人工智能技术商业应用场景实战

第1章　企业如何认识人工智能应用 / 001
1.1　价值认知 / 002
1.1.1　第四次工业革命的深刻认知 / 002
1.1.2　人工智能将驱动未来文明 / 003
1.1.3　如何让人工智能渗透到企业 / 006
1.2　本轮人工智能的优势 / 013
1.2.1　存储优势 / 013
1.2.2　数据优势 / 014
1.2.3　计算优势 / 016
1.2.4　逻辑优势 / 017
1.2.5　性能优势 / 018
1.3　本轮人工智能的劣势 / 018
1.3.1　靠大数据“喂”吗 / 020
1.3.2　行业知识需积累 / 022
1.3.3　算法的进步还需加快 / 023
1.3.4　硬件仍需进步 / 025
1.3.5　企业应用人工智能技术的能力要跟上 / 026
1.4　核心技术的把控问题 / 026
1.4.1　从人工智能的开源生态说起 / 027
1.4.2　TensorFlow的架构魔力 / 029
1.4.3　哪些技术要把控 / 031
1.4.4　企业的核心竞争力与计算力 / 033

第2章　电信行业中人工智能的应用场景 / 035
2.1　智慧营业厅 / 036
2.1.1　人脸识别 / 038
2.1.2　智能推荐 / 045
2.1.3　客户轨迹分析 / 048
2.1.4　服务质量评估 / 049
2.2　智慧管理 / 050
2.2.1　业务异常监控 / 050
2.2.2　基站资产稽核 / 056
2.2.3　安全态势感知系统 / 059
2.3　智慧稽核 / 070
2.3.1　签名识别 / 070
2.3.2　异常操作识别 / 074
2.4　智慧运维 / 078
2.4.1　集群智慧运维 / 078
2.4.2　磁盘故障分析 / 080
2.5　语音UI导航 / 090
2.5.1　语音识别 / 093
2.5.2　语义理解 / 094
2.5.3　智能检索 / 095
2.5.4　语音合成 / 096
2.5.5　实际使用示例 / 096
2.6　智慧客服 / 098
2.6.1　声纹识别 / 101
2.6.2　问题识别 / 103
2.6.3　问题归类及派单 / 106
2.6.4　事后满意度调查 / 107

第3章　技术驱动的人工智能应用场景 / 111
3.1　概述 / 111
3.1.1　引出 / 112
3.1.2　脑科学的进步 / 113
3.2　神经网络技术突破 / 116
3.2.1　概念 / 117
3.2.2　原理 / 118
3.2.3　脑神经学研究启发人工智能 / 128
3.3　图像识别 / 135
3.3.1　Google如何识别一只“猫” / 136
3.3.2　Google无人汽车 / 137
3.3.3　如何利用Google的预训练模型 / 142
3.3.4　智慧营业厅中的图像识别应用 / 145
3.4　人机对弈 / 150
3.4.1　围棋真的很难吗——AlphaGo的起源 / 150
3.4.2　AlphaGo的技术突破 / 156
3.4.3　人类还能战胜AlphaGo吗——AlphaGo的进化 / 160

第4章　需求驱动的人工智能应用场景 / 163
4.1　实名认证 / 163
4.1.1　人证比对的实现方法 / 164
4.1.2　活体检测 / 166
4.2　语音交互 / 170
4.2.1　语音控制技术实现 / 170
4.2.2　语音播报技术实现 / 178
4.2.3　同声传译 / 179
4.2.4　客户情感感知 / 183
4.3　智能问答 / 184
4.3.1　短文本分析 / 185
4.3.2　句法分析 / 186
4.3.3　篇章分析 / 187
4.3.4　知识图谱 / 190

第5章　传统机器学习的智能进化 / 195
5.1　从符号学到机器学习 / 195
5.1.1　几何以后不用学了——机器定理证明 / 196
5.1.2　算力并非是万能的——基于符号学习的局限性 / 198
5.2　机器学习主流算法 / 200
5.2.1　C4.5算法 / 200
5.2.2　K-means算法 / 205
5.2.3　朴素贝叶斯算法 / 209
5.2.4　Apriori算法 / 214
5.3　深度学习如何优化传统机器学习 / 217
5.3.1　深度学习相对机器学习的优势 / 218
5.3.2　大数据智能运维 / 221
5.3.3　客户满意度分析 / 226
5.3.4　客户流失预测 / 229

第６章　企业如何落地人工智能应用 / 233
6.1　切入点选择 / 234
6.1.1　从市场应用切入 / 234
6.1.2　从企业痛点切入 / 236
6.1.3　成熟算法驱动 / 238
6.2　提升市场智能 / 244
6.2.1　人工智能仅改进算法的精度 / 244
6.2.2　从客户分析入手 / 244
6.2.3　业务场景的提炼 / 245
6.3　打造智慧运营环境 / 246
6.3.1　企业全生命周期 / 246
6.3.2　企业管理的每个环节 / 248
6.3.3　未来能否实现全程人工智能管理 / 255
6.4　培养人工智能人才 / 255
6.4.1　人工智能人才极其缺乏 / 256
6.4.2　只能自己培养 / 259
6.4.3　人工智能要“从娃娃抓起” / 261
6.4.4　人工智能所需的知识结构 / 263
6.4.5　技能层面的积累 / 266
6.4.6　管理协调 / 268
6.4.7　从培养工人到培养人工智能创造者 / 269
6.4.8　人工智能技术越来越易用 / 271
6.5　实战经验分享 / 276
6.5.1　非结构化数据质量问题 / 276
6.5.2　应用场景选择问题 / 278
6.5.3　数据标注问题 / 280
6.5.4　算法选择 / 284
6.5.5　营销活动选择 / 285