李开复《人工智能》读后感1500字
下面是小编为大家整理的李开复《人工智能》读后感1500字,供大家参考。
李开复的《人工智能》读后感 1500 字
导读:读书笔记李开复的《人工智能》读后感 1500 字,仅供参考,如果觉得很不错,欢迎点评和分享。
李开复的《人工智能》读后感 1500 字:
首先感谢刘莉莉的赠送李开复的《人工智能》书本,谢谢其的信任,正因为如此,及个人的薄稀能力未能读懂书中的全部内容,也无法从书中内容里提炼出对自己的工作价值的赋能关键合作点。特此写一份读后感,以便于自己的总结和深度思考,同时也发到朋友圈分享使得感兴趣的朋友、特别对 AI 有一定期望的人,可建议其阅读一下。
书本总共分为六章,主要涵盖了从身边日常应用的弱人工智能,如头条、客服 AI 助理、图片人脸视觉识别、电子商务评价信息应用、搜索广告等功能,揭示了人工智能已经是普及的技术应用,且是相对性的成熟。
所以我们有必要放下“固有的偏见”,无论是从高纳德(Gartner)的技术成熟度曲线去评估,即在2015年和2016年间,基于AlphaGo事件和 AI 基金的盈利、提前预知金融危机准确性正式推动了 AI 从曲线中低谷期进入了攀升阶段;而都应做好准备接受这一现实,并基于AI 这个是工具论的方式下,第四章论述了 AI 即将对社会、组织结构、工作流程的改变和机遇,同时在第五章中预防传统的管理模式和“商业利益出发”,系统数据碎片化、孤岛性下,“也为数据的共享和流转限定了基本的规则和边界”。
当然高级 AI 模式,或许还要攀升阶段中需求几年、甚至一、二十年攀升。正如书中第三章中抽象定义了弱 AI、强 AI、超级 AI 三种阶段,质疑 AI 挑战人类的悲观、乐观论中,明确了计算机在情感跨域推理的缺陷。及第二张的 AI 定义和第五、六章中讲述了特别成功的场景案例和对个人的教育及发展机会、如何学习。特此总结如下:
一、“AI=大数据+深度学习”,其实深度学习是神经网络算法中经典,主要分为"DNN、CNN、RNN、ResNet(深度残差)、LSTM 之外,还有很多其他结构的神经网络。如因为在序列信号分析中,如果我能预知未来,对识别一定也是有所帮助的。因此就有了双向 RNN、双向 LSTM,同时利用历史和未来的信息"。当然不同的深度学习算法是用于不同的领域场景解决范围。如图片、视频和文本、数字。网上一些资料如下:
二、基于成熟曲线下拥抱成熟 AI 开源技术,因自己不是科研类型,固然无需研究 AI 背后的科学原理,更多应是拥抱 AI 应用。如开源可直接免费应用于商业的框架:
基于以上框架,对当前 AI 的人力需求则可在几个人下就可完成一个乃至一系列的 AI 平台快速实现能力。
三、“运筹就是 AI 的灵魂”,对是否能够驾驽 AI 并结合传统下常规的软件应用,我们应知道 AI 的灵魂就是运筹,如 FaceBook 和亚马逊、谷歌等,他们对 AI 工程师的入门就是面试为一个“动态规划算法”的应用基础。当然很多的运筹就是应用统计学和数学的结合,加上算法编程能力。读后感·而对算法库的支持中最好应该就是 R 语
言、Python,其次就是 Java;而且 Java 在大数据的处理能力中有Hadoop、Spark 这样等级的基础,且他们均支持 Python,故此到底选择什么框架、什么语言还是要看个人及团队能力。
四、需求自我裂变,明白 AI 的推动应该是在特定场景需求中,通过技术需求和算法自我裂变的过程。
其实书中说的裂变,我更多理解成 AI 在系统中提供的服务能力,是需要不断地迭代和完善、验证。当然书中更多列举了谷歌的搜索语义裂变、电子商务的评价分析中的一个点,不断扩散到翻译、蚂蚁金服的信用审核过程。这些过程不仅仅是技术数据的自我裂变,且这种需求是无法从业务、组织、流程这样的被动式需求规划去实现,而裂变中讲究的是技术自我主动管理的过程。
五、AI 的应用是在“闭环的生态技术栈启动”,其所依赖的数据仓库资产化的“多维度”下,数据赋能服务能力。
数据仓库资产化我是非常的认可,在 Togaf 技术架构治理中就定义了数据资产化,而对于 AI 依赖生成体现的数据资产化,如果都不知道什么是数据资产化,更不用说推动 AI 的应用了。
六、各种适合 AI 场景和机会的总结
1、搜索推荐;2、医疗养老;3、自动驾驶;4、智能客服;5、商务评价监控;6、图片视频识别;7:品质抽样检查评估等等。作者:Heavin 感谢阅读,希望能帮助您!
推荐访问:李开复《人工智能》读后感1500字 人工智能 读后感 李开复
上一篇:把面试做到极致读后感(精选文档)