AI应用落地之道

目录
第1章 当今 AI 的功能与局限
关于 AI 常见的误解 // 2
利用大数据的围棋 AI // 5
如何有效运用“幼儿智能” // 6
思考能够使用图像识别技术的商业领域 // 7
深度学习是“原始数据计算” // 9
通过三个数轴对 AI 进行分类 // 12
深度学习是如何提取特征的 // 14
“模式识别”：AI 的眼睛和耳朵 // 17
使用深度学习的机器翻译能够获得压倒性胜利的原因 // 20
“强 AI”的出现至少要到 22 世纪吗 // 26
指数函数的恐怖 // 28
知识量的增加至多是二次曲线级 // 30
充分运用深度学习的必要性 // 34
深度学习与其他方式的结合也很有价值 // 36

第2章 使用深度学习的基本流程
在 AI 应用中不可或缺的目标设定 // 40
分享评测数据使其可以共用 // 42
作为精度指标的“精确率”和“召回率” // 44
作为前提的正确结果不止一个 // 46
不同场景中对精确率和召回率的重视程度不同 // 47
业余和专业所需的精度是不同的 // 49
深度学习的准确性评估测试非常简单 // 51
能准备反映共同特征和多样性差异的训练数据 // 53
使用开发环境进行数据学习的流程 // 55
注意过度拟合 // 59

第3章 目标精度的实际评估和利用
从危险驾驶分类中了解自动驾驶的问题 // 66
AI 给生产力带来的提升效果 // 71
交通标志与 AI 的匹配和 RFID 化也是必要的 // 73
精度目标的设定和预算是“鸡与蛋”的问题 // 79
自动驾驶需要用各种观点进行综合评估 // 81
特斯拉汽车为何发生车祸 // 82
结合预期值评估服务质量非常重要 // 85
设计业务流程时的混淆矩阵很重要 // 89
用附有概率值的判定结果将分支条件精细化 // 93
根据置信度对处理结果进行场景分类 // 96
为每个样本或医疗机构设置*佳精度 // 98
对 AI 纠错的意义 // 101
如何评估聊天机器人的准确性 // 103
用“对话成立度”对精度进行定量评估 // 107
参考信息技术架构库改善业务流程 // 109
让 AI 学习特殊情况下的数据 // 112

第4章 AI 部署的实例
企业的数字化 // 116
将 AI API 化后公开 // 118
AI 部署的战略以及企业内部体制 // 120
制作样本数据时的注意点 // 125
标注人员进行的标注工作 // 127
增加相互之间只有少许差异的样本数据 // 129
深度学习的引入需要耐心 // 132
描绘实际运行整体系统的结构 // 135
GPU 的挑选：目前 NVIDIA 是唯一选择 // 138
硬件的选择：性能要超过十几年前*先进的超级计算机 // 142
主内存要注意主内存容量 // 143
GPU 云服务也是一种选择 // 151
深度学习的机制是多种多样的 // 154
主流深度学习框架的特点和选择 // 156
多种类型的网络结构该如何进行选择 // 160
编程语言几乎只有 Python 一种选择 // 160
利用现成 AI 资源的意识 // 162
将完成后的 AI 应用程序化、API 化 // 164
将 API 向世界公开 // 166
争取各种安全措施保护隐私 // 167
以眼还眼，以 AI 对 AI // 169
保护 AI 开发企业的防盗版措施 // 171
主动公开部分源代码的交付方法 // 173

第5章 AI 部署人才应具备的技能
用户企业如何获得 AI 人才 // 177
用户企业的管理人员应掌握的心得 // 178
AI 时代需要我们具备福尔摩斯般的思考能力 // 179
AI 人员所需的资格和专业领域 // 180
旧知识可能成为绊脚石 // 183
样本数据的准备成为开发工作的核心 // 184
在 API 经济中擅长混聚开发的人才更重要 // 186
AI 人员的沟通能力不可或缺 // 187
知识