人工智能领域关键技术挖掘分析

人工智能领域关键技术挖掘分析

王姣

天津市大数据管理中心，天津300202

摘要：人工智能（ArtificialIntelligence,简称AI）自1956年产生以来，经过60余年的发展已经取得了非常瞩目的成绩。人工智能试图了解智能的实质，并生产出一种新的能够模仿人类智能行的智能机器，这其中包括智能机器人、智能语言识别及处理、智能图像识别及输出、深度学习等等。虽然现阶段的人工智能还不能够与人类智能相提并论，但人工智能通过对人的意识、思维的产生过程进行模拟后也能像人那样进行部分简单思考，而且未来甚至可能会在某些方面超过人类智能。

关键词：人工智能；关键；技术

1人工智能

人工智能起源于Ｊｏｈｎ在达特茅斯学院举办的会议上提出的“人工智能”一词，被定义为可模拟具有可描述的学习特征和智能化特征的机器，人工智能由此开启篇章。经历了三个不同的时期变化。第一个阶段，２０世纪５０年代到８０年代，概念理论时期。Ｒｏｓｅｎｂｌａｔｔ研究的感知器算法，该算法使用ＭＰ模型对输入的多维数据进行二分类，且可以使用梯度下降法从训练样本中自动学习更新权值。第二个阶段，２０世纪８０年代到２０世纪年代末，知识工程时期，进入到人工智能算法阶段。Ｈｏｐｆｉｅｌｄ运用硬件模拟神经网络，能够用一种全新的方式学习和处理信息。Ｈｉｎｔｏｎ采用非线性映射研究了多层感知器的反向传播算法，有效让非线性分类和学习问题得到了解决。Ｒｏｂｅｒｔ验证了ＭＬＰ的通用逼近定理。Ｖａｐｎｉｋ提出线性ＳＶＭ，该方法由统计学和凸优化推导而来，解决了线性分类问题。第三个阶段，２１世纪初至今，信息技术促进人工智能高速发展，进入产业应用时期。Ｂｒｅｉｍａｎ提出的随机森林，这是集成方法的另一个代表，可应用于市场营销和医疗保健等领域。Ｈｉｎｔｏｎ提出了深度学习的神经网络，适用于复杂的模式识别问题，可应用于机器视觉领域。Ｈｉｎｔｏｎ课题组构建了ＣＮＮ网络ＡｌｅｘＮｅｔ，其中Ｒｅｌｕ方法可以很好抑制梯度消失问题，抛弃了“预训练＋微调”的方法完全采用有监督训练，主要运用于图像识别领域。近几年世界各国关注和推进人工智能的发展和产业融合，围绕人工智能制定了相应的国家战略和政策，其中也涉及人工智能的发展给劳动力市场带来的影响。美国２０１６年发布《为人工智能的未来作好准备》中指出人工智能和劳动力的关系，政府通过研发具备多样化技能的劳动力来最大限度培养高素质劳动力。人工智能需要能够读取、使用、解释和传达数据的人才，不仅具有相关技能并且支持和推进该领域的发展。英国２０１７年发布《人工智能：未来决策面临的机会和影响》阐述，人工智能技术对服务业产生影响最大，制造业因为技术革新发生了革命性变化。英国就业与技能委员会（ＵＫＣＥＳ）预计，２０１２－２０２２年人工智能岗位偏向高技能，而到２０２２年后偏向性会从高技能向管理、专业和准专业方向转变。同年，日本发布《人工智能科技战略》着重发展人工智能和传统自动化行业的融合型人才，以解决日本面临的老龄化问题，并结合医疗护理等垂直化领域融合。中国２０１８年发布的《新一代人工智能发展规划》强调“１＋Ｎ”，以发展人工智能扎实基础理论和关键性技术为核心，同时发展人工智能和多学科交叉的“新工科”人才，并着重产业深度应用。我国研究学者根据我国人工智能发展水平，研究阐述了我国人工智能的技术人才特征。浙江省在２０１８年发布的《浙江省新一代人工智能发展规划》指出，人工智能行业需要培养一批高端人才，其特征是具有扎实的基础理论、核心关键共性技术和智能软硬件技术，更重要是懂得和各行业进行融合应用。

2人工智能领域关键技术分析

2.1数据挖掘与学习

当面对大量的数据需要进行深度数据挖掘、明晰数据之间的联系时，通常采用的方法是人工智能的一个重要分支——机器学习。机器学习是研究如何使用计算机模拟或实现人类的学习活动的方法，按照学习干预方法可分为有监督学习和无监督学习，按照学习方法可分为决策树学习、知识学习、强化学习、竞争学习和概率学习等。决策树学习算法是经典的分类学习算法，从大规模数据中构建决策树，并利用所有训练集数据进行决策树的训练来完成学习过程。强化学习是一种自适应学习方法，通过在迭代中调整参数值以达到强化信号的最大化，完成最优策略的建立。概率学习是利用像贝叶斯模型这样的概率模型进行训练数据的计算，从而得出学习模型和决策。人工神经网络是早期最重要的学习算法，通过对人脑神经元的模拟来建立节点之间相互关联的模型，并对每个节点的输入和输出进行计算，从而完成学习模型的建立。深度学习技术正是结合了多层人工神经网络和卷积计算的一种学习算法，多层神经网络可以通过权值设置和反馈迭代优化计算结果，并且输入层的多个节点还能实现并行计算，能够很好地处理海量数据并通过训练生成模型，完成对历史数据的学习，并在接收新输入时进行结果预测。

2.2知识和数据的智能处理

专业领域的知识处理和问题求解一般使用专家系统，它将探讨一般问题的思维方法转变为运用专门知识求解专门问题，实现了人工智能从理论研究向实际应用的重大突破[7]。专家系统一般由知识库和推理机组成，通过知识标识、知识获取、知识存储等操作完成知识库的建立，再利用推理机进行机器推理或模糊推理等操作，进而得到基于知识的推理结果。专家系统将特殊领域专家的专业知识和经验引入系统中，并将这些专业知识凝练为规则，大量的规则可以形成规则库。在问题求解过程中，规则库可以代替人类专家使得程序具有智能化。与早期单纯基于规则的推理系统相比，目前的专家系统正逐渐与其他学科融合，出现了基于框架、基于案例、基于模型、基于神经网络以及基于Web等多种专家系统模型，专家系统正成为人类进行智能管理与决策的重要工具和手段。

2.3人机交互

人机交互是目前人工智能的另一个技术热点，主要实现机器的智能化，确保机器和人类交互过程的顺畅。人机交互的实现一般要应用到机器人学和模式识别等技术。机器人学主要研究如何使机械模拟人的行为，而人工智能领域内的模式识别是指用计算机代替人类或帮助人类进行感知，也就是让计算机系统模拟人类通过感官获取的对外界的各种感知能力。目前的人机交互形式包括通过实物进行交互、通过触控屏幕进行交互、通过虚拟现实进行交互以及多种交互方式综合的多通道交互等。因此，人机交互技术的实现不仅要依靠硬件的提升，同时还涉及到手势识别技术、语音识别技术、触觉反馈技术、眼动跟踪技术以及3D交互技术等。人机交互可以使用户摆脱常规输入设备的束缚，并从复杂的人机交互场景中有效提取分析对象，实现自然的人与机器的感知交互。

3结语

当人工智能与人类社会的关系越来越密切时，个人隐私与信息安全等方面的问题便能足够引起了人们对人工智能的重视。例如，人工智能遭到黑客攻击后，可能会导致人们的个人隐私和数据泄漏，甚至还会造成财产损失。人工智能机器人的应用也逐渐增多，越来越多的领域和岗位都有人工智能机器人的参与。可以说人工智能机器人在客服、编辑、快递分拣等领域开始逐渐替代人们的部分工作，并产生了一定规模的技术性失业问题。就如同在企业的生产活动中，人工智能机器人对人类工作的辅助和替代使企业的人力资源需求量减小，最终造成了企业人员大量失业。因此，只有重视人工智能在发展及应用过程中存在的问题，并进一步探寻出应对这些问题的途径，才能使人工智能更多地便利于人类的工作和生活。

参考文献：

[1]孙伟平.关于人工智能的价值反思[J].哲学研究,2017(10):120-126.

[2]钟义信.人工智能:概念·方法·机遇[J].科学通报,2017,62(22):2473-2479.

[3]王志宏,杨震.人工智能技术研究及未来智能化信息服务体系的思考[J].电信科学,2017,33(05):1-11.