时，极大地影响了整体的供水管理和决策。 为应对这种挑战，拓安信决定通过引入智能化的技术来解决传统⼿⼯抄表的痛点：用AI抄表来取代人工抄表，降低人力耗费和成本，并提高抄表的准确度。 但是当前行业内水表种类繁多，样式也不统一，很难开发出一套能够适配所有水表的AI算法模型， 如果AI无法精确识别水表读数，AI抄表并不能解决传统手工抄表的难题，于是拓安信的开发团队准备寻求外部力量攻克这个难题。 机缘巧合中，他们遇到了华为云，在D-Plan AI 生态伙伴计划的支持下，拓安信通过华为云的AI开发平台ModelArts完成水表识别模型的定制化和自主训练优化，成功实现了： - 定制化开发智能水表识别算法模型，达到水表元素高精度识别。 - 定制化开发水表识别Workflow，做到多样式水表智能识别快速拓展。 >ModelArts 是面向开发者的一站式 AI 平台，支持海量数据预处理及交互式智能标注、大规模分布式训练、自动化模型生成，及端-边-云模型按需部署能力，可以让AI应用开发到商用部署缩短为分钟级别。 # 一套工作流，解决水表模型定制开发迭代难题 拓安信的研发人员先是梳理了国内主要⽔司⽔表安装、使⽤及运⾏环境，并在华为云AI开发团队的协助下，归类整理了上万张水表照片。 借助华为云的AI开发平台ModelArts，这些被标注好的图片被投喂给AI算法模型，不断去训练优化水表识别算法。  开发流程示意图 在拓安信的AI水表识别模型开发中，华为云的AI方案破解了两个关键的难题。 ## 1、算法定制，已知数据集范围确保100%识别精度 首先华为云AI团队将图片中需要识别的要素提取出来，由于提取的要素存在非正对等情况，因此需要对要素进行180度旋转矫正，然后再将不同的要素送入不同的识别算法中进行解析。 其中，针对水表种类繁多的难题，华为云用Transfomer网络结构的模型来替换升级传统的识别网络算法，用更多的参数量来承载学习多种水表类型。 同时，整个水表照片的识别要素非常多，AI需要完成水表读数识别、ID识别、条形码识别、二维码识别、客户名称识别，再加上有的水表所处的环境比较恶劣，照片存在反光、遮挡和模糊，导致读数下方的二维码/条形码识别率很低。  为此，华为云针对不同的要素制定了不同的后处理策略，针对一个种类只会出现一个框的要素，使用了最大联调区域过滤去优化分割网络的精度。并通过大量的图像算法，来优化噪点、反光、模糊图片中二维码的识别精度。 ## 2、Workflow定制开发，使能客户自主训练，算法可扩展复制 值得注意的是，传统的 AI 应用交付会直接以实验迭代结束后输出的模型为终点。但他们往往会忽略一个问题，就是当应用上线后，随着时间的推移，会出现模型漂移的问题，新的数据和新的特征在已有的模型上表现会越来越差。比如无法识别新上市的水表种类。 为了解决这个问题，华为云为拓安信提供了定制算法Workflow。 >ModelArts Workflow是开发者基于实际业务场景开发用于部署模型或应用的流水线工具。它将数据导入、数据集创建、数据标注、数据处理、模型训练、模型管理、模型上线等复杂的步骤按照业务流程封装成一个个节点。  相较于传统的一次性模式，Workflow允许用户只需要关注数据和标注本身，**无需任何AI知识，就可以自行对模型做迭代，让模型在将来各种场景上都具有扩展性，解决数据漂移问题。** Workflow将开发试验调测好的AI开发过程固化成一条流水线，拓安信的研发人员将会使用这条流水线在持续产生的数据中持续迭代训练，确保这条流水线生产出来的模型的AI应用始终维持在一个较好的状态。整个过程中，他们只需要对Workflow的输入数据，输出路径进行配置，即可启动进行模型训练。  华为云的AI项目负责人表示，“ModelArts将复杂的流程由自己的算法工程师承担，把简单的操作留给用户。当已经部署上线的服务精度降低时，客户可以根据把收集到的数据重新导入Workflow运行，整体运行为一次迭代。” 在ModelArts的加持下，拓安信既实现了水表照片的快速标注和训练，也实现了算法模型的自主训练优化，**水表识别算法模型得以扩展迭代复用，应用于各种新样式水表，降低了开发门槛和成本。** 如今，这套AI方案可以帮助拓安信精确识别读取水表照片中的读数，再搭配他们的外业APP智能抄表系统，传统的⼈⼯抄表模式成功升级为AI抄表。 # AI抄水表，推动水务智能化 对于拓安信来说，智能水表识别模型的定制开发和可迭代，让他们用AI完成了降本增效的目标，成功实现了水务AI的转型。 ## - 节省千万人力成本 查水表不再完全依赖人工，尤其是水表一般都安装在隐蔽的位置，单依赖人眼往往很难看清楚，通过拍照智能识别可以替代人眼识别，从人工抄表到AI抄表，拓安信帮助行业节约千万级人力成本。 ## - 管理效率提升30% AI识别水表数据都会自动化录入，备份，将从前的一录一矫的工作流程优化为矫正为主，管理效率得到30%的提升，实现水务水表数据管理自动化，保证了水表数据的管理和审核。 ## - 保障客户数据安全 由ModelArts开发的AI模型支持一站式部署到本地化或者私有化场景中，极大地提高了水务公司的模型应用性能和数据安全。  水是万物之源，随着人口的增长，人们对水的消耗不断扩大，人均可用淡水资源持续下降。而水资源的管理会影响到经济的各个方面，特别是健康、粮食生产安全、民用给水和卫生设施、能源、工业和环境可持续性这些方面。 科学用水、智慧用水迫在眉睫。 AI记录水表读数，看似只是一个不起眼的变化，背后节省的是巨大的经济成本。而且因为它可以让供⽔计量更加精准，让数据采集更便捷，保证用水数据的真实性，便能为供⽔企业的安全供⽔、效益提升及漏损控制提供科学数据参考，推动水务行业全面智能化。 近年来，我国也相继出台一系列政策支持智慧水务行业的发展。据《智慧⽔务⾏业深度报告》测算，我国智慧⽔务⾏业空间在3000亿元以上。在⼤数据、5G、⼈⼯智能等技术的加持下，我国的水务行业向真正的智慧化、智能化运营管理转变。 这也是拓安信一直以来在坚持的事情，在华为云的帮助下，他们不断加深技术护城河，在智慧水务行业始终保持领先地位。未来，面对智慧水务巨大的蓝海市场，拓安信将继续深耕供水行业，并结合华为云AI团队和技术优势，为⾏业带来新的技术突破和智慧应⽤，实现经济效益和社会效益的增⻓，“成就每一滴水”。

   可以参考一下，个人觉得内容不太完整，没有华为。你要说因为限定了互联网公司的缘故，那为什么IBM在榜？

这倒是很有新意的一个实践。 基于华为云**知识计算解决方案**，企业可以打造自己的知识计算平台，比如中国第一汽车集团，基于知识计算解决方案构建了一汽知识计算平台，将知识以数字化的方式呈现在员工面前，实现从过去的“人找知识”，到现在的“知识找人”的转变，助力员工快速成长为领域专家。 在某汽车4S店，一次性修复率提升了4%，客户维修等待时间下降了23%，厂家支持介入率下降了30%，**维修技师的培养时间缩短了30%**。目前，该解决方案已经在石油、汽车、医疗、化纤、煤焦化、钢铁、交通等行业得到了广泛的应用。 挺好的~ 而能做到这些，是因为 在AI落地行业的过程中，华为发现，行业专家通常对AI理解不足，AI科学家也对行业专业知识理解不足，造成AI落地行业的断点、堵点，这其中**对知识密集型的科技企业**尤其明显。知识计算解决方案，通过将知识加入到行业问题建模和求解的计算过程中，使得 AI真正融入进业务流程，加速 AI 应用行业落地。

自2015年国务院发布《新一代人工智能发展规划》提出要大力推广应用人工智能医疗新模式以来，医疗AI发展越来越受重视。通过人工智能技术集成与医检行业的融合应用，可以显著提高医检产业的智能化水平和国际竞争力。为更好满足医检AI的发展需求，打造面向全球的医检AI交流平台，在广州市科学技术局指导下，金域医学携手华为云举办首届“域见杯”医检人工智能开发者大赛。聚医检生态伙伴之力，共同探索生物医药技术与新一代信息技术融合创新的应用场景，让疾病诊断更加高效可及，推动医检乃至医疗行业向智慧医疗迈进。 6月8日大赛报名通道正式开启金域医学携手华为云两大行业领军企业强强携手搭建医检AI高手对决的舞台开创智慧医检新时代你准备好了吗？点击此链接立即报名哦~

在使用ModelArts完成AI全流程开发时，端到端过程中，提供免费规格，让您免费体验ModelArts的全流程开发。单击此处进入ModelArts管理控制台，参考如下操作指导体验免费规格的使用。使用场景在AI全流程开发过程中，分为如下几个步骤：数据管理：ModelArts数据管理功能目前免费开放，但是由于数据需存储在OBS中，存储的数据按OBS规则进行计费。算法开发或预置算法：ModelArts官方发布在AI Gallery的算法，均可免费使用。如果您自己在本地开发算法，则不涉及费用。模型训练：在创建训练作业时，可选择免费规格，完成模型训练。导入模型：ModelArts提供的模型导入及管理功能，不收费。部署上线：将导入的模型部署为在线服务时，可选择免费规格（CPU或GPU）的资源，将模型部署为服务。针对之前的ModelArts，如果您想端到端体验AI全流程开发，在“模型训练”和“部署上线”时，都需要付费体验。当前ModelArts提供免费规格后，整个AI开发过程，可端到端免费体验。注意：由于免费规格仅针对ModelArts服务，在使用过程中，需使用OBS存储数据或模型时，会根据OBS计费规则进行计费。免费规格声明（模型训练）免费规格用于使用体验，训练作业会在1小时后自动停止，因此建议设置最大训练时长为1小时。限时免费的规格，性能有限，如果您的数据量较大，或者训练时长会超过1小时，建议选择收费的计算规格用于模型训练。免费规格的资源是有限的，当使用人数较多时，会出现长时间的排队。如果希望获得更佳的体验，请选择付费规格。训练作业功能，仅提供了GPU类型的免费规格。同一个帐号只能在1个训练作业中使用免费规格。等训练作业结束后，其他训练作业可重新使用免费规格。“训练管理”中，只有“创建训练作业”功能支持使用免费规格，“可视化作业”暂时无法使用免费规格进行体验。仅在“华北-北京四”区域提供了免费规格，请注意您使用的区域。免费规格声明（部署上线）免费规格用于使用体验，部署的服务会在1小时后自动停止。如果您还需要使用免费规格继续运行，可重新启动服务，可再运行1小时，1小时后仍然会自动停止。72小时内没有再次启动，会释放资源，请注意文件备份。免费规格的资源是有限的，当使用人数较多时，会出现长时间的排队。如果希望获得更佳的体验，请选择付费规格。使用“部署上线”功能时，可用的免费规格有2种，1个免费CPU规格，1个免费GPU规格。但是两种规格不能同时在一个服务中使用。同一个帐号下，任意一种免费规格只能在1个服务中使用免费规格。如果一个部署上线已使用了一种免费规格，不管是运行中还是停止状态，其他部署上线任务都无法再使用这个免费规格。只有部署为“在线服务”时，支持使用免费规格。“批量服务”和“边缘服务”暂时无法使用免费规格进行体验。使用免费规格的服务，可以通过修改操作，将资源规格修改为收费的规格，也可以修改为另一种免费规格。但是已经在使用收费规格的服务，无法修改为免费规格。仅在“华北-北京四”区域提供了免费规格，请注意您使用的区域。免费体验AI全流程开发如下免费使用的教程，以使用预置算法创建训练作业为例，其他类型的训练作业，操作步骤类似，不再赘述。在开始使用如下端到端流程前，请参考准备工作，完成帐号注册、全局配置等操作。本文重点指导用户如何免费使用，如需自动学习详细操作步骤，可参见快速入门。登录ModelArts管理控制台。参考创建数据集（旧版），创建一个“图像分类”类型的数据集。同时，将需要进行标注的数据，上传至对应的OBS中。您可以使用花卉数据集样例完成体验。参考图像分类，将上传的数据全部完成标注。参考发布数据集，将标注好的数据集发布为可用版本。参考使用已有算法训练模型，上传一个可应用于图像分类的算法，如“ResNet_v1_50”算法，创建训练作业。在“规格”右侧的下拉框中，选择带有“限时免费”标识的规格，用于免费体验。然后单击“下一步”，根据界面提示完成训练作业的创建。选用免费规格时，其对应的计算节点个数，仅支持使用1个节点，无法修改。图2 选择限时免费的规格等待训练作业运行结束，当训练作业的状态变为“运行成功”时，表示模型训练完成。参考从训练中选择元模型，将训练后得到的模型导入ModelArts进行管理。参考部署为在线服务，将导入的模型部署为在线服务。在“计算节点规格”中，选择带有“免费规格”标识的规格，部署在线服务。图3 选择免费规格部署为在线服务在服务管理列表中，使用免费规格创建的服务，名称右侧带“免费”标识，等待服务部署完成，当状态变为“运行中”时，表示服务已部署完成。您可以单击服务名称进入服务详情页面，在“调用指南”查看服务的URL接口，或者进入“预测”页签，上传一张图片，进行预测识别。使用免费规格的服务，将在1个小时后自动停止，如果您还需要使用此服务，可在“在线服务”页面，单击“启动”，系统将使用之前选择的免费规格启动服务。图4 使用免费规格运行的服务