机构名称：
¥ 2.0
许多现实世界的任务都具有不确定性和概率数据的特点，这些数据对于人类来说很难理解和处理。机器学习 (ML) 和知识提取 [ 1 ] 有助于将这些数据转化为有用的信息，以实现广泛的应用，例如图像识别、场景理解、决策支持系统等，从而在广泛的领域中实现新的用例。各种机器学习方法，特别是深度神经网络 (DNN)，在解决计算机视觉和模式识别等难题方面取得了成功，导致了人工智能 (AI) 领域的寒武纪大爆发。在许多应用领域，人工智能研究人员已将深度学习作为首选解决方案 [ 2 , 3 ]。这一发展的一个特点是过去十年人工智能进步的加速，这导致人工智能系统强大到足以引发严重的伦理和社会接受问题。这一发展的另一个特点是此类系统的工程方式。最重要的是，数据分析、模型构建和软件工程等传统上独立的学科之间的相互联系日益紧密。如图 1 所示，AI 系统工程涵盖了构建 AI 系统的所有步骤，从问题理解、问题规范、AI 模型选择、数据采集和数据调节到在目标平台和应用环境中的部署。
回顾 AI 系统工程——关键挑战和经验教训 †
主要关键词
相关文件推荐
