AI 的架构
人工智能的架构分为三层：应用层、技术层和基础层。
应用层聚焦在人工智能和各行业各领域的结合。技术层是算法、模型和技术开发。基础层则是计算能力和数据资源。
数据收集：获取什么类型的数据，数据可以通过那些途径获取。常见的数据来源是采集、购买或其他方式获取现有数据。
比如中山大学的资深机器学习研究专家梁浩林就分享到，城市地理学领域的数据采集渠道，可以同步获取一些社交APP，比如Yahoo Flickr、Sina Webo的checkin数据，手机的信号数据，用户GPS的轨迹数据等等。
数据理解：获取到原始数据之后，分析数据里面有什么内容、数据准确性如何，为下一步的预处理做准备。
比如我们拍摄的各种照片，需要从中识别出包含人脸的照片。
数据预处理：原始数据可能会有环境影响或者干扰因素，格式化也不好，所以为了保证预测的准确性和有效性，需要进行数据的预处理。
常见的比如调整照片亮度、对比度、锐化等等。
特征提取：将数据里有用的，有典型特征的抽取出来。
比如，对几千张有效照片进行分类，特征包括性别、头发眼睛皮肤颜色、轮廓、脸型等等。
模型构建：使用适当的算法，获取预期准确的值。
常用的分类算法包括：决策树分类法(Decision Tree)，朴素贝叶斯分类算法(Native Bayesian Classifier)、基于支持向量机(SVM)的分类器、神经网络法(Neural Network)、k-最近邻法(k-nearest neighbor，kNN) 语义树、知识库、各种视觉算法等等等。至于各种算法的区别，我还在学习中。
模型评估：通常对一个模型进行评估的标准有准确率、查全率。
查准率 ＝检索出的相关信息量/检索出的信息总量
查全率＝检索出的相关信息量/系统中的相关信息总量
狭义上的理解拿人脸识别来讲，假设数据库中存在的10个用户的照片，我对这10个用户进行拍照，识别出来库中包含的人脸有7个，这7个中识别正确的有5个，那么查准率=5/10=50%；查全率就是7/10=70%。另外就是，假设我对1个用户，操作十次，出来的结果是否十次均和实际匹配。我认为也是模型评估的一个标准。
模型训练：根据模型评估的结果，对模型进行不断的训练甚至是调整，以达到更好的效果。
模型应用：将模型部署、应用到实际场景中。
可以回到AI 基本概念和应用中的人脸识别开门场景，来看看如何跟我们的 AI 架构对应的。
从AI 的结构很容易可以看出来。
人工智能的核心是基础层，即计算能力和refreshing data flow （持续的数据流）。
所以大公司愿意投入人工智能和发展人工智能的优势，因为大公司有数据。尤其是Google、Facebook、亚马逊、苹果，还有国内的BAT。于是现在有一个声音会认为：大公司不具备的医疗、基金、金融等数据，可能会是小公司、人工智能初创企业突破的机会。
技术层的核心主要在于：特征提取， 模型与算法选择。
Google 在过去两年的时间里，一直致力于 AI 的探索和转型，将机器学习和人工智能技术用到Google Lens、YouTube、Google Map上等。另外还将公司内部开发和采用的机器学习技术整理到了一起，命名为 TensorFlow，也称为第二代人工智能系统，完全开源，任何人都可以用。并且在国内也有专门的社区网站http://www.tensorfly.cn/ 。
Tensorflow 的优势
可移植：小到一部智能手机、大到数千台数据中心服务器的各种设备上运行
开放性：完全开源，任何人都可以用。
算法：支持CNN、RNN、LSTM 算法，这都是目前在Image（图像），Speech（语音）和NLP最流行的深度神经网络模型。
应用层主要考虑人工智能+教育、人工智能+医疗、人工智能+金融等的结合。
————————————————
版权声明：本文为****博主「alice_tl」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.****.net/alice_tl/article/details/78566426
