本课内容预览：华为云一体机产品能力；华为云AI产品能力；开发环境和调试方式；

2022年5月11日晚,由华为云HCDE与EI开发者支持团队、福建DTSE团队联合举办的“华为云HCDE上云之路人工智能行业解决方案闭门会”于线上举行。本次会议，华为云EI开发者生态总监林旅强、华为云EI高级工程师杜奇、华为云EI生态经理陈桢、上海麦图信息科技有限公司CTO李鑫与来自多个行业中导入人工智能的各企业CEO、CTO、技术总监等三十多位专家伙伴齐聚线上，就此展开了一场华为云高端技术圈层的精彩思想碰撞和技术落地方案交流。华为云EI高级工程师 零一华为云EI高级工程师零一老师进行了主题为“后疫情时代下，如何加速AI行业开发和落地，实现智能化转型？”的分享。疫情加速人工智能的落地，根据相关统计，疫情期间，具有以下两类特征的企业在疫情期间展现出显著优势：1）能够基于传统 IT 软件，提供叠加人工智能技术拓展其功能边界的企业。2）应用场景清晰，为行业直接提供垂直解决方案的人工智能技术企业。AI产业未来趋势将从局部应用到千行百业，预计2025年，企业对AI的采用率86%。AI助力行业升级的三大主要场景包括：海量重复场景（Repetitive, high-volume work）、专家经验场景（Expert experience）、多域协同场景（Multi-domain collaboration），通过AI技术能使的这些场景实现效率提升、专业传承、突破极限。AI落地短期是为了替代重复劳动解放生产力，长期是为了突破智力极限发现新知识。在落地过程中会面临三大挑战：1）数据敏感，难以适应长尾分布；2）模型敏感，通常需求巨大算力；3)缺乏知识, 算法可解释性较差。这也导致了AI落地的可复制性弱，开发成本居高不下。华为云高效开发平台ModelArts，通过超强预训练大模型、高效数据扩增和生成、模型按需抽取、自动优化和部署等能力，使得AI在落地过程中实现数据高效、模型高效、知识高效。华为云EI生态经理Dino华为云EI生态经理Dino，基于零一老师老师对人工智能行业的分析与洞察，进行了主题为“华为云ModelArts 轻松助力企业降本增效”的产品分享。华为云构筑AI生态圈，助力千行百业智能升级。华为云ModelArts是面向开发者的一站式AI开发平台，为机器学习与深度学习提供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，帮助用户快速创建和部署模型，管理全周期AI工作流ModelArts也是千行百业实现智能升级的AI使能平台。基于华为云的先进算法和快速训练能力，ModelArts提供大量预置行业 工作流和模型，降低开发应用难度，将大部分定制场景自动化，提升企业AI应用的落地效率。在异构分布式资源调度引擎的加持下， 算力得到极致利用，通过AI社区 AI Gallery 承载的天筹(OptVerse)求解器、知识计算、科学计算、盘古大模型和来自生态伙伴的丰富行业组件/工具，企业可轻松实现极简、高效的智能系统开发。华为云与客户和伙伴一起探索AI在千行百业的实践，为构筑AI开发者生态，提供丰富的AI基础服务及行业化解决方案。与梦饷集团一起基于ModelArts搭建推荐平台，开拓电商新价值，店主人数突破200万，月GMV突破10亿元。HEXA IoT开发人员基于华为云ModelArts开发辣椒识别模型，统一辣椒分拣标准，有效减少了人工筛选带来的判断误差，使得整体分拣效率提升50%。华为云为AI开发者伙伴提供技术、商业孵化、营销等全流程生态支持，与伙伴共创AI应用生态，助力伙伴商业成功。上海麦图科技有限公司CTO 李鑫上海麦图科技有限公司CTO李鑫，分享了以“AI助力民航，坚守安全底线，优化流程保障”为题的行业AI应用经验。分享中讲述了如何利用视频目标识别技术在民航领域实现机坪放冲突与流程保障节点采集的工作，给出了一种利用华为云EI的ModelArts线上训练+线下离线部署的解决方案，支持Atlas等多种硬件架构执行AI应用。该方案充分利用了ModelArts在数据管理、数据协同标注、模型订阅训练与转换等多种功能，实现高效率低成本的行业AI应用，为到场的各位提供了华为云EI在生产项目的一线经验。活动的最后，进行了线上圆桌交流环节，多位华为云专家与来自人工智能行业的工程师、公司CEO、CTO等三十多位伙伴围绕“疫情下的危与机，AI行业技术管理者如何发现机遇、迎接挑战、输出解法？”主题进行了探讨。多位伙伴分别提出了对AI行业、场景解决方案以及华为云相关的产品的问题，华为云专家们针对问题与伙伴们展开了激烈的探讨，将本场活动气氛推向了高潮。与此同时，华为云HCDE上云之路人工智能行业解决方案闭门顺利落下了帷幕。华为云致力于搭建技术交流平台、机遇共创的通道，全面助力每一位开发者、每一位合作伙伴，期待下期活动再次相会。如想了解参加更多华为云HCDE相关活动或有AI合作需求请联系小助手（微信号：hwyzj123）

人工智能规划决策系统的发展，一度是以棋类游戏为载体的。最早在18世纪的时候，就出现一台能下棋的机器，击败了当时几乎所有的人类棋手，包括拿破仑和富兰克林等。不过最终被发现**机器里藏着一个人类高手**，通过复杂的机器结构以混淆观众的视线，只是一场骗局而已。 真正基于人工智能的规划决策系统出现在电子计算机诞生之后，1962年时，Arthur Samuel制作的**西洋跳棋**程序Checkers经过屡次改进后，终于战胜了州冠军。当时的程序虽然还算不上智能，但已经具备了初步的自我学习能力，这场胜利在当时引起了巨大的轰动，毕竟是机器首次在智力的角逐中战胜人类。 这也让人们发出了乐观的预言：“机器将在十年内战胜人类象棋冠军”。但人工智能所面临的困难比人们想象得要大很多，跳棋程序在此之后也败给了国家冠军，未能更上一层楼。而与跳棋相比，国际象棋要复杂得多，在当时的计算能力下，机器若想通过暴力计算战胜人类象棋棋手，每步棋的平均计算时长是以年为单位的。人们也意识到，只有尽可能减少计算复杂度，才可能与人类一决高下。 于是，“剪枝法”被应用到了估值函数中，通过剔除掉低可能性的走法，优化最终的估值函数计算。在“剪枝法”的作用下，西北大学开发的象棋程序Chess4.5在1976年首次击败了顶尖人类棋手。进人80年代，随着算法上的不断优化，机器象棋程序在关键胜负手上的判断能力和计算速度上大幅提升，已经能够击败几乎所有的顶尖人类棋手。到了90年代，硬件性能、算法能力等都得到了大幅提升，在1997年那场著名的人机大战中，IBM研发的深蓝(Deep Blue)战胜国际象棋大师卡斯帕罗夫，人们意识到在象游戏中人类已经很难战胜机器了。 到了2016年，硬件层面出现了基于GPU、TPU的并行计算，算法层面出现了蒙特卡洛决策树与深度神经网络的结合。4：1战胜李世石；在野狐围棋对战顶尖棋手60连胜；3：0战胜世界排名第一的围棋选手柯洁，随着棋类游戏最后的堡垒--围棋也被AlphaGo所攻克，人类在完美信息博弈的游戏中已彻底输给机器，只能在**不完美信息的德州扑克和麻将中**苟延残喘。 人们从棋类游戏中积累的知识和经验，也被应用在更广泛的需要决策规划的领域，包括机器人控制、无人车等等。棋类游戏完成了它的历史使命，带领人工智能到达了一个新的历史起点。

【功能模块】深度学习模型部署【操作步骤&问题现象】1、深度学习模型（如检测、跟踪）部署时，是选用c++还是培养python？mdc300 mini上能否pip安装？python是否支持和c++程序之间的通信？2、modelzoo给的模型大部分是基于python的，是否能支持转换为om模型？算子是否支持？

【功能模块】ModelArts产品AI应用服务ID 7bb213cc-d27c-4f25-88db-d15b7a79fd66【操作步骤&问题现象】1、原yolov5 提供了模型集成，但在obs中上传两个模型文件（.pt）后推理错误。模型（pt）的读入是不公开的，无法修改推理文件完成Ensemble Inference。2、官方要求的文件路径如下OBS桶/目录名 |── resnet | ├── model 必选： 固定子目录名称，用于放置模型相关文件 | │ ├── <<自定义Python包>> 可选：用户自有的Python包，在模型推理代码中可以直接引用 | │ ├── resnet50.pth 必选，pytorch模型保存文件，保存为“state_dict”，存有权重变量等信息。 | │ ├──config.json 必选：模型配置文件，文件名称固定为config.json, 只允许放置一个 | │ ├──customize_service.py 必选：模型推理代码，文件名称固定为customize_service.py, 只允许放置一个，customize_service.py依赖的文件可以直接放model目录下3、我的OBS【日志信息】（可选，上传日志内容或者附件）

AI从2012年开始热度一直居高不下，俨然成为IT行业的新宠，与各行各业的结合也成为AI落地进程中的主流方向。AI技术如今已经成为IT行业的新宠，与各行各业的结合也成为AI落地进程中的主流方向，智慧城市的最新发展和现状是怎样的？如何更好地实现云上强大AI能力的价值落地？NLP（自然语言处理）和对话机器人有哪些典型落地场景和未来趋势？2019年12月21日上午，在AICon全球人工智能与机器学习技术大会"华为云AI技术应用和实践专场"上，来自华为云EI（企业智能）的三位技术专家分别就"华为云自然语言和对话机器人技术详解和应用场景"、"AI+城市智能体：聚焦新一代智慧城市的PISC架构"、"华为云HiLens:端云协同AI平台，助力企业快速智能化转型"主题详解了相关技术与应用。一、自然语言、对话机器人技术详解及应用场景随着智能助理、对话机器人、智能音箱等产品的兴起，NLP的风口正在到来，NLP领域突破不断，预训练模型的出现，迁移学习和多模态被越来越多的普遍使用，企业市场也涌现出丰富的应用场景。语言理解成为人工智能皇冠上的明珠。在华为云的演讲中，整体梳理了华为云自然语言、对话机器人技术详解及应用场景。（一）语音语义技术发展历程人类使用自然语言沟通的逻辑是：听到——>理解——>回答，而从计算机的角度，要想实现语音语义识别，需要4项技术与之对应：语音识别ASR、语言理解NLU、语言生成NLG和语音合成TTS。1、语音识别的发展：1952~1990年是模板匹配阶段，主要针对小词汇量、孤立词识别；1990~2010年，开始用统计模型做语音的识别；到了2010年以后，基于神经网络的模型如CTC出现，让语音识别的模型变得非常清晰简单；最近几年出现的attention demo，效果可以达到商业化应用标准。2、语音语义技术在行业的应用：一方面是虚拟的个人助手，另一项重要应用是智能客服，三是公司内部IT热线。（二）智能语言和对话机器人的应用华为EI语音语义团队基本上覆盖了三方面的线上服务，一是自然语言处理服务，包括NLP基础能力如分词，文本相似度等，也包括语言生成、语言理解、知识图谱、机器翻译等高阶能力；二是语音交互服务，包括语音识别，语音合成、语音扩展的能力；三是更加智能的交互技术，包括多轮问答、电话机器人等。1、对话式智能在企业场景中的应用对话式智能在企业中的应用，包括售前引导、售后服务以及智能外呼。其中，售前引导通过智能导购多轮对话，增加商业机会并减少运营成本；售后服务通过故障问答、售后咨询等提高客服效率，提升服务体验；而智能外呼由机器人自动执行外呼电话任务，例如营销、满意度回访，预约等，并自动生成呼叫语义报告，提升企业运营效率和客户满意度。在构建整个解决方案时，迁移学习在NLP领域可以解决很多场景的问题，这一点被越来越看好。比如开发者训练了某一个特定领域的模型，并积累了大量数据，但是当进入新领域时必然面临到现有数据少的难题，而通过迁移学习则可以把训练好的模型迁移到新的场景上，用现有的、较少的数据训练出好的模型，从而解决客户的问题。2、智能对话分析/质检在呼叫中心里，尤其是呼叫量比较大的时候，需要分析客服与客户的互动是否符合规范，以前都由专门的质检人员监听录音反馈信息。现在可以用机器替代人工，用自然语言理解和语音识别去做全量质检，不仅可以得到质检的结果，还可以得到商业的分析，用客户提供的反馈优化产品。3、自然语言的情感分析华为VMALL商城里面有大量的用户评价，对于一个公司来说，了解用户真实的反馈是非常有价值的，对商品评论自动过滤，负面评论供人工审核解决问题；对于属性级别的情感分析，辅助细粒度商业分析和决策。（三）语音语义未来发展趋势NLP会迎来黄金10年。华为云致力于把学术界最前沿的技术应用到商业场景里面，解决客户的具体问题。1、Voice UI会成为下一个趋势，聊天机器人将无处不在。现在越来越多的应用场景，各种不同的垂直领域都会有聊天机器人代替人工做一些工作，无论是售前咨询、售后服务、辅助购买等都会有机器人去引导你，辅助你把这个流程走完。所以习惯与机器人互动是接下来每个人要做的事。2、未来五到十年，机器人会具备分析大量文本的能力。从阅读、分析、理解到最后生成一个总结报告，所有的内容都是由机器人去完成。3、情感化、个性化的定制成为流行。高德地图中，使用明星语音引导就是例子，未来会有越来越多定制化的语音需求，满足不同场景的应用。二、AI+城市智能体：聚焦新一代智慧城市的PISC架构第二位华为专家从城市智能体的角度，以智能交通为例，系统地介绍了基于人工智能技术的PISC架构在交通态势感知（Perception)、推理(Inference) 到决策（Strategy)和控制(Control)上的应用。此外，他还详细讲解了基于胶囊投影的深度学习算法(Capsule Projection Networks)、交通图计算（Graph Computing）以及各种交通策略以及控制算法的实现。（一）智慧城市发展现状智慧城市最早起源于2008年11月RBM提出的智慧星球，直到2012年，RBM陆续从智慧星球概念中推出智慧城市。也是在2012年深度学习技术在计算机视觉取得非常大的成果后，智慧城市的落地应用才变得可行起来。有一个最经典的智慧城市解决方案——PC，P就是感知，C就是控制。通过对交通路网上的交通流进行实时分析，对交通流在不同的入口，甚至精确到不同的车道上的情况都有一个精确的感知结果。根据感知分析的结果，对路口的红绿灯进行流量控制，比如通过调节感应率的时间，实现最小化等待时间，防止出现二次排队的现象，从而制定合适的红绿灯方案。但PC结构是有本质上的缺点。一是PC得到的感知结果实际上是局部的，缺少对全局交通态势的认识。二是对于交通动态变化的分析和控制，由于规则不固定，很难做到最优的策略。三是认知与决策的鸿沟。也就是如何把感知上升到认知，并且把认知翻译成能够执行的策略和控制的方法。为了解决这三个问题，华为云在PC结构基础上构建出一个PISC。（二）PISC总体架构PISC就是在PC结构基础上，在P与C之间加入I（推理）和S（决策）。1、加入I（推理），目的是把局部的感知信号叠在一起形成全局交通态势的认知。比如对单点的交通流的信息推理，如何发现拥堵的区域，如何找到早高峰的数据，如何发现出入口的拥堵，不仅需要对当前态势进行推断，还要对交通态势随着时间的变化进行预测。2、把认知结果翻译成S（决策）。在决策里非常需要交警的专业知识和经验的引入。结合AI的控制技术、控制手段，形成一整套策略，并把策略通过红绿灯信号或者是导流屏或者导流短信实施下来。现在最常用的感知技术是摄像头技术，在此基础上提出新的一种更加高效的、精度更高的深度学习框架——胶囊投影。其思路是：分类，对每一个类别做一个胶囊子空间，每个子空间有特定识别的语义。做投影之后，它的长度跟角度利用胶囊网络最核心的思想，可以得到胶囊投影进行分类。在不改变网络复杂度的情况下，以网络的容量、参数规模和运算时间来做度量复杂度。在同样复杂度下能够比其他深度学习的网络分类准确率提高20%以上。另外，利用多模态的数据对多模态进行感知。选择多模态。一是因为电警数据有死角，需要结合其他多传感器的数据，比如地磁跟雷达数据，扩大探测范围，形成互补；二是要采集浮动车数据。利用浮动车数据，把浮动车低采样、低密度的数据恢复成高采样、全路网的数据。智能交通决策控制是把认知的信号通过推理的方法上升到感知跟语义信号的高度之后，就可以识别出来拥堵区。为了把语义地图转换成可以执行的控制交通策略，首先要把语义地图做一个表达，通过语义地图原始输入的data，把它翻译成交通地图做一个全景表达的representation，在这个过程中可以把专家的知识输入进去，就是Graph作为输入，然后专家的指挥数据作为一个输出，作为有监督的训练，这种方法是一种模仿型的自动决策的方法。除了模仿型方法之外，我们也可以利用强化学习的方法，强化学习仍然是基于Graph Representation全局的表达，但是这个时候不是用专家的知识，而是用全区的可以评估的指标。这两种方法可以融合起来，既可以把专家给出来的指挥策略作为信号，也可以用AI技术、强化学习来训练神经网络。PISC方案已经在很多城市进行试点，有的已经进行全方案的部署。以一个北京路口为例，利用TrafficGO系统把平均延误时间下降25%，全干道平均延误下降15%，这是用第三方浮动车数据测出来的结果，可见人工智能技术在试点的路口已经取得了好的结果。华为专家在演讲中提到，随着智慧城市建设的大力投入和深入开展，EI人工智能技术在高效疏导交通拥堵，提高城市出行效率，及时响应交通事故和其他紧急事件，快速建立应急车辆的绿色通道，以及保障和提高民生, 建成人和生态环境和谐发展的智能城市体等方面发挥关键性的作用。三、华为云HiLens：端云协同AI平台在AI技术实际落地过程中，诸多场景如摄像头智能监控、医疗影像分析、智能车载系统等遇到数据上云成本高、计算延时大、隐私风险、AI应用开发上手困难、AI应用本地维护困难等挑战，极大的阻碍了云上强大AI能力的价值落地。因此，将云上AI能力便利的部署到离应用场景更近的边缘或终端设备上，能很好解决这一系列问题。在2018年10月召开的华为全联接大会上，华为云重磅发布了一站式视觉AI应用开发、部署和管理服务平台——HiLens，以解决当下"端-边-云"场景下亟待解决的开发问题。在本次大会现场，华为云HiLens研发负责人也带来了相关演讲，详细拆解了HiLens平台架构及关键能力。演讲伊始，他先整体讲解了华为云EI布局，并引入对 HiLens的介绍。目前，云上AI服务落地依然存在很多的问题和挑战，主要的五项包括成本、延时、场景、隐私及边缘端侧AI应用的部署和维护难。针对高成本、低延时、复杂场景、数据安全和部署维护等问题，华为云推出了HiLens平台服务。其主要能力包括：一、可以管理高达百万量级的设备；二、通过在算法和业务层面将AI的应用拆分成端的部分和云的部分。以摄像头监控行业为例，在家用摄像头上可以做人形、人脸比对、家庭成员的搜索等等，华为将预处理或者基础的能力放在低成本的摄像头上，然后输出小图传输到云侧进行比对，并在端侧把大量的数据忽略掉，所以成本会大幅降低；三、HiLens平台构建的也是一个Skill Market的生态，到2019年，华为和第三方合作伙伴开发的针对各个行业的几百个技能、应用，都会放到Skill Market里。HiLens的整个平台架构主要分为三个部分，最上层是针对行业已经实现的应用，下层分成端侧和云侧，端侧主要是基于不同的芯片、不同OS系统开发的整个AI技能在端侧运营的软件，包括算法成本和库、基本图像、语音处理的部分软件等，通过一套叫Skill Framework的服务提供给开发者，开发者可以简单高效地可以在端侧运行应用或技能；云侧主要提供边缘设备的管理，也包括应用开发和数据的管理。例如，在设备上产生的数据可以从端侧软件推到云侧做一个视觉化存储。HiLens平台包含以下几大特性和关键能力：1、针对Skill生态的开发者做Skill服务。模型依然是AI应用开发的核心，在华为云上， 模型的开发可以使用ModelArts，或者通过线下的导入到上面来，然后通过Framework将模型打包成技能，就可以下发到HiLens支持的边缘或者终端设备上。2、端侧算法开发框架Skill Framework检测。Skill Framework封装了视频分析算法基础组件，如图像处理、推理、日志等，开发者通过少量代码即可开发自己的Skill，同时，HiLens还可结合芯片进行性能优化，提供Python和C++接口，在HiLens平台上开发的Skill可以运行到任何基于华为海思芯片的设备上。3、模型优化、自动模型转换及压缩能力。包括网络蒸馏、通道剪枝、权重稀疏化、量化、模型转换等。4、上文中所提到的丰富的Skill Market，方便模型快速构建。5、设备实时采集视频流传输到云端，可视化管理多路视频流。目前，HiLens具备非常丰富的应用场景。例如，在智能园区中可精准追踪行人轨迹、识别车牌&车型等；在智慧家庭中实现陌生人告警、异常声音检测等；此外，在智能车载、智慧工地等场景中，HiLens也可以发挥其功用，达成对疲劳驾驶检测、安全和姿态监测等。本文转自：今日头条原文链接：https://www.toutiao.com/i6644031954968642056/

ModelArts是面向AI开发者的一站式开发平台，提供海量数据预处理及半自动化标注、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，帮助用户快速创建和部署模型，管理全周期AI工作流。“一站式”是指AI开发的各个环节，包括数据处理、算法开发、模型训练、模型部署都可以在ModelArts上完成。从技术上看，ModelArts底层支持各种异构计算资源，开发者可以根据需要灵活选择使用，而不需要关心底层的技术。同时，ModelArts支持Tensorflow、PyTorch、MindSpore等主流开源的AI开发框架，也支持开发者使用自研的算法框架，匹配您的使用习惯。ModelArts的理念就是让AI开发变得更简单、更方便。面向不同经验的AI开发者，提供便捷易用的使用流程。例如，面向业务开发者，不需关注模型或编码，可使用自动学习流程快速构建AI应用；面向AI初学者，不需关注模型开发，使用预置算法构建AI应用；面向AI工程师，提供多种开发环境，多种操作流程和模式，方便开发者编码扩展，快速构建模型及应用。产品架构ModelArts是一个一站式的开发平台，能够支撑开发者从数据到AI应用的全流程开发过程。包含数据处理、模型训练、模型管理、模型部署等操作，并且提供AI Gallery功能，能够在市场内与其他开发者分享模型。ModelArts支持应用到图像分类、物体检测、视频分析、语音识别、产品推荐、异常检测等多种AI应用场景。ModelArts特色功能数据治理支持数据筛选、标注等数据处理，提供数据集版本管理，特别是深度学习的大数据集，让训练结果可重现。极“快”致“简”模型训练自研的MoXing深度学习框架，更高效更易用，大大提升训练速度。云边端多场景部署支持模型部署到多种生产环境，可部署为云端在线推理和批量推理，也可以直接部署到端和边。自动学习支持多种自动学习能力，通过“自动学习”训练模型，用户不需编写代码即可完成自动建模、一键部署。AI Gallery预置常用算法和常用数据集，支持模型在企业内部共享或者公开共享。

第一个基于电子计算语音识别统出现在1952年，AT&T贝尔实验室开发了一款Audrey的语音识别系统，能够识别10个英文数字，正确率高达98％。 70年代开始出现了大规模的语音识别研究，但当时的技术还处于萌芽阶段，停留在对孤立词、小词汇量句子的识别上。 80年代是技术取得突破的时代，一个重要原因是**全球性的电传业务**积累了大量文本，这些文本可作为机读语料用于模型的训练和统计。研究的重点也逐渐转向大词汇量、非特定人的连续语音识别。那时最主要的变化来自用**基于统计的思路**替代传统的基于匹配的思路，其中的一个关键进展是隐马尔科夫模型(HMM)的理论和应用都趋于完善。工业界也出现了广泛的应用，德州仪器研发了名为Speak&Spell语音学习机，语音识别服务商SpeechWorks成立，美国国防部高级研究计划局（DARPA）也赞助支持了一系列语音相关的项目。 90年代是语音识别基本成熟的时期，主流的高斯混合模型GMM-HMM框架逐渐趋于稳定，但与实用还有一定距离，语音识别研究的进展也逐渐趋缓。由于80年代末90年代初神经网络技术的热潮，神经网络也被用于语音识别，提出了多层感知器一隐马尔科夫模型(MLP-HMM)混合模型。但是性能上无法超越GMMHMM框架。 突破的产生始于深度学习的出现。随着深度神经网络（DNN）被应用到语音的声学建模中，人们陆续在音素识别任务和大词汇量连续语音识别任务上取得突破。基于GMM-HMM的语音识别框架被基于DNN-HMM的语音识别系统所替代，而随着系统的持续改进，又出现了深层卷积神经网络和引人长短时记忆模块（LSTM）的循环神经网络(RNN)，识别效果得到了进一步提升，在许多（尤其是近场）语音识别任务上达到了可以进人人们日常生活的标准。于是我们看到以Apple Siri为首的智能语音助手、以Echo为首的智能硬件人口等等。而这些应用的普及，又进一步扩充了语料资源的收集渠道，为语言和声学模型的训练储备了丰富的燃料，使得构建大规模通用语言模型和声学模型成为可能。

体验形式：本次体验采用有奖征集体验评测报告+群内交流的反馈的形式。我们将在体验官群内(点击链接申请成为体验官   ）筛选体验官若干位，然后签订协议邮寄实物开发板并按照体验报告（筛选后展示）的要求操作和体验产品，最后输出体验报告。我们会从中筛选出高质量体验报告，给予礼品奖励和积分奖励。体验产品简介：ModelBox 端云协同AI开发套件（RK3568），降低门槛的AI开发板。拥有0.8TOPS算力，支持丰富的硬件接口扩展；具备强大的软件生态，利于进行开发研究。拥有它，你可以快速了解系统的硬件和软件，学习AI应用端侧硬件开发流程，实现云侧AI应用端侧部署；你还可以将部署的AI应用同步到云平台售卖，实现AI应用的商业变现。活动流程：1.如您已经成为产品体验官，小助手会在群内发布招募公告，直接报名即可。2.如您还未申请成为体验官，请点击链接先申请成为体验官，再参与活动哦~申请链接：https://developer.huaweicloud.com/activity/experience-officer.html 3.填写本次活动体验者筛选问卷，等待小助手入选拉群。问卷链接：https://devcloud.huaweicloud.com/expertmobile/qtn?id=93421f85b0704d70b4adb69c18ad5513 4.签订协议收到开发板进行体验5.输出产品体验报告，等待领奖☆奖励设置如下☆参与奖：15名获奖要求：完成体验和体验报告，并完成一篇案例奖励：华为体脂称   优秀奖：10名获奖要求：完成体验和体验报告，并完成一篇优质案例（专家评选）优秀案例：ModelBox开发案例 - 使用YOLO v3做口罩检测奖品：开发板硬件

ICDE 38thICDE 2022 ICDE 2022全称38th IEEE International Conference on Data Engineering(第38届IEEE 国际数据工程大会）是数据库领域最高权威的国际顶级学术会议之一，是CCF推荐的A类会议，与SIGMOD、VLDB 并称数据库领域三大顶会。ICDE 2022 于2022年5月9日—12日，在马来西亚吉隆坡以线上会议的形式召开。openGauss作为开源数据库的新兴力量亮相ICDE 2022。openGauss社区技术专家、华为高斯数据库高级工程师王天庆在圆桌会议上，做了以“openGauss在AI自治数据库上的演进”的专题发言，提出AI将是未来数据库发展的关键。通过引入AI技术，数据库将会变得更加智能。基于深度学习、机器学习、优化算法等人工智能方法可以在数据库上实现自我演进的优化器、智能化的索引。以及实现支持数据库故障自诊断、自愈等更加智能化的自治系统，最终将可能演进到具备全场景、自决策的、更加完备的智能化数据库管理系统，实现数据库的开发、交付、运维的端到端智能化平台。——华为高斯数据库高级工程师王天庆王天庆的专题发言—“openGauss在AI自治数据库上的演进”，主要从AI能力整体规划和AI能力介绍两部分在线为大家展开分享。openGauss数据库AI框架具有以下特点：全栈AI数据库：整个框架纵向来看， 向下融合通用AI技术栈；向上支持用户、DBA、开发者、数据分析师等全类型用户，从而支撑SQL, DBMS和DB Kernel全场景的智能。从水平方向来看，主要具备两部分能力：AI4DB与DB4AI. 其中DB4AI可实现全流程AI，构筑数据库內参数优化、模型选择、自动化特征工程等技术，压缩数据分析技术栈，让用户在数据库中利用SQL语句驱动AI任务。全场景AI数据库：AI4DB-利用AI技能两条线赋能。在DBMS中，AI能够对数据库的分布键、视图和索引等给予推荐，使数据库调优周期从天级下降为秒级。內置在DBMS中常用故障模式库，可以结合AI和规则引擎预测软件故障，还能通过AI算法分析故障根因，并尝试自动化修复；在DB Kernel中，利用AI技术可实现优化器的自我更新、自学习型索引以及负载的智能编排，从而达到提升性能、减少人为操作的效果。在2022年4月1日发布的3.0版本中，openGauss实现了后台监控服务，并在后台定期地检查数据库系统的状态，从而形成了自治数据库平台DBMind。创新性地完成了对历史AI能力的整合，实现了可服务化、可离线式、插件式、自由组装的DBMind平台。同时，还介绍了在3.0版本中，openGauss 对现有的索引推荐、时序预测等功能也进行了全面升级。AI4DB自治运维平台DBMind实现DBMind系统组件化，支持通过组件命令执行方式，实现AI自治功能的调用；集成基于openGauss exporter的采集能力，实现监控、采集、诊断和优化端到端能力。慢SQL根因分析实现基于KNN算法和根因特征权重矩阵的慢SQL根因分析召回，覆盖20+慢SQL场景；支持分区表索引推荐能力；实现轻量化趋势预测能力，实现线性时序、非线性时间和周期时序多种场景下的预测能力。随着AI技术在数据库领域的使用范围日趋广泛的同时，数据库在实际使用场景也越来越复杂化、多元化，如何将AI技术与数据库更好的结合起来需要数据库行业的技术专家们共同努力。关于openGaussopenGauss 是一款自由使用和开放源代码的关系型数据管理系统，在木兰宽松许可协议（MulanPSL）下发行。openGauss 以开源社区为依托，联接全球开发者、产业链上下游合作伙伴、用户，联合打造开放，包容，创新、全球领先的企业级开源数据库生态。降低企业使用数据库门槛，提升企业级数据库使用效率，以高效的数据管理，加速企业数字化转型。目前，openGauss 已取如下成绩：openGauss 在2021年度取得墨天轮中国数据库流行度排行榜上的全年增长分数、复合增长率、半年增长分数“三冠王”称号，斩获 “2021年度卓越表现数据库奖”，最新排名已升至第一的位置。openGauss 已在72所重点高校开课，覆盖学生28000+人。截至目前，openGauss 已经吸引2900+社区贡献者、110+家企业加入社区，社区用户达到64万+。10+家合作伙伴发布基于 openGauss 的商业发行版，联合伙伴和用户，构建了丰富的解决方案。openGauss 已经在政府、金融、保险、电力等关键行业规模商用落地，比如邮储银行新核心系统、中华联合人寿团险核心交易系统、四川气象局气象观测数据系统等。出版发行《openGauss数据库核心技术》、《openGauss 数据库源码解析》《openGauss 数据库实战指南》三本专业书籍，其中，《openGauss 数据库核心技术》成为多所高校的专业辅助教材。openGauss 数据库纳入全国计算机等级考试二级、三级范围。

       天筹(OptVerse)AI求解器 将运筹学和AI相结合，突破业界运筹优化极限，针对线性和整数模型寻找最优解，以通用形式描述问题，高效计算最优方案，助力企业量化决策和精细化运营，提升资源利用率和运转效率，增强决策水平和竞争力。求解器--现代决策优化的“芯片”和“根技术”    小到快递员路线选择、商铺选址，大到工厂排程、物流路径规划和金融风控等问题，都可以建成数学规划模型，用天筹(OptVerse)AI求解器进行求解。利用运筹优化算法和决策模型求解方法，将业务问题转化为数学规划模型，适用在多种复杂约束条件限制（如人力、时效、容量等约束限制）和海量数据的基础上获取全局最优方案（如成本最低、时间最短）的业务场景，助力业务实现从数据到决策的闭环。    支持求解混合整数线性规划问题（MIP）和线性规划问题（LP）    AI建模，易用高效，大幅度提升建模效率，让客户聚焦核心业务问题和诉求。    AI赋能求解，基于历史数据和问题特征自适应选择最优参数，不断挖掘求解器自身潜力，适应客户场景和问题特点。    支持基于拓扑感知的分布式并行加速，充分利用华为云分布式并行能力，给客户带来极致性能体验。优势    高效建模工具    基于图建模算法，充分利用稀疏性与并行算力，建模效率最大可以提升30倍    高效、稳定、高质量    求解速度快、优度高、性能稳定，已在华为内部供应链问题上成功求解亿级变量/约束超大规模数学模型    自适应学习优化    融合前沿AI能力，可根据问题特征自适应进行参数调优和求解策略选取，实现最大30%的求解效率提升    原生支持分布式加速求解    依托强大云上算力，    支持超大规模分布式并行加速    全行业场景全流程决策支持    支持结合 ModelArts 平台向用户提供全流程决策优化能力    简单易用，快速上手    支持云服务RESTful API、ModelArts notebook内置SDK的C++/python接口等多种开发和调用方式应用场景港口智能计划与调度在港口智能计划与调度场景中，为提升港口作业效率，需要合理制定生产作业计划并调动生产作业资源。通过天筹(OptVerse)AI求解器可实现港口全链路协同，最大化地调动所有资源，提升设备利用率，降低堆场翻倒率，大幅度地提升了港口运转效率和作业效率，进而缩短船舶在港时间，真正地实现了港口资源调度最大化。供应链排产在供应链排产场景中，为确保客户需求能及时交付，提升客户满意度，需要合理决策内部各产品的生产计划。产品线生产多种产品，各产品之间的装配关系高度耦合，使得所有物品、所有工厂的决策联合制定成为一个超大规模的优化问题，天筹(OptVerse)AI求解器的数学建模方案可以快速建立问题约束和目标，支撑求解器快速求解。物流路径规划在物流运输路径规划、班车接送路径等路径规划场景，基于运输需求、时间窗、车型、可用车辆数量、位置等信息，天筹(OptVerse)AI求解器可以快速求解输出最优路径，节省调度时间，提高运输效率，节约运输成本。

所谓算法偏见，指的是算法开发者或所有者可以调控程序参数，从而**得到想要看到的结果**：一方面是开发者有意为之的结果，另一方面也是受个人价值观念等潜移默化影响的结果。 例如，尽管一再标榜 “算法中立”，全球最大社交媒体平台Facebook 为用户推荐热门消息的“趋势话题”应用的算法公正性却不断受到质疑。 ​ Facebook “偏见门”曾经引起巨大关注：曝光了其趋势话题平台其实是由一个约20 人的团队运营的内幕，这个团队由有媒体经验的人组成，他们可以获取 Facebook 算法浮现的结果,对其呈现的优先顺序进行分级排列，,并常规性地压制美国右翼保守派的信息，还可以将一些话题人为地 “注射”到话题框架中去 。 ​ 2018年的“剑桥分析”事件中人工智能科学家 Mercer博士、特朗普竟选主要幕僚 Stephen Bannon 等人，运用爬虫得到的 Facebook 用户数据，与选民资料进行比对分析，通过机器学习技术为每一个用户“画像”，并**精准推送具有针对性、准确击中受众“共鸣点”的各种消息**，以期影响总统选举的结果。  如何去除偏见呢？公开、透明。 算法透明度（Arithmetic Transparency）来源于透明度（Transparency）。对于算法透明度的内涵和实现方式，学界有不同的偏向。 ​ 在算法运行机制的层面，有学者认为算法透明度概念是“阐明与算法有关的信息被公开的机制，披露关于算法如何驱动各种计算系统的信息，以允许用户确定在操作过程中的价值、偏差和意识形态，了解新闻产品中的潜在观点”。具体来说，就是从算法机制运行的流程出发，在每一个层级都定义应该被公开的算法元素。 还有学者认为，算法透明度的不应仅仅包括系统设计和算法机制的层面。算法系统不仅仅是代码和数据，还是人类和非人类行动者的集合。算法黑箱实际上存在于“社会网图”和“技术网图”的交叉地带，要使之透明化，既要关注技术，也要关注其中进行互动的各主体形成的“行动者网络”。在阐明算法机制的同时，还须阐明算法与其他社会要素之间的互动和这些互动对算法本身的重塑。 那么如何提升算法透明度，针对这一问题不同学者也提出了不同的主张。张淑玲（2018）认为，可以从算法要素透明、算法程序透明和算法背景透明这三个角度构建披露机制，提升透明度。具体来说就是通过披露数据来源，算法模型，数据质量和权重，参与的人的相关背景及影响程度等，实现算法的透明。 仇筠茜（2018）认为，随着人工智能和无监督式机器学习的发展，算法中必然会增加越来越多的变量，数据量越来越大，分析的模型也愈发复杂，**仅凭披露数据来源和算法程序等依然难以使人们理解，这样的透明是机械的，实际作用有限**。她认为应将理解置于透明之上，以用户为导向，追求一种可理解性和社会接受效果。具体实施来说，一方面是使用户知情并理解对其数据的使用方式，并保留调整的余地；另一方面是通过交互界面使用户能便捷的调整算法相关参数，并理解其对自己带来的影响和改变。 在政府法律层面的监管： 国际范围内，欧盟率先在 2016 年 5 月通过《全面数据保护法》（General Data Protection Regulation）,规定软件公司应向用户解释算法决策背后的逻辑推理过程，并明确规定，如果相关主体未履行披露义务，将对其处以高额罚金。 我国去年三月份发布的《关于加强互联网信息服务算法综合治理的指导意见》指出，要**构建算法监管体系，有效监测算法安全风险、推进算法备案工作，推动算法公开透明**。《中华人民共和国个人信息保护法》第二十四条也规定，利用个人信息进行自动化决策，要保证决策的透明度和结果公平、公正，应当同时提供不针对其个人特征的选项，个人有权要求对自动化决策进行说明，并有权拒绝。 学界则提出，可对数据库分级、管控用户权限；“以算法规制算法”，在代码中加入数据保护步骤等。在事后问责机制上，可通过建立统一的算法技术标准来指引“结构性元规则”的制定，建立算法系统和法律系统间的沟通机制。

算法的负面作用有：算法对用户的画像是否存在隐私的侵犯，算法所作出的个性化推荐是否使我们困于**信息茧房**之中，算法是否成为一部分人或组织谋取不正当利益或权力的“白手套”...... 算法（algorithm)一词是由拉丁语algorism演变而来，最初含义为任何运算方法的统称，但人工智能时代的算法概念已经远超出其原有的含义，简单来讲就是指为解决问题而进行的计算机操作规则的一系列步骤。 这个角度来看，算法本身只是一系列代码的组合，自身并不包含价值判断的成分。但当算法作用于人和社会的时候，则会真切的影响到我们日常生活的方方面面，这时其就有必要保持公开公正，避免偏见等伦理问题。当前算法引起的一系列争议，很大程度上是因为“算法黑箱”的形成。 **黑箱理论源于控制论，指不分析系统内部结构，仅从输入端和输出端分析系统规律的理论方法**，这里的“黑箱”是一种隐喻，指的是“为人所不知的、那些既不能打开，又不能从外部直接观察其内部状态的系统”。  而算法“黑箱”与理论上作为系统的“黑箱”又有所区别，算法“黑箱”本质上归属于技术“黑箱”，技术“黑箱”特指作为知识的人工制造品，其特点是部分人知道，另一部分人不一定知道。在这个意义上，算法“黑箱”指的是**算法运行的某个阶段“所涉及的技术繁杂”且部分人“无法了解或得到解释”**。 第一种情形属于算法“黑箱”的初级形态算法根据人为确定好的规则运行，同时输入端的数据和输出端的目标都是确定的，那么存在于黑箱的仅仅是从输入到输出中间的部分。 第二种是算法“黑箱”的中间形态通常情况下，算法的输入端是无人干预的，数据挖掘、数据收集等程序是自动运行的，但经过算法运行后的输出端是人为预先确定的，因此这里的“黑箱”指的是存在于算法输出之前我们无法洞悉的算法流程。 第三种情形属于算法“黑箱”的进阶形态对应无监督式机器学习，在输入端，算法凭借自动学习能力能够自动对数据进行挖掘和收集; 在输出端，“学习型算法”凭借高级认知能力自动生成和改善程序模型，因此该情形下的“黑箱”是指包含输入端与输出端的一个全流程闭环，其特点在于仅有机器了解算法，而人不了解。 根据目前算法发展和应用的具体情况，当前主要应当关注的是第二种情形，第一种更多是在科学研究中进行使用，而第三种情形中的无监督式机器学习尚需一定阶段的发展才能得到成熟稳定的应用，以现有的技术条件很难实现。

从20 世纪40 年代起， 就有学者开始从事神经网络的研究：McCulloch 和Pitts 发布了A Logical Calculus of the ldeas lmma-nent in Nervous Activity， 被认为是神经网络的第一篇文章；神经心理学家Hebb 出版了The Organazation of behavior书， 在书中提出了被后人称为"Hebb 规则”的学习机制。 1. 第一个大突破出现于1958 年， Rosenblatt 在计算机上模拟实现了一种他发明的叫作“ 感知机” （ Perceptron) 的模型， 这个模型可以完成一些**简单的视觉处理任务**， 也是后来神经网络的雏形、支持向量机（ 一种快速可靠的分类算法） 的基础。一时间， 这种能够模拟人脑的算法得到了追捧， 国防部等政府机构纷纷开始赞助神经网络的研究,风光持续了十余年， 1969 年， Minsky 等人论证了感知机在决XOR （ 异或） 等基本逻辑问题时能力有限， 浇灭了人们对神经网络的热情， 原来的政府机构也逐渐停止资助， 直接造成了此后长达10 年的神经网络的“ 冷静时期” 。  期间， Werbos 在1974 年证明了在神经网络中多加一层， 并且利用“ 后向传播”（ Back-propagation) 算法可以有效解决XOR 问题， 但由于当时仍处于神经网络的低潮， 这一成果并没有得到太多关注。 2. 直到80年代， 神经网络才终于迎来复兴。物理学家Hopfield在1982 年和1984 年发表了两篇关于人工神经网络研究的论文，提出了一种新的神经网络， 可以解决一大类模式识别问题， 还可以给出一类组合优化问题的近似解。他的研究引起了巨大的反响， 人们重新认识到神经网络的威力以及付诸应用的现实性。1985 年， Rumelhart 、Hinton 等许多神经网络学者成功实现了**使用“后向传播”BP算法来训练神经网络**，并在很长一段时间内将BP作为神经网络训练的专用算法。在这之后，越来越多的研究成果开始涌现。1995年，YannLeCun等人受生物视觉模型的启发，改进了**卷积神经网络（Convolution Neural Network，CNN)**。这个网络模拟了视觉皮层中的细胞（有小部分细胞对特定部分的视觉区域敏感，个体神经细胞只有在特定方向的边缘存在时才能做出反应），以类似的方式计算机能够进行图像分类任务（通过寻找低层次的简单特征，如边缘和曲线，然后运用一系列的卷积层建立一个更抽象的概念），在手写识别等小规模问题上取得了当时的最好结果。2000年之后，gio等人开创了神经网络构建语言模型的先河。直到2001年，Hochreiter等人发现使用BP算法时，**在神经网络单元饱和之后会发生梯度损失**，即模型训练超过一定迭代次数后容易产生过拟合，就是训练集和测试集数据分布不一致（就好比上学考试的时候，有的人采取题海战术，把每道题目都背下来。但是题目稍微一变，他就不会做了。因为机器非常复杂地记住了每道题的做法，却没有抽象出通用的规则）。神经网络又一次被人们所遗弃。  3. 然而，神经网络并未就此沉寂，许多学者仍在坚持不懈地进行研究。2006年，Hinton和他的学生在Science杂志上发表了一篇文章，从此掀起了深度学习（Deep Learning)的浪潮。深度学习能发现大数据中的复杂结构，也因此大幅提升了神经网络的效果。2009年微软研究院和Hinton合作研究基于深度神经网络语音识别，使得相对误识别率降低25％。2012年，Hinton带领学生目前最大的图像数据库ImageNet上，对分类问题取得了惊人成果，将错误率由26％降低至15%。 再往后的一个标志性时间是2014年，lan Goodfellow等学者发表论文提出题目中的“生成对抗网络"，标志着GANs的诞生，并自2016年开始成为学界、业界炙手可热的概念，它为创建无监督学习模型提供了强有力的算法框架。时至今日，神经网络经历了数次潮起潮落后，又一次站在了风口浪尖，在图像识别、语音识别、机器翻译等领域，都随处可见它的身影。

本文分享自华为云社区《[【云享·伙伴】第4期：养殖场新来了个“AI管家”](https://bbs.huaweicloud.com/blogs/349715?utm_source=csdn&utm_medium=bbs-ex&utm_campaign=other&utm_content=content)》，作者： 华为云社区精选。  民以食为天。肉类是食物中主要的动物蛋白来源，市场规模庞大。 畜牧养殖业虽然在我国已有上千年的经验积累，但传统的禽畜养殖方式往往面临着成本高、效率低、环境差的问题。对于养殖户来说，一直以来都是一项极耗心力的劳动密集型工作。比如品种识别、数据统计、健康监护等，无一不需要精细化管理，不仅是困扰养殖户多年的苦活累活，对于动辄有上千头禽畜且依赖人工的养殖场来说，这是一笔很高的管理成本。 早前在诸多中小型养殖场里，要准确无误地统计出有多少头禽畜是一件极其困难的事情。特别是出售装车清点数量的过程中，经常出现农场方和客户统计数量不一致导致纠纷频发。 是否有智能化的方式，让养殖户能够实现无接触式的智能远程看护，不仅降低管理成本，也能提高人工监管的效率。**“边打麻将边在手机上看护养殖场”，这将是怎样的体验？AI摄像头正是开启智慧养殖的第一步。** # 传统硬件厂商的AI转型，只需一套工作流 通过摄像头能够帮助养殖户更好的看管禽畜。作为专业的摄像头模组供应商，天视通有很多禽畜养殖业的客户，基于现实情况，提出了不同的需求：如家禽、牲畜等看护种类的区分；室内、室外等看护环境的不同。 以养牛为例，这些养殖户每次都要到牛场里观察，现场记录哪些牛生病了，哪些牛到了孕育最佳时机，这样的工作需要他们每天往返于牛场和家。有些牛不愿意看到人类，他们会视人类为捕食者，因此养殖户的出现还会给牛群带来紧张情绪，这就更加大了养殖户的工作难度。 **这些零散的需求，需要定制不同的AI技能，天视通常常要借助第三方算法公司。但许多需求由于成本、开发周期以及隐私泄漏等问题无法快速提供解决方案，造成了业务流失。**  天视通的硬件设计能力较强，单款摄像头出货过百万，年累计出货达千万台以上，供应链积累也非常雄厚，但因算法定制依赖算法供应商，大大增加了天视通的研发和试错成本。随着市场的发展，单一的业务模式已经无法适应当下环境。为寻求突破，天视通找到了早前在算法定制合作的伙伴华为云，希望运用华为云的AI能力满足现实需求。 华为云为天视通提供的**智能摄像头自定义算法定制部署一体工作流**解决方案，基于华为云企业级AI应用开发套件ModelArts Pro与端云协同多模态AI应用开发平台HiLens，**不需要高阶AI能力就能覆盖大部分的零散AI定制需求，并能零代码迭代部署AI算法到端侧设备。**  以牛场健康监管为例，天视通利用摄像头采集到的健康牛和生病牛的体态、日常行为特征等图片数据，通过ModelArts对监控视频中的牛群进行标注，之后再启动模型训练，确认训练的效果后，将该技能一键发布到华为云的AI算法市场 AI Gallery。 天视通在华为云AI Gallery上，下载新的牛生病行为检测技能到天视通技能管理APP。工作流的算法后装功能，可以通过天视通技能管理APP一键部署到牛场已安装的摄像头里，在家里的监控屏前就能实时看到牛场里每一头牛的状态。 天视通技术负责人这样谈到他对AI赋能智慧养殖的理解：“畜牧业是一个智能化启动较晚的行业，但实际上却非常重要，关系到每个家庭的日常生活。这些年食品安全一直处在风口浪尖，产业的规模化和IT技术的应用精准管理成为可能，从养殖过程自动化管理到全流程溯源就是大家如今看到的热门应用。” **带有AI技能的摄像头不仅在工具层面解决了养殖场的人力问题，通过智能化还能解决禽畜的健康问题。**  # 端云协同，定制化算法+零代码远程部署 正是得益于华为云AI技术所积累的场景化行业工作流能力，帮助天视通快速完成面向特殊场景算法的开发和一键式远程部署。此次华为云所提供的方案分为四个部分： ① 数据标注：通集摄像头场景需求和少量数据，华为云利用ModelArts标注工具完成对图片标注； ② 算法训练：工作流内置行业主流标准算法，一键启动即可进行训练，生成算法并能直接查看模型性能； ③ 算法优化：训练完之后在平台上就能生成针对具体摄像头硬件的优化过的高性能算法。针对客户的硬件平台，优化适配模型与技能，实现一键技能发布； ④ 算法部署：生成的算法部署到实际应用的摄像头中，再结合HiLens的端云部署能力，完成对算法授权管理，上架到手机端的算法市场APP。  作为解决方案的核心，华为云EI工作流以业务场景为中心，以“定义场景→分布实施→持续迭代→形成闭环”的模式，通过聚焦各行业可落地的AI开发方式，为服务客户提供基于场景化的工作流，完成全流程的AI开发及迭代。 - 降低AI开发门槛：零AI知识、特殊场景，算法定制化开发不在话下 借助AI开发低门槛的华为云EI工作流，无需AI知识，天视通员工可基于摄像头产品，无论客户的需求场景是否存在行业特殊性，都能快速定制出符合实际场景应用的算法，从而让天视通快速且准确的提供合作伙伴所需的方案。 - 端云协同：零代码部署、后装算法，无惧芯片性能 结合华为云的ModelArts Pro和HiLens平台，通过端云协同开发，可将算法零代码迭代部署到端侧的摄像头模组上，操作灵活、迭代迅速，不用投入大量人力手动开发。天视通利用华为云EI工作流的一键式远程部署，实现了算法的快速迭代更新。 针对天视通的低端芯片产品，华为云可通过HiLens平台部署算法，让低端芯片硬件运行AI算法也都能毫无压力。同时打通天视通手机侧算法APP市场与华为云AI Gallery，为天视通产品提供可选后装的算法，提升天视通产品在应用场景中的更多可能性。 # 携手伙伴，降本增效谋全局 作为中国专业的网络视频监控方案和核心电路模组供应商，天视通始终专注在图像处理和通讯的技术领域前沿，通过技术和产品的不断创新，为广大客户提供技术更先进、更贴近客户需求的远程视频设备和开发方案，提供高品质的视频产品和专业的图像处理服务。凭借自身的技术优势，天视通的产品已广泛应用到养殖场、酒店、鱼塘、餐馆、企业、服务机构、商店等社会的众多行业。 对于视频监控领域来说，人工智能和5G等新技术的应用，已经成为推动智能监控发展的一块关键踏板。 新技术打破了传统监控行业以硬件为主的局面，带来了软件定义摄像机、云平台等概念。 天视通在应用华为云EI工作流之后发现，和传统的线下开发环境相比，华为云整合了许多工具的同时提供便利的图像化界面，大幅度减少很多通用环境的配置。基于算法后装的方式，很大程度上减轻了天视通对摄像头硬件本身的库存规划，让库存周转变得更加灵活。在算法定制方面，华为云EI工作流为天视通节省30%的支出；算法云端部署方面，节省硬件库存20%运营成本。 从交付客户的定制化场景需求，到算法市场APP，这一系列举措中我们看到天视通在对硬件智能化的敏感性，以及在智能安防领域上产品发展的长远计划和对未来AI领域的深远布局。 华为云EI工作流在提升伙伴产品竞争力的同时，也帮助伙伴实现无缝转型升级。天视通从传统硬件厂商转型成为了具备AI能力的解决方案提供商，拓展了对于业务定制需求的承接能力，也给客户提供了更多选择。 伴随智能芯片的算力提高，AI算法的准确度已经达到甚至超过了人工水平。餐饮、商超、酒店等场景对于AI监控的需求也会逐渐增多。华为云在AI、音视频、IoT领域方面的技术深耕，也让天视通与华为云在不同的领域场景拥有更多的合作可能性。 # 华为云：提供合适的AI应用落地路径 很早以前，人工智能软件开发与传统软件开发的区别就开始凸显，所以AI领域权威学者吴恩达提出了面向AI的MLOps，试图来弥合AI实际应用中的一些工程能力，具体表现就是让算法专家和软件开发人员能更好地面向实际场景来快速迭代开发。 华为云EI工作流，实际上是把某些具备一致性问题的场景单独抽象出来，形成一个相对固定的开发模式，提供给工程团队。在这个过程中降低对算法工程师的能力要求，只需要让软件开发人员聚焦工程。这样做，一方面为了算法的定制，但同时也具备了一定的泛化能力，从而兼顾有限的通用性。华为云相信在更为通用的MLOps出现之前，这是一条更适合当下AI应用落地的路径。 当前，华为云工作流积累了大量的场景化行业工作流，助力客户零代码、高灵活的实现全流程AI开发应用。