|
人类因为具有语言的能力而区别于其他物种，自然语言处理即研究人与计算机直接以自然语言的方式进行有效沟通的各种理论和方法，涉及机器翻译、阅读理解、对话问答等，因为语言在词法、句法、语义等不同层面的不确定性及数据资源的有限性、背景知识的复杂性等各方面限制，自然语言处理技术仍有非常大的提升空间，仅在特定领域可取得较好的应用，鲁棒性存在大量挑战。在自然语言处理之前，声纹识别可根据说话人的声纹特征识别出说话人，语音识别技术可赋予机器感知能力(在深度学习的驱动下，目前近场语音识别准确率可达98%，远场、抗噪、多人等非限定或非配合条件下的识别有待进步)，将声音转为文字供机器处理，在机器生成语言之后，语音合成技术可将语言转化为声音，形成完整的自然人机语音交互，这样的语音交互系统可看作一个虚拟对话机器人，具体技术流程如下图所示。 通用知识图谱与行业知识图谱 从覆盖范围的角度来说，知识图谱可分为应用相对广泛的通用知识图谱和专属于某个特定领域的行业知识图谱。通用知识图谱注重横向广度，强调融合更多的实体，主要应用于智能搜索、智能问答等领域。行业知识图谱注重纵向深度，需要考虑到不同的业务场景与使用人员，通常需要依靠特定行业(如金融、公安、医疗、电商等)的数据来构建，实体的属性与数据模式往往比较丰富。 视觉感知逐步实现商用价值，视觉认知仍有待探索 视觉使人类得以感知和理解周边的世界，人的大脑皮层大约有70%的活动在处理视觉相关信息，计算机视觉即通过电子化的方式来感知和理解影像。得益于深度学习算法的成熟应用(2012年，采用深度学习架构的AlexNet模型，以超越第二名10个百分点的成绩在ImageNet竞赛中夺冠；2017年，ImageNet图像分类竞赛Top 5的错误率降至2.25%)，侧重于感知智能的图像分类技术在工业界逐步实现商用价值，但与可结合常识做猜想和推理进而辅助识别的人类智能系统相比，现阶段的视觉技术往往仅能利用影像表层信息，缺乏常识以及对事物功能、因果、动机等深层信息的认知把握。 多学科融合，帮助人类做出复杂决策 为了做出最优(经济的或其他的)决策，决策相关理论将概率理论和效用理论结合起来，为在不确定情况下(在概率描述能适当呈现决策制定者所处环境的情况下)做出决策提供了一个形式化且完整的框架。因为理性决策的显著复杂性，历史上决策相关理论一直与人工智能研究沿着完全分离的路线向前发展，但自20世纪90年代以来，决策逐步深入人工智能系统研究，经济学、博弈论、运筹学、人工智能等多领域学科思想融合，让计算机智能处理海量数据，相对实时的解决人类专家也难以及时求解的各类问题。 自动驾驶系统剖析 根据自动驾驶的拟人化研发思路，自动驾驶系统原理可理解为感知——认知——决策——控制——执行五层，通过传感器实现感知作用，并根据所感知信息完成处理与融合，对信息达成一定的认知和理解，在形成全局整体理解后，通过算法得出决策结果并传递给控制系统生成执行指令。在整个过程中，汽车能够通过V2X(Vehicle to Everything)通信实现车与外界(如道路设施、其他车辆等)的信息交换，帮助车辆实时获取更大范围的环境信息，解决“我在哪儿，周围有什么，环境将发生什么变化以及我该怎么做“等四个问题。 人工智能的应用场景 金融领域——主要应用场景及相关影像采集设备 （责任编辑：晨鸿） |
