自然语言处理

来自南京的智慧防务 AI 公司摄星智能开放了他们自主创新发布的首个国产军事算法平台——「星智」。该平台拥有分词、摘要抽取、词性标注、依存分析、命名实体识别、语音识别等多项功能，还能检测视频真伪、进行军事目标威胁评估等。 机器之心发布，机器之心编辑部。 近年来，面向民用领域典型应用而开发的智能算法模型层出不穷，如智慧城市、智能办公、无人驾驶等，有一些已经取得了很好的应用效果。 然而，这些经过实践验证的民用算法应用于军事场景时，却出现了严重的「水土不服」。无论是场景需求、基础服务，还是需要处理的数据，军民之间都存在巨大鸿沟，直接影响了人工智能技术在国防领域的实际落地应用和真正效能发挥。 与此同时，国家与军队自主可控发展战略也要求全面布局国产自主算法体系建设，开展核心算法技术攻关，建立原创算法开发产业链与生态体系，实现我国国防智能化建设创新式发展的跨越。 为了响应国家自主创新号召、填补这一差异性空白，近日，摄星智能首次开放了内部 「星智」算法平台。 平台地址： https:// ai.starsee.cn/# /dashboard 摄星智能是一家专注于防务领域的人工智能科技企业。自成立以来，该公司一直专注于人工智能技术在防务领域的应用。他们将最先进的基础算法模型与国防场景深度融合，自主创新研发了一大批防务领域专用算法，基于国产自主环境构建军事垂直领域专用算法库

推荐系统概况：传统CTR、深度学习CTR、Graph Embedding、多任务学习 包括：思想、优缺点、网络结构、公式、代码实现等方面 传统CTR 深度学习CTR Graph Embedding 多任务学习 总结一下推荐系统使用的技术： Embedding 把稀疏特征稠密化，从而可以让下层网络融合更多的特征 Matrix Factorization 通过矩阵分解技术加入隐向量，从而提高向量的表达能力 Factoriation Machine 通过隐向量特征的交叉从而提高泛化能力 Multilayer Perceptrons 通过多层感知机，加入类似Attention、GRU、向量操作（拼接、内积、外积）、向量交叉等各种技术提高模型的泛化、记忆能力 回头再看看推荐系统的发展历程： 从CF到MF 然后发展到FM、FFM 接着发展到MLP、Graph Embedding 然后多目学习 当然，这里面可能有些是交替发展的。 我觉得推动推荐系统发展因素有： 日益规模庞大的电商类等系统带来的数据量爆发式增长，大数据技术的使用 微博、新闻、短视频等传播类爆发式增长，产品的个性化强、兴趣变换快 硬件技术GPU、TPU带来计算能力加强 业务需求越来越复杂，评价要求增多：CTR、CVR、阅读时长、多样性、惊喜度... 借鉴CV、NLP领域发展的部分技术成果， 例如：Word2vec, CNN、GRU

来源：机器人小妹 　　很多时候企业拥有重复，乏味且困难的工作流程，这些流程往往会减慢生产速度并增加运营成本。为了降低生产成本，企业别无选择，只能自动化某些功能以降低生产成本。 　　通过数字化重复性任务，企业可以削减文书和人工成本，从而进一步消除人为错误，从而提高效率，从而带来更好的结果。为了使企业能够从上述收益中获益，他们必须选择正确的自动化工具，否则将一无所获。 　　自动化过程涉及使用人工智能平台，该平台可以支持数字化过程并提供与人类将获得的相同或更好的结果。 　　人工智能（AI）是一台机器模仿人类与其他人类思维相关联的认知功能，例如学习和解决问题，推理，解决问题，知识表示，社交智能和通用智能。 　　AI的核心问题包括推理，知识，计划，学习，自然语言处理感知以及移动和操纵对象的能力。方法包括统计方法，计算智能，软计算和传统的符号AI。 　　AI中使用了许多工具，包括搜索和数学优化版本，逻辑，基于概率和经济学的方法。AI平台被定义为某种允许软件运行的硬件架构或软件框架（包括应用程序框架）。 顶级人工智能平台 　　Google AI Platform, TensorFlow, Microsoft Azure, Rainbird, Infosys Nia, Wipro HOLMES, Dialogflow, Premonition, Ayasdi, MindMeld, Meya,

　　 　　作者 | 蒋宝尚 　　编辑 | 丛末 　　自然语言处理果真是人工智能皇冠上的明珠，在走向摘取颗果实的路上，人类恐怕还只是走了一半。 　　具体表现是，在机器翻译的世界里，一直无法赋予机器足够的“灵性”。例如，林则徐虎门销烟被某度软件翻译成了“Lin Zexu sells cigarettes in Humen” 。 　　 　　图注：笔者后续对百度进行测试时，发现已经是正确翻译：“Lin Zexu destructed opium at Humen” 　　显然，机器把“销”等同于“销售”。其实，这种等同，对于其他人，在没有上下文语境的情况下是完全可行的，例如，小李虎门销烟=小李虎门卖（销售）烟、小明虎门销烟=小明虎门卖（销售）烟。但是，对于林则徐，是无论如何不能做这种混淆，因为，这句话本身就包含了上下文语境。虎门销烟是中国近代史上的重要事件，对于人工译员来说，这是非常重要的背景知识，销毁（销）的是鸦片（烟）， 目前机器翻译系统明显缺乏对这种知识的理解能力，这也可能是导致翻译错误的一个重要原 因。 　　对此，AI科技评论还专门测试了其他几个著名的翻译软件。其表现如下： 　　 　　显然，谷歌翻译也没能经受的得住考验。 　　 　　金山翻译，仍然是sells，这动词还用的是第三人称单数！ 　　 　　有道翻译：“销烟=烟”。有道的整体翻译，总感觉怪怪的，如果把smoke看成动词“吸烟

小样本学习（few-shot learning） SimPropNet: Improved Similarity Propagation for Few-shot Image Segmentation Learning Task-aware Local Representations for Few-shot Learning Transductive Relation-Propagation Network for Few-shot Learning Few-shot Visual Learning with Contextual Memory and Fine-grained Calibration Few-shot Human Motion Prediction via Learning Novel Motion Dynamics Weakly Supervised Few-shot Object Segmentation using Co-Attention with Visual and Semantic Embeddings Self-Supervised Tuning for Few-Shot Segmentation Multi-attention Meta Learning for Few-shot Fine-grained Image Recognition

　　 最新的 AI 芯片跑分大赛结果公布，英伟达 A100 和谷歌 TPU 领跑。 　　7 月 30 日，MLPerf 发布了 MLPerf Training v0.7 的结果。MLPerf 是 2018 年发起的一套通用基准，用以测量和评价机器学习软硬件性能。目前有 70 多家 AI 公司和哈佛、斯坦福等 10 所研究机构参与。 　　MLPerf Training 的结果从 2018 年开始发布 v0.5 开始，每年发布一次，v0.7 是第三版。 　　每年的测试标准都会进行修订。相比于去年，v0.7 版基准测试增加了两项新的测试项目，以及一个原有项目的修订。 　　今年的测试项目按照视觉、语言、商业、研究分为四类，共八项基准（Benchmarks）。其中新增的两项是 自然语言处理（NLP）模型 BERT ， 推荐模型 DLRM 。前者广泛应用于翻译、机器问答、文本生成等领域；后者则常应用于商业上的购物推荐、社交媒体推荐、搜索结果显示。 　　 今年的测试一共有 9 个组织参加，最终提交了来自不同系统的 138 个测试结果。与去年相比，五个未改变的基准测试的最快结果平均提高了 2.7 倍。 　　 英伟达与谷歌霸榜 　　英伟达凭借其 5 月份新发布 A100 Tensor Core GPU 和 HDR InfiniBand 架构方案，实现了八项测试的性能大幅增长。与去年的 V100 相比

摘要： 传统的AI应用开发和部署意味着高成本和高门槛,借助HiLens Studio,AI应用开发和部署仅需要三步。 曾几何时， 在我们青春年少时， 当我们看到某篇AI的技术文章时， 心中总不免想要在一个合适的环境上试上一试，于是就去搜索，发现要先装个编程工具(如某款IDE)，嗯，好，那就先装一个吧；哦？还要指定的操作系统？这个有点麻烦:D，那就去下载一个吧；不好意思，还得整一个XX框架？这这这…；天哪，还得有开发板/GPU？这开发板/GPU还要X千块钱？Fxxk，诚心不想让我实操一把是吧，好吧，你得逞了，我不玩了不行吗(即使你下定决心凑齐了这些工具，真正安装配置时还会碰到一堆的版本、兼容性、配置等等各种烦人的问题的)！ 就这样我们可能错失了成为某方面的大牛的机会？虽然由于客观条件的限制，我们没有在那条路上走得更远，但是内心好像出现了一点愧疚的感觉，我是不是太轻易放弃了呢，我不应该是这个样子的，应该要想尽一切办法节衣缩食去实现我的理想…… 应该没有那么严重吧，还有其它更好方法可以学的呢，有的，肯定会有的，我相信这一点，好像某个伟人说过，只要有需求就会有供给。 “无需安装环境，开通即用；HiLens Kit模拟器，无需购买开发板/GPU；集成HiLens Framework；自带AI模板……”，等等，这不就是我梦想中的开发环境的样子吗！我就说了嘛，只要有需求肯定会有供给的！

　　清晨，深圳福田区梅观路，一起交通事故，挡住了行人去路。该事故的详细信息，立马实时呈现在深圳交警交通指挥中心大屏上：事故位置出现 1 个红点、拥堵路段出现红线。指挥中心据此信息，立即调度附近交警铁骑，几分钟就完成了事故处置。 　　还是在福田区，一名住户因抑郁症试图自杀，楼道烟感报警器自动报警后，派出所、物业、消防等 “秒级” 出动、并迅速扑灭火情，一场火灾悲剧得以幸免。 　　深圳市民毕女士，和未婚夫定好日期，打算去领证，临到头四天前，领证必须要带的户口本丢了。但她仅用三天，就收到了补办的新户口本。 　　这便是深圳公安微信服务号打造的 “政务服务” 平台，简称 “深微平台”。据深圳公安官方数据显示，截至 5 月 13 日，“深微平台” 现有个人注册用户 1085.9 万人，实名用户 1006.6 万人，平均每两位深圳市民，就有一位在使用该平台。 　　 　　图 | “深微平台”可以办理的部分（来源：深圳公安微信服务号） 　　早在 2017 年，“深微平台”每年可为深圳市民，节省约 427.6 万小时的办事时间（按一次到场用时 2 小时计算），相当于少跑 213.8 万趟。若以平均到场 1 次、花费 50 元计算，线上办理服务可为市民节省约 10 亿元的办事成本。 　　该平台背后的服务提供方，正是同在深圳的腾讯，而这只是腾讯云 AI 技术，在新基建应用方面的缩影之一。 　　 　　图 |

来源：大数据文摘 本文约 2500字 ，建议阅读 8分钟。 本文将推荐10个流行的人工智能项目，让绝对初学者获得AI体验。 人工智能已经成为我们生活的一部分。我们在日常生活中有意或无意地使用它，如推荐影片，图像识别，语音识别，网站推荐产品等。 这就是为什么你也需要开始学习。你可以先看看2020年最好的5本人工智能书籍，然而仅了解理论是不够的。学生应该尝试完成一些人工智能项目，如果你是新手，你能做的最好的事情就是花一些时间在真正的人工智能项目上，从尝试跟随人工智能的趋势到做自己的一些项目。以下每个项目都有Python源代码的链接！ 我将展示一些人工智能项目的有趣想法，初学者可以通过尝试这些想法来测试他们的Python知识。 这些项目将帮助你发展技能，同时也检查你现有的知识。人工智能可用于许多领域。你对各种人工智能项目的研究越多，学到的东西就越多。 预测房价 房价是经济健康与否的重要决定因素，而房价的范围是买卖双方都关心的问题。房价由涵盖住宅房屋几个方面的若干指标来确定。 历史定价数据通常用于获取平均价格。除了不同房屋的价格外，你还可以使用其他数据集，包括城市的犯罪率，非零售企业的位置和市民的年龄。对于初学者来说，这是一个测试他们技能的完美项目。 以下是使用线性回归来预测房价的教程，当然也包括Python源代码： https://www.youtube.com/watch?v

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ “AI+医疗”是当下最火热的人工智能应用场景之一;人工智能技术已经成为医疗健康行业的有效辅助和有力支撑。正如我国著名学者周海中教授在30年前指出的那样：“随着社会的发展和科技的进步,人工智能技术将在医疗健康领域大显身手;其成果会不断涌现，应用前景令人期待。”“AI+医疗”目前发展势头强劲，它正在引起一场医学革命;其应用场景主要有以下几个方面。 在诊断方面 人工智能技术不但能够提供包括心脏、肝脏、肺部、胆脾、肠胃、膀胱、大脑等多种脏器医学影像数据的智能化识别和分析，而且可以为医院影像准段提供快速精准的医疗辅助诊断，从而提高临床诊疗的精准性与效率，减低医生工作强度的同时，减少漏诊与误诊几率，还可以为体检机构提供高质量的影像筛查，快速全面提升筛查诊断水平，并有效地缓解医疗资源紧张的问题。从应用效果来看，规模化使用人工智能技术将是未来医疗诊断的一个发展趋势。未来，人工智能诊断工具或许能够比人类医生更快、更准确地确立病因并给予诊断。 例如，美国西奈山伊坎医学院的研究人员最近采用人工智能算法，将胸部CT扫描结果和临床症状、暴露史及实验室检测结合起来，以快速诊断新冠肺炎(COVID-19)阳性患者。他们表示，在CT扫描和相关病史都可用的情况下，新的人工智能系统准确度与资深胸放射科医生相当