人工智能的发展史人工智能“研究，开发用于模拟延伸和扩展人的智能的理论方法及应用系统的一门新的综合性技术科学”人工智能由1956年（人工智能元年）约翰·麦卡锡提出定义“制造智能机器的科学与工程”，意义，在于重新定义生产力，重新定义人的价值机器学习“专门研究计算机怎么样，模拟或实现人类学习行为以获取新的知识或技能，重新组织已有的知识结构使之不断改善自己的技能”机器学习更多是处理结构话的数据并且有较好的数学理论支撑，主要包括决策树，随机森林，人工神经网络，贝叶斯学习，是人工智能的核心研究领域之一深度学习源于人工神经网络的研究，多层感知器就是一种深度学习结构，深度学习是机器学习研究中的一个新的领域它模仿人脑的机制来解释理解数据，图像，声音，文本等人工智能的三要素：数据，算法，算力测验（单选）人工智能的标准定义是由谁提出的？约翰·麦卡锡  √正确丹尼斯·里奇唐纳德·克努特爱德华·泰勒（单选）人工智能元年是？1955年1956年  √正确1957年1958年（单选）比较依赖调参人员的经验，被称为“炼丹术”的算法是？深度学习 √机器学习联邦学习不正确强化学习（单选）人工智能的三要素不包括？数据算法算力AI工程师  √正确（单选）人工智能的三大学派不包括？符号主义连接主义行为主义规则主义  √正确（单选）未来人工智能技术的突破方向可能是？非监督学习，知识推理  √正确监督学习，知识推理深度学习，非监督学习强化学习，监督学习（单选）人工智能中用什么技术可以解决数据隐私保护问题？联邦学习  √正确监督学习深度学习隐私学习（单选）当前世界在AI领域的研究主要集中在？计算机视觉  √正确语音自然语言理解数据挖掘（单选）自然语言处理研究的主题不包括？机器翻译情感分析语音合成  √正确文本挖掘（单选）阿西莫夫对人工智能和人的伦理关系最早的定义是？人工智能三定律人工智能与机器人三定律机器人三定律  √正确人工智能伦理论

Hi，华为云 AI 开发者社区的小伙伴们大家好， 华为云企业智能（EI）开发者支持团队招人喽！热衷 AI 开发及参与社区的您很可能就是我们渴望的 AI 人才，欢迎跟我们进一步聊聊，更欢迎您将这篇文章发给有需要的朋友，感谢！ 如果您对下岗位感兴趣，抓紧投递吧！ 1. AI 开发工程师（深圳、上海、杭州、北京） 2. 云服务高级后台开发工程师（深圳） 3. 云服务前端开发工程师（深圳） 4. 云服务测试工程师（深圳） 5. 云服务高级产品经理（深圳） 6. 云服务高级前端开发工程师（深圳） 7. 安全可信专家（深圳） 8. 解决方案架构师（深圳） 9. 云服务高级测试工程师（深圳） 10. 推理框架开发工程师（深圳） 11. SRM （战略关系合作经理）（深圳） 小技巧：因目前论坛不支持帖子内跳转，**大家可以通过 CTRL+F 搜索自己感兴趣的岗位，快速找到详细介绍**。  --- ### AI开发工程师 #### 技术要求 1. 熟练掌握Python编程，基本熟悉Shell脚本，能熟练在Linux平台下做环境配置、代码调试、代码开发和代码合入； 2. 熟练掌握常见的AI开发框架，如PyTorch/TensorFlow/MindSpore/Scikit-learn中的一种或多种，掌握机器学习和深度学习理论基础； 3. 能独立完成深度学习算法的代码修改、模型训练、模型调优和模型推理 #### 岗位职责 1. 负责华为云AI开发者社区的内容建设工作，包括但不限于AI模型、算法、应用案例的开发，为开发者提供学习AI和落地使用AI的课程及案例指导文档； 2. 在各类线上直播、开发者大会、技术沙龙、校企培训等场合进行演讲，传播华为云的AI开发最佳实践和方法论； 3. 跟踪业界最新AI进展，保持对算法和应用的广泛了解，持续提升华为云AI开发者社区的内容竞争力，建立华为云在AI开发者心目中的技术领导力； 4. 帮助个人开发者、组织开发者和企业开发者解决在使用华为云EI产品过程中碰到的问题 #### 我们希望你： 1. 热爱技术、关注技术发展动态，深钻某技术领域者佳； 2. 沟通及表达能力强，乐于分享和交流技术点，有讲师或教学经验者佳； 3. 有写作产品资料文档、技术博客、拍摄技术讲解分享视频者佳； 4. 有参与投入开源项目/技术社区经验者佳 ---- ### 云服务高级后台开发工程师 #### 技术要求 1. 至少精通C++，JAVA，Go，Python其中一种； 2. 编程能力突出，具有良好的编程风格，熟悉常用设计模式； 3. 熟悉Mysql/mongodb/redis等数据库使用，能够使用Mybaits或者JPA操作数据库； #### 岗位职责 1. 负责华为云EI后端、算法工程化的开发和维护，确保平台高效、稳定的运行； 2. 与行业专家一道，深刻洞悉人工智能在城市生活各领域应用和发展趋势，打造华为云智慧城市生态品牌。 ---- ### 云服务前端开发工程师 #### 技术要求 1. 熟练掌握js、css、jquery、nodejs、es6、ts等前端知识； 2. 对浏览器兼容性、代码可维护性、前端性能优化等有一定的研究; 3. 熟练Angular、react等框架的使用； 4. 熟练使用浏览器进行调试； 5. 具有良好的代码风格、接口设计与程序架构意识； ---- ### 云服务测试工程师 #### 技术要求 1. 熟悉至少一种编程语言java/python; 2. 熟练掌握测试需求分析和设计方法，熟悉黑白盒测试方法，擅于自动化设计和实现; 3. 精通软件开发和测试流程，测试技术规划和测试架构设计能力; ---- ### 云服务高级产品经理 #### 技术要求 1. 掌握工智能基础知识、深度学习AI开发基础流程，有相关的基础代码开发经历，可参与生态构建相关工作。 2. 在人工智能业务及产品领域有产品规划经验，包括产品洞察、竞品分析、用户调研、产品优化、需求分析设计及管理等。且在视觉AI领域有一定的产品规划和实际产品落地经验。 3. 熟悉Axure Rp等设计软件，可独立设计原型图，与架构、开发、测试积极沟通与协作。 ---- ### 云服务高级前端开发工程师 #### 技术要求 1. 熟练掌握js、css、jquery、nodejs、es6、ts等前端知识； 2. 对浏览器兼容性、代码可维护性、前端性能优化等有一定的研究; 3. 熟练Angular、react等框架的使用； 4. 熟练使用浏览器进行调试； 5. 具有良好的代码风格、接口设计与程序架构意识； #### 岗位职责 1. 承担产品的需求分析、技术选型、框架设计、核心代码开发及维护相关工作； 2. 前沿技术研究和业界洞察，识别产品核心竞争力；发觉用户体验机会点，评估可用性现状，提升用户体验； ---- ### 安全可信专家 #### 技术要求 1. 通过安全可信认证； 2. 具有攻击者视角，熟悉端边云的攻防技术； 3. 具备云服务端到端安全方案设计经验； 4. 精通安全测试及测试用例设计。 #### 岗位职责 1. 承担DTSE创新业务安全可信工作，看护DTSE创新业务可信任务。保障icsl送审等 2. 负责安全可信框架演进和关键技术设计，构建端云协同平台评估测试或AI可解释关键能力，构建行业级解决方案，推动标准建设； --- ### 解决方案架构师 #### 技术要求 1. 能够快速、准确、深入理解内外部客户的需求； 2. 具备将需求转化为具体的解决方案的能力； 3. 强烈的使命感、目标感及韧劲； 4. 熟悉华为云基础架构，掌握java编程技能及经验； #### 岗位职责 1. 理解客户业务和行业趋势，协同团队从行业发展中识别对公有云的核心诉求。理解和把握客户需求，具备公有云行业解决方案的创新能力； 2. 支撑面向行业（数字政府/智慧城市、交通、制造、汽车、医疗、能源、油气、金融等）的解决方案规划、创新与架构设计，构建有竞争力的解决方案，打造华为云的行业影响力； ---- ### 云服务高级测试工程师 #### 技术要求 1. 掌握相关自动化测试框架，具备自动化脚本能力，熟练使用常用脚本语言，熟悉云龙测试工具优先； 2. 具备脚本编程能力，熟悉shell、python、java等任一种编程语言者优先. 专业知识要求： 3. 有丰富的测试策略制定、测试方案设计能力，能够深入理解产品的业务场景和关键需求，参加过大规模系统测试； 4. 具有良好的缺陷规律逆向分析能力，针对迭代和网上重点问题，能够举一反三的分析、改进和解决; 5. 熟悉敏捷开发、持续集成/持续交付等实践. #### 岗位职责 1. 负责团队自动化测试工程能力构建，建立一套自动化测试和自动化部署机制，目标自动化测试全覆盖； 2. 全流程主导版本测试分析和设计活动，统筹考虑各阶段的测试方法、自动化手段、工具需求； 3. 主导测试专项技术突破，如可靠性及性能测试、可服务性测试等，提升产品质量竞争力； 4. 通过DFX和测试过程的结果分析，发现重大质量/成本/效率/架构/设计的问题，提出优化方案，并推动问题决策和闭环解决。 ---- ### 推理框架开发工程师 #### 技术要求 1. 掌握C++语言，有在linux，windows或Android上使用C++开发的经验； 2. 有AI应用开发和硬件加速经验者优先； 3. 有多媒体加速（硬件解码，OpenGL，DirectX）等经验者优先。 #### 岗位职责 1. 负责推理框架端侧硬件开发板的适配和版本出包； 2. 使用C++开发推理框架，支持linux开发板，windows，Android等； 3. 负责AI应用的性能优化。 ---- ### SRM （战略关系合作经理） #### 技术要求 1. 对AI技术和行业有良好的了解，对其技术应用落地有相关项目经验； 2. 善于沟通，有较强的人际交往能力； 3. 良好的项目推动力，能协调内外部资源保障项目执行； 4. 有技术合作项目拓展经验优先； 5. 有AI技术开发背景优先； #### 岗位职责 1. 负责重点行业客户、第三方合作伙伴、组织机构的资源拓展、维护和管理，引导伙伴开展技术合作 2. 制定合作项目计划，积极推进生态战略项目的洽谈与落地实施 3. 配合部门产品发布节奏，洞察开发者生态趋势，制定生态伙伴发展策略 ---- ### 如何投递？ 

感谢大家对本次直播的支持与参与，恭喜以下获奖的童鞋，请于7月19日前私信云小宅反馈邮寄信息，以便准时收到奖品，逾期未反馈信息则视为自动放弃获奖资格，请知悉。直播后期论坛优质提问有礼公示：用户1：高级云网管用户2：问道直播期间优质问题公示：用户1：165***4 问题：用户2：165***6问题：用户3：165***7问题：直播简介【专家简介】程泽 华为云SaaS专家【直播简介】SaaS作为一种有效的软件交付形式，让企业IT团队可以将工作的重心从部署和业务系统定制转移到管理业务系统所提供的服务上来；但多租户开发、技术选型等问题会给SaaS应用开发带来挑战；本次系列直播将助力您解决这些难题，轻松构建云原生SaaS化应用。【直播时间】2022年7月7日 19:00-20:30直播链接：https://bbs.huaweicloud.com/live/DTT_live/202207071900.html活动介绍【互动方式】直播前您可以在本帖留下您感兴趣的问题，专家会在直播时为您解答。直播后您可以继续在本帖留言，与专家互动交流。我们会在全部活动结束后对参与互动的用户进行评选。【活动时间】6月30日—7月12日【奖励说明】活动1：优质提问有礼评奖规则：在本帖提出与直播相关的问题，由专家在所有互动贴中选出2名最优问题贴的开发者进行奖励。奖品：华为AI音箱2e 1个 活动2：热门提问有礼评奖规则：在本帖提出与直播相关的问题，TOP 3热门问题的开发者进行奖励。奖品：华为定制文化衫1件【活动奖品】【注意事项】1、为保证您顺利领取活动奖品，请您在活动公示奖项后3个工作日内私信提前填写奖品收货信息，如您没有填写，视为自动放弃奖励。2、活动奖项公示时间截止2022年7月15日，如未填写视为弃奖。本次活动奖品将于奖项公示后15个工作日内统一发出，请您耐心等待。3、活动期间每个ID（同一姓名/电话/收货地址）只能获奖一次，若重复则中奖资格顺延至下一位合格开发者，仅一次顺延。4、如活动奖品出现没有库存的情况，华为云工作人员将会替换等价值的奖品，获奖者不同意此规则视为放弃奖品。5、其他事宜请参考【华为云社区常规活动规则】。

随着全球新一轮科技革命的飞速发展，颠覆性技术革新风起云涌，量子科技当之无愧是最引人瞩目的焦点。2022年5月29日，由HiQ量子计算软件团队、上海大学、电子科技大学、南方科技大学、昇思MindSpore社区和华为云ModelArts平台联合举办的第四届·2022量子计算黑客松全国大赛决赛圆满落幕。1大赛赛况总结本此大赛历时两个多月，吸引了来自北京大学、清华大学、中国科学技术大学、复旦大学、浙江大学、上海交通大学、中山大学、南方科技大学、上海大学等国内外170多所高校的本科生、研究生以及建信金科、中国金融认证中心等企业员工，总计500多人报名。近200个团队参与本次比赛，共同创新，推动量子计算的技术研究。为了体现前沿性和交叉性，本次参赛题目涉及量子计算、量子化学、机器学习等交叉学科。初赛题目颇具挑战性，赛题1“利用量子经典混合的神经网络来完成手写字体识别任务”、赛题2“量子化学模拟——基态能求解的浅层线路设计”，基于高性能开源量子计算框架MindSpore Quantum和HiQ量子计算云平台完成赛题。参赛团队之间互相启发，台上竞争，台下合作，经过层层选拔，最终有13个团队、28名优秀选手成功晋级总决赛，汇聚一堂巅峰对决。2嘉宾评委阵容强大2022年5月29日总决赛在线上如期举行。决赛邀请六位量子计算领域的专家组成评审团，分别是南方科技大学物理系教授、HiQ量子计算软件与算法首席科学家翁文康老师，中国科学院计算机技术研究所研究员孙晓明老师，北京清华大学自动化系教授吴热冰老师，上海交通大学物理系教授唐豪老师，电子科技大学计算机系教授王晓霆老师，MindSpore Quantum高级研究员徐旭升博士。决赛答辩环节，由于日程紧，团队多，给予评委团的压力很大。但是，我们的嘉宾评委全程保持了高度专注，认真听取每一支队伍的决赛演讲，以公正、严谨的态度进行打分，并从自己的专业出发为作品提出中肯的意见和建议。各队选手均是有备而来，凭借深厚的专业知识、对赛题创新性的深入挖掘和团队协作精神，深深的打动了各位评委老师，答辩提问环节选手对评委老师的各种挑战和提问也是应对自如。3角逐冠军，竞争激烈！决赛评审团从创新性、通用性、性能三个维度进行评分，经过激烈的角逐，来自重庆大学的参赛团队以总分第一名的成绩，获得冠军，来自上海大学的两支队伍同时获得亚军。此外还产生了三等奖三名，优秀奖七名。恭喜以下获奖团队，让我们来一睹他们的团队风采吧！一等奖获奖团队：五点组会也没关系团队成员：储贻达、周彦桦、徐维（重庆大学）二等奖获奖团队：Hbar团队成员：唐加亮、王瑞、李宇栋（上海大学）获奖团队：Fenice团队成员：徐宜家、刘懿贤（上海大学）三等奖获奖团队：量子emo小分队团队成员：周旭（中山大学）、刘佳薇（中国科学技术大学）、周俊园（南方科技大学）获奖团队：为什么神经网络和化学都要做团队成员：陈柄任（建信金融科技有限责任公司) 、 于小涵（电子科技大学）获奖团队：零熵 团队成员：耿力（同济大学）优秀奖4 总结没有横空出世的幸运，只有不为人知的努力，在征服与挑战中，各位选手在本次大赛中都收获了属于自己的那一份荣誉与认同。来自不同院校和企业的参赛选手、组织者在一起不仅收获了成绩，更多的是在学术交流和创新实践中收获知识、经验和友情。本次大赛涌现了一大波量子计算种子选手，将成为我国量子计算的后备人才。我们相信通过量子计算黑客松这样的重量级精品赛事，将选拔出更多量子计算优秀人才参与到量子计算的研究中来，推动我国量子计算事业发展。  值得一提的是华为已连续举办了四届量子计算黑客松全国大赛，也受到来自全国各高校和企业单位的高度重视和大力支持。重庆大学物理学院、上海大学新闻网、中国海洋大学信息科学与工程学部、上海科技报、新民晚报等多家高校网站和媒体纷纷对赛事进行报道。

静态生物特征验证是一种常用的 AI 功能，它可以实时捕捉人脸，并可以在不提示用户移动头部或面部的情况下确定人脸是否属于真人。通过这种方式，该服务有助于提供获得积极反馈的便捷用户体验。技术原理静态生物特征验证需要 RGB 摄像头，并且能够通过细节（例如莫尔图案或纸上的反射）区分真人的面部和欺骗攻击（例如面部和面罩的图像或屏幕截图）照片）在相机拍摄的图像中。该服务支持来自各种场景的数据，包括不同的照明条件、面部配饰、性别、发型和面具材料。该服务分析面部周围环境以检测可疑环境。静态生物特征验证模型采用轻量级卷积模块，在推理阶段通过重新参数化将线性计算转化为单个卷积模块或全连接层。MindSpore Lite 推理框架可用于模型部署，从而裁剪操作员。然后缩小模型的封装尺寸，使其更便于集成。应用场景活体检测通常在人脸验证之前使用。例如，当用户使用面部识别解锁手机时，活体检测首先确定捕获的面部是否真实。如果是，则人脸验证将检查人脸是否与系统中记录的人脸匹配。这两种技术相互补充，以保护用户的设备免受未经授权的访问。所以可以肯定地说，静态生物特征验证为应用程序提供了严格的保护，我在这里说明如何集成它。整合程序准备工作调用服务有两种模式：通话模式    活体检测过程    活体检测界面    功能默认查看模式    由 ML Kit 处理    提供的    确定一张脸是否真实。自定义查看模式    由 ML Kit 处理    自定义    确定一张脸是否真实。默认查看模式1.创建回调获​​取静态生物特征验证结果。private MLLivenessCapture.Callback callback = new MLLivenessCapture.Callback() {    @Override    public void onSuccess(MLLivenessCaptureResult result) {        // 验证成功时回调，结果表明面部是否为真人。    }    @Override    public void onFailure(int errorCode) {        // 验证失败时回调。例如，摄像头异常（CAMERA_ERROR）。 添加处理逻辑来处理失败。    }};2.创建静态生物特征验证实例并开始验证。MLLivenessCapture capture = MLLivenessCapture. getInstance();capture.startDetect(activity, callback);12自定义查看模式1.创建一个 MLLivenessDetectView 实例并将其加载到活动布局中。/*** 1. 将摄像头预览画面绑定到远程视图，设置活体检测区域。* 在相机预览流中，静态生物特征验证确定人脸是否在图像中间。 为提高通过率，建议将人脸框置于屏幕中间，并将活体检测区域设置为略大于人脸框。* 2. 设置是否检测掩码。* 3. 设置结果回调。* 4. 将 MLLivenessDetectView 加载到活动中。*/@Overrideprotected void onCreate(Bundle savedInstanceState) {    super.onCreate(savedInstanceState);    setContentView(R.layout.activity_liveness_custom_detection);    mPreviewContainer = findViewById(R.id.surface_layout);    // ObtainLLivenessDetectViewmlLivenessDetectView = new MLLivenessDetectView.Builder()        .setContext(this)        // 设置是否检测掩码。        .setOptions(MLLiveness DetectView.DETECT_MASK)        // 设置人脸框相对于 MLLivenessDetectView 的矩形。        .setFaceRect(new Rect(0, 0, 0, 200))        // 设置结果回调。        .setDetectCallback(new OnMLLivenessDetectCallback() {            @Override            public void onCompleted(MLLivenessCaptureResult result) {                // 验证完成时回调。            }            @Override            public void onError(int error) {                // 验证过程中发生错误时的回调。            }            @Override            public void onInfo(int infoCode, Bundle bundle) {                // 收到验证提示消息时回调。 此消息可以显示在 UI 上。                // if(infoCode==MLLivenessDetectInfo.NO_FACE_WAS_DETECTED){                     // No face is detected.                // }                // ...            }            @Override            public void onStateChange(int state, Bundle bundle) {                // 验证状态变化时回调。                // if(state==MLLivenessDetectStates.START_DETECT_FACE){                     // Start face detection.                // }                // ...            }        }).build();    mPreviewContainer.addView(mlInteractiveLivenessDetectView);    mlInteractiveLivenessDetectView.onCreate(savedInstanceState);}2.为MLLivenessDetectView设置生命周期监听器。@Overrideprotected void onDestroy() {    super.onDestroy();    mlLivenessDetectView.onDestroy();}@Overrideprotected void onPause() {    super.onPause();    mlLivenessDetectView.onPause();}@Overrideprotected void onResume() {    super.onResume();    mlLivenessDetectView.onResume();}@Overrideprotected void onStart() {    super.onStart();    mlLivenessDetectView.onStart();}@Overrideprotected void onStop() {    super.onStop();    mlLivenessDetectView.onStop();}参与评论送书本次送书 3 本，以后每周新文评论区至少抽三位朋友送书，大家可持续关注我：海拥内容简介人工智能被广泛应用和普及，极大地提高了人们学习和工作的效率。而要深入理解人工智能，必须全面理解底层各类机器学习算法的基本原理。只有全面掌握机器学习的基础知识，才能更好地理解、提高和驾驭人工智能的各种应用。本书内容系统、全面，理论知识覆盖面广，且保留了推导过程。实践案例中，深入浅出地讲解和展示了机器学习应用的具体流程。本书适合在各行业工作的数据科学家、在校学习人工智能和数据科学专业的学生、科技公司的管理者和决策者，以及人工智能的初学者和爱好者阅读。觉得自己抽不到，想自己买的也可以参考此链接：https://item.jd.com/13156145.html尾注：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。在这里，我们只讨论了人工智能的基本知识，想要获取更多人工智能相关的知识，或者就是想每周参与抽奖白嫖一本书，你可以私信我加入 CSDN官方人工智能交流群————————————————版权声明：本文为CSDN博主「海拥✘」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/qq_44273429/article/details/125409169

       在移动互联网、云计算等新技术的驱动下，人工智能正在加速融入人类的生产生活，在为经济社会发展不断注入新动能的同时，也让人们的生活变得愈加美好。为了进一步拓宽人工智能在生活中的应用场景，探索实际问题解决方案，同时选拔和培育未来人工智能领域的创新人才，首届华为云杯“少年开发者”人工智能大赛于6月23日正式启动。       华为云杯“少年开发者”人工智能大赛由上海市教育委员会、复旦大学指导，华为技术有限公司主办，华为云计算技术有限公司、上海市科技艺术教育中心、复旦大学计算机科学技术学院、上海市育思青少年计算科学发展中心承办，上海市计算机学会教育信息化专委会、复旦大学附属中学、上海国际计算科学创新教育联盟支持。聚焦AI生活场景应用，以技术创新让美好发生       本届大赛旨在依托华为云强大的技术资源，鼓励青少年围绕具体场景，运用深度学习、计算机视觉、自然语言处理和数据挖掘等人工智能核心技术，设计解决方案、主导实验设计、测试、实践，并最终完成具备原创性与应用价值的科技产品原型或服务解决方案。       大赛的启动期正值国际奥林匹克日，两者之间有着相同的内在气质与情感纽带，共同传递“为美好而战”的拼搏精神。大赛的主题 “以技术创新，让美好发生”，既是对华为云Cloud for Good“为美好，做更好”精神内核的继承，也能让参赛者们利用科技创新发现生活中的小美好，同时通过大赛平台展开竞技与交流的号召，充分体现了“互相了解、友谊、团结和公平竞争”的奥林匹克精神。把握赛事阶段与关键节点，等你来战       首届华为云杯“少年开发者”人工智能大赛面向全国3-12年级的在校学生开展，分为小学组（3-6年级）、初中组（7-9年级）、高中组（10-12年级）三个组别。大赛已于今年6月开启报名通道，将于9月11日截止报名，参赛学生可组成1-3人的参赛团队报名参加，不支持跨组别组队，同一学生只能参加一个团队，不可重复参赛。       大赛分为作品征集、初评答辩、决赛三个阶段，赛期从2022年6月持续至10月下旬。赛事以线上为主，在疫情防控条件许可的情况下于决赛阶段开展线下活动。计划和实施进度可能会因疫情情况有所调整。在作品征集阶段，参赛团队需要聚焦用户需求、问题、使用场景等，进行产品或服务的开发设计，可以根据个人学习与思考选择合适的人工智能相关技术设计解决方案，并形成一定的成果，主办方将从中选取优秀作品进入初评答辩环节，从而决选出进入决赛的团队或个人。       在决赛阶段，复旦大学计算机科学技术学院和华为云组成的专家团将结合各个阶段青少年学习特点进行命题，设计现实场景下的问题，要求参赛选手给出技术解决方案并进行比拼。       本届大赛按组别分设一、二、三等奖，获奖比例分别为10%，20%，40%，获奖数占初评答辩名单70%左右；另设入围奖、优秀指导教师奖、优秀组织奖、Cloud for Good特别价值奖，并且在每个组别中选拔出“2022年开发者之星”，所有获奖者将被授予荣誉证书。同时，在决赛中脱颖而出的个人和团队，将获得与华为工程师以及专业科研导师结对共同设计、研究的机会，从而实现开发项目雏形从纸面到真正商业或应用层面的运用。       国务院发布的《新一代人工智能发展规划》指出，要全面提高全社会对人工智能的整体认知和应用水平，在中小学阶段设置人工智能相关课程，支持开展人工智能竞赛。举办华为云杯“少年开发者”人工智能大赛，正是贯彻落实国家决策部署的重要举措，将发现和培养一批下一代人工智能人才，更好支撑我国人工智能产业持续健康发展。       主办方表示，大赛将为选手们提供丰富的技术资源支持以及公平公正的竞技环境，欢迎广大少年开发者报名参赛，共同探索更多人工智能在生活中的应用场景，推动人工智能产业应用规模化发展，引领新一轮产业变革。

--- ## 视频数据量激增，数据处理和内容运营成本居高不下 云计算、大数据、物联网、人工智能等信息技术飞速发展及传统产业数字化的转型，一方面媒体数据量呈现几何级增长，据IDC预测，全球数据总量预计2020年达到44ZB，我国数据量将达到8060EB，占全球数据总量的18%；另一方面，媒体的生产、传播和消费形式升级。巨量数据中，70%将会以图片和视频的形式存储和传播。这些数据从生产、传播到用户消费，传统方式运营成本居高不下。人工智能在视觉领域发展趋于成熟，基于人工智能的视频内容分析能从根本上解决传统内容分析方法性能低下的问题。AI助力，视频分析将全面进入智能时代。 ## 视频从生产到消费全流程智能化 视频从生产到消费的全流程升级，如图1所示。  图1 视频生产、编辑、分发和消费流程升级 华为云EI助力视频分析全面进入智能时代。  **生产** **视频采集**，从专业设备到移动终端，视频内容采集大众化。华为云EI在采集阶段可提供美颜、个性化等特效处理技术，助力视频采集即处理。 **内容审核**，用户采集内容上传存储前，华为云EI提供视频内容智能审核能力，包括视频质量评估、黄/暴/恐鉴别、重复/相似鉴别及版权指纹分析等，解决重复/疑似不安全内容进入传播流程。  **编辑** **结构化分析**，华为云EI针对各种类型的长、短视频，提供智能结构化分析，将视频以镜头、内容片段等结构化形式进行描述，便于后续的内容分析、存储和分发。 **内容分析**，对结构化表示的视频内容，华为云EI从场景识别、主体识别、行为/事件检测、语音/文本分析及内容描述等方面对其进行智能化分析，支持多维护内容查询和检索。 **智能编辑**，基于智能内容分析，初步提供以下智能视频编辑技术： **(1)**  **视频拆条** 相比较长视频，短视频更有利于在互联网传播，对传统媒体的节目进行拆条是不可或缺的。华为云EI基于人物、场景、语音、OCR字幕等多模态信息分析技术，快速精确地把长视频分割成不同主题的片段。面向海量多媒体视频，大幅提高视频识别、剪辑、检索等处理的效率，降低人工运营的成本。整体效率相对人工提升10+倍，新闻类视频拆条准确率超过95%，特定场景准确率超过98%。  **(2)**  视频摘要 静态摘要，基于视频镜头变换、内容理解技术，华为云EI针对不同类型的长、短视频提供视频静态摘要服务，能够将1个小时视频压缩成5分钟的摘要内容，可用于运营管理人员的内容快速浏览及用户快速内容播放。 视频浓缩，使用背景建模、主体检测、运动轨迹跟踪、前/背景融合技术，华为云EI提供视频浓缩服务，将极长的视频中的事件提取出来，浓缩到较短的视频片段，便于视频内容中事件的快速观看。 **(3)**  **视频封面** 基于视频镜头变换、内容理解和分析技术，快速提取内容相关、构图优美的关键帧作为封面吸引用户进一步观看。相比于人工选取封面，智能封面选取速度提高20+倍，大幅降低运营成本；同时精彩的封面能够吸引用户的注意，大幅提高视频点击率。  **(4)**  **视频内容标签** 视频OCR，视频物体识别，视频人物识别，从多维度对视频内容进行提取，将非结构化的视频文件，转换为结构化的数据，为视频搜索，视频推荐，视频运营等提供了必不可少的信息。  **(5)**  **水印处理** 用户上传的内容除了新采集的视频，还有很大一部分为已有视频的重新传播。而重复传播的这部分视频极有可能已经打上了不同的水印。为了便于企业内容管理，华为云EI提供水印检测和处理技术，能够智能检测水印位置、重构水印并对水印进行处理。 **(6)**  **音视频指纹** 视频指纹具有极大的使用场景，包括：(1) 对用户上传的内容进行重复检测；(2) 可对内容进行版权追踪；(3) 支持多维度、多粒度内容存储和检索； 华为云基于音频、视频内容分析技术，提供音、视频指纹生成、存储及检索技术。 **(7)**  **自动唱词** 在新闻媒体、教育等领域往往只有视频和对应的音频信息，自动唱词技术可以根据视频自动添加字幕，相比人工添加字幕，可以极大提高视频发布的及时性，提高生产效率。 **分发**，基于前述的视频结构化和智能分析，视频内容可按照多维度进行存储，结合用户行为日志分析，支持快速检索和关联推荐，将内容以最快的速度推送到相应的用户。 **消费**，在用户消费视频的过程中，华为云EI提供自动评论及交互播放技术方案，提升终端用户体验。 转载自华为云社区 大道无形 https://bbs.huaweicloud.com/blogs/175010

登录AI Gallery的Workflow案例库。从AI Gallery选择并订阅一个Workflow。订阅完成后，单击“运行”后跳转到ModelArts控制台界面，选择资产版本和云服务区域，单击“导入”，进入该Workflow的详情页面。图1 导入Workflow单击右上角的“配置”后进入配置页面，根据您所订阅的工作流，配置Workflow需要的部分输入项和参数，单击右上角的“保存配置”。保存成功后，单击右上角的“启动”，启动Workflow。Workflow进入运行页面，等待Workflow运行。Workflow完成运行。图2 完成运行

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。