大數(shù)據(jù)時代的人工智能應用課件

時代背景：新一代人工智能發(fā)展規(guī)劃的提出1為搶抓人工智能發(fā)展的重大戰(zhàn)略機遇，構筑我國人工智能發(fā)展的先發(fā)優(yōu)勢，加快建設創(chuàng)新型國家和世界科技強國，日前國務院印發(fā)《新一代人工智能發(fā)展規(guī)劃》。

-----2017.7.8《規(guī)劃》指出：立足國家發(fā)展全局，準確把握全球人工智能發(fā)展態(tài)勢，找準突破口和主攻方向，全面增強科技創(chuàng)新基礎能力，全面拓展重點領域應用深度廣度，全面提升經濟社會發(fā)展和國防應用智能化水平。時代背景：新一代人工智能發(fā)展規(guī)劃的提出1為搶抓人工智能發(fā)展的AlphaGo到底有多厲害？22011年，北京郵電大學的Lingo圍棋程序在9*9棋盤上以受讓兩子的條件，首次擊敗了中國圍棋教練職業(yè)圍棋9段俞斌和先生。那時，誰也沒有想到僅僅5年之后，AlphaGo圍棋程序就在19*19棋盤上無條件戰(zhàn)勝了人類棋王。研制AlphaGo的團隊DeepMind正在投入AlphaSC的研發(fā)，未來將于人類頂尖高手在星際爭霸游戲中一較高下。AlphaGo到底有多厲害？22011年，北京郵電大學的LiAlphaGo怎么做到的？AlphaGo使用兩種不同的深度神經網絡：第一種是策略網絡，目標是選擇在哪里落子。第二種則是價值網絡，價值網絡的作用是衡量走這一步對最終輸贏的影響。AlphaGo成功的關鍵在于:海量對弈數(shù)據(jù)：6000萬局對弈數(shù)據(jù)。算法創(chuàng)新：深度神經網絡+“左右手互搏”。計算能力出眾：打敗李世石的AlphaGoLee的芯片為50TPU,搜索速度為10k位置/秒。3人類專家位置監(jiān)督式學習強化學習AlphaGo怎么做到的？AlphaGo使用兩種不同的深度神AlphaGo絕非一帆風順43月13日李世石九段“神之一手”“AlphaGo遠非人工智能的終點?！蔽④浹芯吭褐麢C器學習專家JohnLangford批評了Wired和Slashdot等媒體對于“實現(xiàn)人工智能”夸大其詞的相關報道。Langford認為這些進展本是好事，但報道的時候產生了偏差，這容易導致失望和人工智能寒冬。JohnLangford國際機器學習大會ICML2016程序主席“AlphaGo以為自己做的很好，但在87手迷惑了，有麻煩了”“錯誤在第79手，但AlphaGo到第87手才發(fā)覺”AlphaGo絕非一帆風順43月13日李世石九段“神之一手”從AlphaGo到AlphaGoMaster560-0vs頂級專業(yè)人士（在線游戲）等級分專業(yè)級業(yè)余級入門級2017年7月9日,柯潔攜20連勝,等級分沖至3675分，世界排名第一。從AlphaGo到AlphaGoMaster560-0v6震撼之后的思考什么是人工智能？為什么那么厲害？AlphaGo未來有沒有可能被人類打??？人工智能技術未來有沒有可能取代人類？為什么？人工智能可以幫助人類完成哪些事情？人工智能已經出現(xiàn)在哪些領域，今后還會出現(xiàn)在哪些領域？6震撼之后的思考什么是人工智能？為什么那么厲害？大數(shù)據(jù)時代的人工智能

大數(shù)據(jù)時代的人工智能

內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望8內容提綱人工智能基本概念與發(fā)展歷史8內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望9內容提綱人工智能基本概念與發(fā)展歷史9什么是智能智力或知能是指生物一般性的精神能力。這個能力包括以下幾點：理解、計劃、解決問題，抽象思維，表達意念以及語言和學習的能力。智力三因素理論(RobertSternberg)成分性智力(componentialintelligence),指思維和問題解決所依賴的心理過程。經驗智力(experientialintelligence),指人們在兩種極端情況下處理問題的能力：新異的或常規(guī)的問題。情境智力(contextualintelligence)反映，在對日常事物的處理上，它包括對新的和不同環(huán)境的適應，選擇合適的環(huán)境以及有效地改變環(huán)境以適應你的需要。10RobertSternberg（1949-）是美國心理學家和心理測量學家。他是康奈爾大學人類發(fā)展教授。什么是智能智力或知能10RobertSternberg（1什么是人工智能人工智能（ArtificialIntelligence,AI）也稱作機器智能，是指由人工制造出來的系統(tǒng)所表現(xiàn)出來的智能。通常人工智能是指通過普通計算機實現(xiàn)的智能。人工智能研究研究內容：包括認知建模、知識學習、推理及應用、機器感知、機器思維、機器學習、機器行為和智能系統(tǒng)等。研究動機：包括推理，知識，規(guī)劃，學習，交流，感知，移動和操作物體的能力等?；A知識：包括搜索和數(shù)學優(yōu)化，邏輯，基于概率論和經濟學的方法等。應用系統(tǒng)：目前有大量的人工智能應用系統(tǒng)，如AlphaGo,Siri等。11什么是人工智能人工智能（ArtificialIntelli人工智能的三大發(fā)展要素12基礎理論引入相關學科交叉多領域應用機器學習數(shù)據(jù)挖掘人工智能數(shù)學統(tǒng)計學認知科學神經科學……控制論人工智能的三大發(fā)展要素12基礎理論引入相關學科交叉多領域應用人工智能發(fā)展歷程中的里程碑(1)-圖靈測試圖靈測試(1950)一個人(C)詢問兩個他看不見的對象（機器A和正常思維的人B）。如果經過若干詢問后，C無法區(qū)分A與B，則A通過圖靈測試。聊天機器人Eugene

Goostman(2014)在5分鐘內試圖欺騙30%的人。13圖靈測試額外加分項：說服測試者，令他認為自己是電腦。你知道嗎，你說的這些話真的很有道理。我……我已經不知道自己究竟是誰了。人工智能發(fā)展歷程中的里程碑(1)-圖靈測試圖靈測試(1950人工智能發(fā)展歷程中的里程碑(2)-深藍vs卡斯帕羅夫1997年，IBM研制的超級電腦“深藍”在標準比賽時限內以3.5比2.5的累計積分擊敗了國際象棋世界冠軍卡斯帕羅夫，震驚世界?！吧钏{”的設計者許峰雄曾表示，一般的國際象棋手能想到后7步就很不錯了，但“深藍”能想到12步，甚至40步遠，棋手當然不是計算機的對手。插曲：卡斯帕羅夫在落敗后曾稱無法理解電腦下棋時做出的決定。他亦認為電腦在棋局中可能得到人類幫助并要求重賽，但IBM拒絕。思考：深藍靠什么打敗了卡斯帕羅夫？深藍能否擊敗李世石？為什么？14人工智能發(fā)展歷程中的里程碑(2)-深藍vs卡斯帕羅夫1997人工智能發(fā)展歷程中的里程碑(3)-Waston與人機大戰(zhàn)2011年2月16日，在美國智力競猜節(jié)目《危險邊緣》第三場比賽中，IBM另一超級電腦“沃森”以三倍的巨大分數(shù)優(yōu)勢力壓該競猜節(jié)目有史以來最強的兩位選手肯·詹寧斯和布拉德·魯特，奪得這場人機大戰(zhàn)的冠軍。“沃森”在比賽中沒有連接互聯(lián)網，其數(shù)據(jù)庫中包括辭海和《世界圖書百科全書》等數(shù)百萬份資料，強大的硬件則助力其能在3秒鐘之內檢索數(shù)億頁的材料并給出答案。思考：就面臨的挑戰(zhàn)來說，“沃森”相比深藍有哪些不同？“沃森”的特點是什么？“沃森”有可能勝任AlphaGo的工作嗎？15人工智能發(fā)展歷程中的里程碑(3)-Waston與人機大戰(zhàn)20人工智能發(fā)展歷程中的里程碑(4)-圖像識別領域機器首次超越人類2015年的ImageNet挑戰(zhàn)賽，在圖像識別準確率上，機器的表現(xiàn)首次超過了人類。這被公認為是一個里程碑式的突破。在此之前，2010年算法的圖像識別錯誤率至少在25%左右，但到2015年，計算機圖像識別錯誤率已經低于人類（人類水平大概是4%左右）。2015年是0.03567，也就是3.5%。2016年，ImageNet競賽，圖像識別錯誤率進一步下降，最好成績?yōu)椋浩骄e誤率0.02991，也就是2.99%左右。思考:這一次的人工智能突破和前幾次相比有何不同?16人工智能發(fā)展歷程中的里程碑(4)-圖像識別領域機器首次超越人工智能發(fā)展（簡史）17混沌初生開天辟地百家爭鳴百花齊放物競天擇適者生存達特茅斯會議的召開標志著人工智能的誕生。（1956年）圖靈測試的提出標志人工智能進入萌芽階段。以DENDRAL系統(tǒng)為代表的專家系統(tǒng)大量涌現(xiàn)。（1970~1980）淺層機器學習模型興起，SVM、LR、Boosting算法等紛紛面世。（1990~2000）多倫多大學教授Hinton開啟深度學習在學術界和工業(yè)界的浪潮（2006）人工智能出現(xiàn)新的研究高潮，機器開始通過視頻學習識別人和事物，AlphaGo戰(zhàn)勝圍棋冠軍（2011~今）隨著新的算法和模型不斷涌現(xiàn)，學科交叉現(xiàn)象日趨明顯，人工智能的研究進入了新的階段。奠定了人工智能的數(shù)學基礎，出現(xiàn)了人工智能歷史上的第一個應用。-西蒙和紐厄爾提出了“LogicTheorist”自動定理證明系統(tǒng)。大數(shù)據(jù)時代的到來給人工智能的發(fā)展帶來契機，人工智能全面融入人們的社會生活。人工智能發(fā)展（簡史）17混沌初生開天辟地百家爭鳴百花齊放人工智能發(fā)展的真實歷史過程（波浪式前進）18最近一次的人工智能熱潮興起，是由于大數(shù)據(jù)時代使得數(shù)據(jù)需求得到了滿足。達特茅斯會議標志AI的誕生自然語言探索式推理微世界第一款神經網絡—感知機，將人工智能推向第一個高峰人工智能計算機DARPA無條件撥款放棄聯(lián)結主義計算能力突破沒能使機器完成大規(guī)模數(shù)據(jù)訓練和復雜任務，AI進入第一個低谷DARPA停止撥款集成電路技術提高反向傳播算法提出霍普菲爾德神經網絡被提出DARPA受到認可重獲撥款反向傳播算法獲得廣泛關注，AI進入第二黃金時期循環(huán)神經網絡狂熱追捧帶來失望LISP機市場的崩潰DARPA失敗，政府投入縮減，AI跌入第二次谷底行為主義提出非線性多層自適應網絡循環(huán)神經網絡出現(xiàn)IBM深藍戰(zhàn)勝人類象棋冠軍深度卷積神經網絡提出人工智能加速發(fā)展人臉識別率超過99%歐盟、美國腦工程計劃AlphaGo挑戰(zhàn)人類圍棋冠軍計算能力數(shù)據(jù)需求下一個問題呢啟蒙階段低潮時期復興階段遇冷時期快速發(fā)展1955201620051991198619701958人工智能發(fā)展的真實歷史過程（波浪式前進）18最近一次的人工智內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望19內容提綱人工智能基本概念與發(fā)展歷史19大數(shù)據(jù)是什么？大數(shù)據(jù)（BigData）:是指大小超出了常用軟件工具在運行時間內可以承受的收集、管理和處理數(shù)據(jù)能力的數(shù)據(jù)集。大數(shù)據(jù)是目前存儲模式與能力、計算模式與能力不能滿足存儲與處理現(xiàn)有數(shù)據(jù)集規(guī)模產生的相對概念。20大數(shù)據(jù)是什么？大數(shù)據(jù)（BigData）:是指大小超出了大數(shù)據(jù)真正價值不在于大數(shù)據(jù)本身，而在于數(shù)據(jù)內容的分析和洞察。大數(shù)據(jù)時代的5V特點21大數(shù)據(jù)真正價值不在于大數(shù)據(jù)本身，而在于數(shù)據(jù)內容的分析和洞察。大數(shù)據(jù)時代的要求大數(shù)據(jù)規(guī)模大小是一個不斷演化的指標當前任務處理的單一的數(shù)據(jù)集當前數(shù)據(jù)規(guī)模：從數(shù)十TB到十幾PB級處理大數(shù)據(jù)的可等待的合理時間依賴應用場景地震數(shù)據(jù)預測要求在幾分鐘內才有效氣象數(shù)據(jù)應該在小時級別失聯(lián)飛機數(shù)據(jù)處理要在7天之內數(shù)據(jù)挖掘一般要求在12小時內22大數(shù)據(jù)時代需要人工智能技術同時滿足以上兩個要求。大數(shù)據(jù)時代的要求大數(shù)據(jù)規(guī)模大小是一個不斷演化的指標22大數(shù)據(jù)大數(shù)據(jù)時代需要什么樣的人工智能？能適應反映大數(shù)據(jù)分布的抽樣方法解剖麻雀基于大數(shù)據(jù)分布的算法庖丁解牛追求高效并行的人工智能算法曹沖稱象反映全量特征的人工智能算法治大國如烹小鮮23大數(shù)據(jù)時代需要什么樣的人工智能？能適應反映大數(shù)據(jù)分布的抽樣方大數(shù)據(jù)時代的人工智能技術不斷涌現(xiàn)24互聯(lián)網搜索生物特征識別汽車自動駕駛智能機器人選舉結果預測智能客服系統(tǒng)大數(shù)據(jù)時代的人工智能技術不斷涌現(xiàn)24互聯(lián)網搜索生物特征識別汽人工智能的應用范圍和領域不斷拓展25人工智能應用圖像識別語音識別文字識別其他信號識別無人駕駛人臉識別場景感知氣象預報文獻篩選污染預報醫(yī)學影像分析虹膜識別視頻監(jiān)控計算機春聯(lián)手寫數(shù)字識別智能交通智能客服智能庭審記錄小米基因篩選網絡安全計算機寫詩人工智能的應用范圍和領域不斷拓展25人工智能應用圖像識別語音內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望26內容提綱人工智能基本概念與發(fā)展歷史26人機交互層基于人工智能技術的強對流天氣聚焦與推演方案目標：聚焦：輔助決策。從海量數(shù)據(jù)中聚焦關鍵特征和重點區(qū)域，輔助氣象專家進行決策；推演：協(xié)助研判。提供智能推演，協(xié)助氣象專家對未來3小時的天氣形勢進行研判。方案特點：采用人工智能技術綜合運用多種深度學習算法半結構化與非結構化大數(shù)據(jù)處理技術雷達反射圖核心模塊氣象數(shù)據(jù)展示效果模型算法多層神經網絡Softmax線性模型卷積神經網絡（CNN）循環(huán)神經網絡（LSTM）衛(wèi)星云圖GRIB2在分析預報場資料關鍵特征識別重點區(qū)域識別時空特征學習天氣變化推演未來3小時強對流天氣模擬推演關鍵特征和重點區(qū)域2維效果展示層系統(tǒng)層模型層數(shù)據(jù)層輔助人工決策提供智能推演氣象專家最終氣象預報結果歷史對流過程標注數(shù)據(jù)人機交互層基于人工智能技術的強對流天氣聚焦與推演方案目標：雷與傳統(tǒng)方法的比較擁有深度自學習能力。認知計算無需先驗知識，即可從海量歷史數(shù)據(jù)中進行訓練學習，并挖掘潛在的規(guī)律和模式。同時，認知計算能夠根據(jù)每天產生的氣象數(shù)據(jù)進行自動學習，自我調整以適應天氣變化的最新情況。擁有基于大數(shù)據(jù)的輔助決策能力。能夠充分利用氣象歷史數(shù)據(jù)。氣象數(shù)據(jù)越多，收集時間越長，認知計算模型的分析結果越準確。數(shù)據(jù)依賴程度低。認知計算系統(tǒng)只需少量的觀察和再分析數(shù)據(jù)即可完成分析和推演?；诳諝鈩恿W進行數(shù)值計算。傳統(tǒng)數(shù)值方法主要依賴空氣動力學公式對氣象數(shù)據(jù)進行分析，計算開銷高?；谏倭繗v史數(shù)據(jù)進行人工決策。傳統(tǒng)數(shù)值方法主要基于少量歷史數(shù)據(jù)，進行人工外推。其歷史氣象數(shù)據(jù)未得到充分利用。依賴專家經驗。傳統(tǒng)數(shù)值方法依賴專家根據(jù)其掌握的經驗進行分析和調整。需要大量的物理變量組合分析。傳統(tǒng)數(shù)值方法很難處理物理變量缺失的情況。傳統(tǒng)數(shù)值方法人工智能方法與傳統(tǒng)方法的比較擁有深度自學習能力。認知計算無需先驗知識，即強對流天氣聚焦700mb高度垂直速度，地面能見度，10米風，80米風，地表溫度，歷史對流天氣標注結果……輸入參數(shù)關鍵特征識別重點區(qū)域可視化子系統(tǒng)的構成：氣象圖片資料的自動解析多層神經網絡模型Softmax線性模型特征預測效果評估模塊多特征自動排序模塊重點區(qū)域可視化模塊子系統(tǒng)的特點：支持43+種氣象圖片的自動分析綜合運用領先的深度學習技術支持端到端的關鍵特征識別和排序支持基于計算機視覺技術的重點區(qū)域可視化氣象圖片資料歷史對流天氣標注集多層神經網絡模型單特征預測效果評估訓練數(shù)據(jù)驗證數(shù)據(jù)多特征自動排序氣象圖片資料歷史對流天氣標注集Softmax線性模型格網不同位置權重解析重點區(qū)域可視化待分析特征注:深度學習的結果只能揭示區(qū)域和預測目標的相關性，但不能解釋區(qū)域和預測目標的因果關系。強對流天氣聚焦700mb高度垂直速度，地面能見度，10米風，關鍵技術1---關鍵特征識別與排序候選氣象特征（43個）地面對流有效位能2米露點溫度可降水相對濕度入射短波輻射地面對流抑制2米相對濕度700mb高度溫度行星邊界層高度混合對流有效位能累計降水700mb高度垂直速度雪水當量最不穩(wěn)定對流有效位能降水類型500mb高度溫度1小時降雪最不穩(wěn)定層對流有效位能可降水500mb高度渦度雪深10米風航空飛行規(guī)則250mb高度風場2米位溫80米風925mb高度溫度250mb高度風速850mb高度相對濕度地面能見度850mb高度溫度云頂高度高層云量地表溫度850mb高度風場云底高度低層云量2米溫度850mb高度風速總云量中層云量模擬雷達反射率2米溫度-地表溫度850-500mb平均相對濕度高

低6-10月歷史對流天氣標注集①針對2016年6月-10月間48個對流天氣過程，根據(jù)其中43個候選氣象特征，收集10w+張圖片。②針對每個候選特征，應用深度學習中的多層神經網絡模型對其預測對流天氣過程的能力進行評估。③根據(jù)評估結果，對不同特征按照預測效果進行排序。關鍵特征的識別與排序旨在從海量數(shù)據(jù)中提煉有效特征，協(xié)助氣象專家提升對流天氣過程的預報準確率。輸入層輸出層隱層I隱層II隱層III誤差反向傳播信息正向傳播關鍵技術1---關鍵特征識別與排序候選氣象特征（43個）地面重點區(qū)域31①針對待分析特征，按照發(fā)生對流過程的類型，對圖片進行分別標注。關鍵技術2---重點區(qū)域識別②根據(jù)對流過程的類型，應用softmax線性模型對不同位置網格點（RGB取值）的重要性(權重)進行評估，進而識別出不同類型天氣的重點區(qū)域，如右圖所示。31③網格點權重可視化。示例250mb高度風場（b）待分析圖片重點區(qū)域可視化旨在從海量地理氣象數(shù)據(jù)中快速發(fā)現(xiàn)重要區(qū)域，輔助氣象專家提升對流天氣過程的預報精度。如上圖所示，通過比較待分析圖片和標準模板，可以計算對應區(qū)域的偏差。通過對偏差的分析比較，可以準確地識別出待分析圖片未來1-3h內可能發(fā)生的天氣過程的類型。（a）無對流過程標準模板無對流過程臺風過程大尺度天氣系統(tǒng)降水過程局地對流天氣過程重點區(qū)域31①針對待分析特征，按照發(fā)生對流過程的類型，對圖32重點區(qū)域識別結果驗證（示例：250mb高度風場）局地對流天氣2016年10月04日14:00~17:00偏差0.030.410.210.09偏差0.030.330.190.11偏差0.050.210.070.14偏差0.010.010.10.12重點區(qū)域無對流過程臺風過程大尺度天氣系統(tǒng)降水過程局地對流天氣過程根據(jù)重點區(qū)域的分析結果，可以分析出未來出現(xiàn)不同天氣類型的概率。結果驗證：系統(tǒng)為預報員提供無對流天氣過程模板和重點區(qū)域具體位置。預報員可以通過比較重點區(qū)域的偏差情況，分析未來0-3h出現(xiàn)的天氣類型。2016年10月04日14:002016年10月04日15:002016年10月04日16:002016年10月04日17:0032重點區(qū)域識別結果驗證（示例：250mb高度風場）局地對流強對流天氣推演強對流天氣推演子系統(tǒng)的構成：衛(wèi)星云圖和雷達反射圖的自動解析卷積神經網絡模型循環(huán)神經網絡模型多層網絡的深度學習模型支持未來天氣的自動推演模塊系統(tǒng)特點：通過海量歷史數(shù)據(jù)訓練模型時空特征認知空間特征：卷積神經網絡（CNN）時序特征：循環(huán)神經網絡（LSTM）利用深度學習優(yōu)化模型歷史衛(wèi)星云圖，雷達反射圖卷積神經網絡層（空間特征提?。┒鄬泳W絡連接數(shù)據(jù)集未來天氣自動推演循環(huán)神經網絡層（時間特征提?。r空特征學習深度學習優(yōu)化輸出結果無監(jiān)督學習實時衛(wèi)星云圖，雷達反射圖強對流天氣推演強對流天氣推演子系統(tǒng)的構成：歷史衛(wèi)星云圖，雷達34關鍵技術3---基于多層卷積的時空特征學習技術路線

1.

通過卷積神經網絡（CNN）提取空間特征：在每一層神經網絡中，空間數(shù)據(jù)做卷積等操作，并通過誤差反向傳播學習卷積核2. 通過循環(huán)神經網絡（LSTM）提取時間特征：循環(huán)利用卷積神經網絡學習天氣變化的規(guī)律3. 采用多層卷積層，并循環(huán)利用參數(shù)空間進行建模，優(yōu)化后的模型可以很好的掌握天氣在空間和時間上的變化規(guī)律1.卷積神經網絡層：通過卷積學習天氣的空間特征天氣序列輸入天氣序列輸出3.多層網絡連接2.循環(huán)神經網絡層：通過循環(huán)層學習天氣變化的時間特征34關鍵技術3---基于多層卷積的時空特征學習技術路線1.35示例：強對流天氣推演-雷達反射圖（示例一）觀測序列2016年8月1日00:00~04:00實際發(fā)生2016年8月1日05:00~07:00天氣推演2016年8月1日05:00~07:00利用模型推演未來3個小時的天氣變化模型推演到了臺風登陸的位置和時間模型推演到了臺風移動的方向和旋轉35示例：強對流天氣推演-雷達反射圖（示例一）觀測序列實際發(fā)36示例：強對流天氣推演-雷達反射圖（示例一）實時天氣2016年8月1日04:003小時后天氣2016年8月1日07:003小時后天氣推演2016年8月1日07:00模型可以推演出左上角逐漸消散的過程模型可以推演出左下角的從無到有模型可以推演出右下角臺風中心的移動和旋轉利用模型推演未來3個小時的天氣變化推演到了臺風登陸的位置和時間36示例：強對流天氣推演-雷達反射圖（示例一）實時天氣3小時37示例：強對流天氣推演-衛(wèi)星云圖（示例二）實時天氣2016年8月3日04:003小時后天氣2016年8月3日07:003小時后天氣推演2016年8月3日07:00模型可以推演出左上角的從無到有模型可以推演出右下角的移動推演出中心的消散利用模型推演未來3個小時的天氣變化推演出右上角向下方移動37示例：強對流天氣推演-衛(wèi)星云圖（示例二）實時天氣3小時后內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望38內容提綱人工智能基本概念與發(fā)展歷史38業(yè)務需求：需要利用大數(shù)據(jù)分析人工智能等技術，以數(shù)據(jù)驅動業(yè)務，以分析支持科研業(yè)務需求許多小的功能由于結合不同時期的需求自主開發(fā)，較為零散，導致操作分散需要整合多維度數(shù)據(jù)輔助人工數(shù)據(jù)審核人工生成報表，查詢指定時間、指定維度數(shù)據(jù)困難、工作量大使用excel模板生成報表，易出錯分析層次1.多維度綜合查詢，從Excel中解放出來2.常規(guī)統(tǒng)計分析報表，業(yè)務輕松一覽統(tǒng)一的數(shù)據(jù)資源池3.高級模型挖掘，獲取深入洞察業(yè)務需求：需要利用大數(shù)據(jù)分析人工智能等技術，以數(shù)據(jù)驅動業(yè)務，**室**室空氣質量監(jiān)測數(shù)據(jù)氣象監(jiān)測數(shù)據(jù)特殊VOC監(jiān)測數(shù)據(jù)監(jiān)測中心的綜合監(jiān)測站監(jiān)測數(shù)據(jù)各類設備運行狀態(tài)數(shù)據(jù)PM2.5/TSP/PM10采集稱重數(shù)據(jù)**室重金屬分析OC/EC分析有機組分分析陰陽離子分析**室空氣質量監(jiān)測審核數(shù)據(jù)空氣質量監(jiān)測統(tǒng)計數(shù)據(jù)潛勢預報產品數(shù)據(jù)**室PM2.5反演圖污染氣體反演圖沙塵反演圖火點反演圖簡報/月報數(shù)據(jù)**室區(qū)縣監(jiān)督性監(jiān)測數(shù)據(jù)區(qū)縣比對監(jiān)測數(shù)據(jù)中心監(jiān)督性監(jiān)測數(shù)據(jù)激光雷達監(jiān)測數(shù)據(jù)垂直氣象要素監(jiān)測數(shù)據(jù)FDMS分析監(jiān)測數(shù)據(jù)空氣環(huán)境遙感應用監(jiān)測數(shù)據(jù)污染物化學組分監(jiān)測數(shù)據(jù)空氣質量日報數(shù)據(jù)空氣質量月報數(shù)據(jù)空氣質量年報數(shù)據(jù)空氣質量數(shù)值模型數(shù)據(jù)統(tǒng)計預報產品數(shù)據(jù)氣象模型預報產品數(shù)據(jù)空氣重污染預報預警污染源處理模型數(shù)據(jù)案例庫數(shù)據(jù)面源遙感數(shù)據(jù)激光雷達數(shù)據(jù)在線源解析結果情景模擬結果基準污染源清單減排污染源清單國控污染物數(shù)據(jù)簡報/月報數(shù)據(jù)監(jiān)測數(shù)據(jù)庫業(yè)務產品數(shù)據(jù)庫輔助數(shù)據(jù)庫運行支撐管理數(shù)據(jù)庫目錄和元數(shù)據(jù)庫第三方數(shù)據(jù)GIS數(shù)據(jù)總站空氣監(jiān)測數(shù)據(jù)氣象數(shù)據(jù)。。。大氣環(huán)境業(yè)務數(shù)據(jù)和信息的數(shù)據(jù)視圖未來小型監(jiān)測設備京津冀數(shù)據(jù)**室**室空氣質量監(jiān)測數(shù)據(jù)氣象監(jiān)測數(shù)據(jù)特殊VOC監(jiān)測數(shù)據(jù)監(jiān)設計方案數(shù)據(jù)層模型層應用層展示層內部網站報表GIS曲線外部網站發(fā)布外部移動應用報表GIS曲線社交圖像報表GIS曲線圖像模型特征業(yè)務規(guī)則綜合觀測實驗室數(shù)據(jù)應用環(huán)境空氣質量分析及業(yè)務應用大氣污染源管理及應用重污染過程分析與案例庫管理統(tǒng)計與數(shù)值模型預報綜合會商重污染應急決策支持統(tǒng)計模型庫自動室分析室遙感室污染源室專家知識庫空氣質量預報預警空氣質量綜合分析NAQPMSCMAQMM5/WRFSMOKE

數(shù)值模型庫CAMxAQMDSSARIAWRF-CHEMADMS基于案例的推理認知計算特征場挖掘時空模式分析模型融合深度學習關聯(lián)分析場分析誤差模式挖掘大氣室外部數(shù)據(jù)在線源解析數(shù)據(jù)審核，管理與融合基于情景的污染過程仿真污染控制方案效果評估空氣質量大數(shù)據(jù)分析空氣質量指標體系空氣質量高級統(tǒng)計分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務知識積累設計方案數(shù)據(jù)層模型層應用層展示層內部網站報表數(shù)值模型工作原理輸入數(shù)據(jù)模型庫MM5WRF源排放清單CMAQ重污染案例再分析數(shù)據(jù)空氣質量預報（包括集合預報）NAQPMSCAMxWRF-CHEM衛(wèi)星遙感數(shù)據(jù)氣象觀測數(shù)據(jù)科研試驗數(shù)據(jù)空氣質量觀測數(shù)據(jù)人工觀測數(shù)據(jù)ADMSAQMDSSARIA作業(yè)管理與調度優(yōu)化在線源解析排放控制情景模擬重污染影響參數(shù)模擬…污染同化數(shù)值模型工作原理輸入數(shù)據(jù)模型庫MM5WRF源排放清單CMAQ統(tǒng)計模型工作原理數(shù)據(jù)層模型層應用層展示層內部網站報表GIS曲線外部網站發(fā)布外部移動應用報表GIS曲線社交圖像報表GIS曲線圖像模型特征（氣象場、污染變化趨勢等）業(yè)務規(guī)則（平穩(wěn)天氣研判、逆溫識別等）綜合觀測實驗室數(shù)據(jù)應用環(huán)境空氣質量分析及業(yè)務應用大氣污染源管理及應用重污染過程分析與案例庫管理統(tǒng)計與數(shù)值模型預報綜合會商重污染應急決策支持統(tǒng)計模型庫自動室分析室遙感室污染源室專家知識庫空氣質量預報預警空氣質量綜合分析NAQPMSCMAQMM5/WRFSMOKE

數(shù)值模型庫CAMxAQMDSSARIAWRF-CHEMADMS基于案例的推理認知計算特征場挖掘時空模式分析多預報模型融合深度學習多污染物關聯(lián)分析氣象場關聯(lián)分析預報誤差模式挖掘大氣室外部數(shù)據(jù)在線源解析數(shù)據(jù)審核，管理與融合基于情景的污染過程仿真污染控制方案效果評估空氣質量大數(shù)據(jù)分析空氣質量指標體系空氣質量高級統(tǒng)計分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務知識積累自動室分析室遙感室污染源室大氣室外部數(shù)據(jù)統(tǒng)計模型庫基于案例的推理認知計算特征場挖掘時空模式分析多預報模型融合深度學習多污染物關聯(lián)分析氣象場關聯(lián)分析預報誤差模式挖掘空氣質量大數(shù)據(jù)分析空氣質量指標體系空氣質量高級統(tǒng)計分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務知識積累重污染過程分析與案例庫管理現(xiàn)有業(yè)務提升個性業(yè)務分析技術方案設計統(tǒng)計模型工作原理數(shù)據(jù)層模型層應用層展示層內部人工智能技術應用-重污染案例分析相關分析區(qū)域傳輸分析氣象條件分析時序分析分布分析跨行業(yè)分析重污染案例設計預報會商設計現(xiàn)有業(yè)務提升個性業(yè)務分析技術方案設計人工智能技術應用-重污染案例分析相關分析區(qū)域傳輸分析氣象條件重污染案例展示人工智能技術應用-重污染案例分析重污染案例設計預報會商設計現(xiàn)有業(yè)務提升個性業(yè)務分析技術方案設計重污染案例展示人工智能技術應用-重污染案例分析重污染案例設計重污染案例匹配人工智能技術應用-重污染案例匹配重污染案例設計預報會商設計現(xiàn)有業(yè)務提升個性業(yè)務分析技術方案設計重污染案例匹配人工智能技術應用-重污染案例匹配重污染案例設計

人工智能技術應用-預報預警重污染案例設計預報會商設計現(xiàn)有業(yè)務提升個性業(yè)務分析技術方案設計 人工智能技術應用-預報預警重污染案例設計預報會商設計現(xiàn)有業(yè)人工智能技術應用-個性化業(yè)務分析模型層應用層展示層內部網站報表GIS曲線外部網站發(fā)布外部移動應用報表GIS曲線社交圖像報表GIS曲線圖像模型特征（氣象場、污染變化趨勢等）業(yè)務規(guī)則（平穩(wěn)天氣研判、逆溫識別等）綜合觀測實驗室數(shù)據(jù)應用環(huán)境空氣質量分析及業(yè)務應用大氣污染源管理及應用重污染過程分析與案例庫管理統(tǒng)計與數(shù)值模型預報綜合會商重污染應急決策支持統(tǒng)計模型庫自動室分析室遙感室污染源室專家知識庫空氣質量預報預警空氣質量綜合分析NAQPMSCMAQMM5/WRFSMOKE

數(shù)值模型庫CAMxAQMDSSARIAWRF-CHEMADMS基于案例的推理認知計算特征場挖掘時空模式分析多預報模型融合深度學習多污染物關聯(lián)分析氣象場關聯(lián)分析預報誤差模式挖掘大氣室外部數(shù)據(jù)在線源解析數(shù)據(jù)審核，管理與融合基于情景的污染過程仿真污染控制方案效果評估空氣質量大數(shù)據(jù)分析空氣質量指標體系空氣質量高級統(tǒng)計分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務知識積累自動室分析室遙感室污染源室大氣室外部數(shù)據(jù)空氣質量大數(shù)據(jù)分析空氣質量指標體系空氣質量高級統(tǒng)計分析工具集基于GIS的數(shù)據(jù)耦合展示業(yè)務知識積累現(xiàn)有業(yè)務提升個性業(yè)務分析技術方案設計人工智能技術應用-個性化業(yè)務分析模型層應用層展示1.選擇有效指標進行PM2.5等級與氣象條件的規(guī)律挖掘2.自動挖掘規(guī)律

3.語義化展示，業(yè)務人員根據(jù)專業(yè)知識總結結論人工智能技術應用-個性化業(yè)務分析現(xiàn)有業(yè)務提升個性業(yè)務分析技術方案設計1.選擇有效指標進行PM2.5等級與氣象條件的規(guī)律挖掘2.模型全生命周期管理人工智能模式挖掘時空分布/演化特征多污染物關聯(lián)特征氣象場的關聯(lián)分析預報模型的誤差性能特征預報特征庫統(tǒng)計/數(shù)值模型（新建/更新）專家知識庫業(yè)務規(guī)則引擎業(yè)務經驗模型融合深度學習算法統(tǒng)計/數(shù)據(jù)挖掘引擎神經元網絡隨機森林C5.0,CART,CHAID廣義線性回歸SVMKNN…CasebasedReasoning模型評估模型上線模型歸檔模型升級知識集成統(tǒng)一數(shù)據(jù)資源池人工智能技術應用-技術方案設計現(xiàn)有業(yè)務提升個性業(yè)務分析技術方案設計模型全生命周期管理人工智能模式挖掘時空分布/演化特征多污染物內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望51內容提綱人工智能基本概念與發(fā)展歷史51背景什么樣的網頁會被稱為惡意網頁？便利的網絡服務吸引了網絡攻擊者們通過釣魚網站[1-1]，垃圾廣告[1-2]和惡意軟件[1-3]推廣等方式進行非法牟利。盡管這些不法活動的目的和手段各不相同，但他們都需要不知情的用戶訪問攻擊者提供的網頁地址以達到攻擊目的。這些網頁因此被稱為惡意網頁。52背景什么樣的網頁會被稱為惡意網頁？52背景惡意網頁的威脅有多大？國際反釣魚組織APWG的數(shù)據(jù)顯示，2012下半年間，使用惡意網頁進行網絡釣魚從93,462起攀升到123,486起?？ò退够鶊蟾鎇1-4]顯示，惡意網頁在87.36%的網絡攻擊中出現(xiàn)，并已成為黑客謀求經濟利益的重要工具。Google的研究指出，其搜索結果中1.3%的頁面為被掛馬網頁[1-4.1]。53因此，如何有效地識別惡意網頁已經成為亟待解決的網絡安全問題之一。背景惡意網頁的威脅有多大？53背景惡意網頁識別的一些研究進展觀點：惡意網頁的識別與檢測是一個攻防博弈問題。攻擊者視角：自動生成域名技術、隱匿技術。。。防御者視角：學術界：URL語法特征，DNS特征，網頁內容特征等。工業(yè)界：SmartScreen篩選器和Safebrowsing采用的內置黑白名單方法等。54下面分別從惡意網頁識別問題的基本概念，識別技術和面臨挑戰(zhàn)三個方面介紹。背景惡意網頁識別的一些研究進展54下面分別從惡意網頁識別問題目前，惡意網頁尚無一個明確的、統(tǒng)一的定義。Google[2-1]將惡意網頁限定為一種不安全的網站，發(fā)生的場景可以是惡意軟件自動下載[2-2]，網頁彈窗[2-3]誘騙用戶輸入自己的用戶名和密碼等。BirhanuE.等人[2-3.1]將惡意網頁定義為一類通過利用漏洞對一次性的訪問行為發(fā)起攻擊的網頁。百度百科上[2-4]對惡意網站定義為故意在計算機系統(tǒng)上執(zhí)行惡意任務的病毒、蠕蟲和特洛伊木馬的非法網站，并指出他們的共同特征是采用網頁形式讓人們正常瀏覽頁面內容，同時非法獲取電腦里的各種數(shù)據(jù)。一般來說，惡意網頁是以網頁木馬，釣魚網站為代表的一類網頁。不同于正常網頁，惡意網頁往往通過偽裝成合法網站或在網頁中嵌入惡意腳本，從而在用戶訪問時對其網絡安全構成威脅。惡意網頁基本概念與評價指標55因此，將惡意網頁定義為以網頁形式出現(xiàn)，以訪問時竊取用戶隱私，安裝惡意程序或運行惡意代碼等惡意行為為目的的網頁集合。目前，惡意網頁尚無一個明確的、統(tǒng)一的定義。惡意網頁基本概念與惡意網頁識別概述56惡意網頁識別概述惡意網頁識別系統(tǒng)基本框架包括網頁采集，特征抽取，網頁判別三個步驟。惡意網頁識別的應用場景攻擊場景檢測位置主要識別特征惡意網頁識別概述56惡意網頁識別概述惡意網頁識別框架57惡意網頁識別系統(tǒng)基本框架圖1.惡意網頁識別的基本框架(1)網頁采集。負責對互聯(lián)網上的網頁進行收集、去重和過濾。其中，按照網頁收集方式，一般可分為主動和被動兩種。(2)特征抽取。依據(jù)網頁自身特點和識別方法的不同，對網頁信息的特征進行抽取，作為識別惡意網頁的依據(jù)。這些特征包括但不限于URL詞匯特征，主機信息特征，網頁內容特征，URL（DNS）黑名單，鏈接關系以及跳轉關系等。

(3)網頁判別。主要判別方法包括：黑名單過濾法，規(guī)則匹配法，機器學習方法以及基于交互式主機行為的識別方法。惡意網頁識別框架57惡意網頁識別系統(tǒng)基本框架圖1.惡意網惡意網頁識別概述58惡意網頁識別概述惡意網頁識別的應用場景攻擊場景：釣魚網頁，惡意軟件下載，跨站腳本執(zhí)行（XSS），SQL注入，網頁木馬檢測位置服務器端,客戶端，網關端主要識別特征此外，一些研究從HTTP會話[3-23],搜索引擎提供的相似網頁[3-24]出發(fā)，對惡意網頁的識別提供了新的思路。圖2.識別惡意網頁的特征分類惡意網頁識別概述58惡意網頁識別概述圖2.識別惡意網頁的惡意網頁識別研究進展59惡意網頁識別的方法基于黑名單技術的識別方法基于啟發(fā)式規(guī)則的識別方法基于機器學習的識別方法基于交互式主機行為的識別方法。惡意網頁識別研究進展59惡意網頁識別的方法惡意網頁識別研究進展60惡意網頁識別的方法基于黑名單技術的識別方法典型應用：GoogleSafebrowsing,DNSBL,PhishTank等。存在問題：不能及時更新，容易漏判基于啟發(fā)式規(guī)則的識別方法基于機器學習的識別方法基于交互式主機行為的識別方法圖1 黑名單示例www.phish.tw…惡意網頁識別研究進展60惡意網頁識別的方法圖1 黑名單示例惡意網頁識別研究進展61惡意網頁識別的方法基于黑名單技術的識別方法基于啟發(fā)式規(guī)則的識別方法典型應用：火狐Firefox,IE存在問題：誤報率高，規(guī)則更新難?；跈C器學習的識別方法基于交互式主機行為的識別方法圖2 啟發(fā)式規(guī)則示例/[a-z]*[.]phish[.][a-z]*//[a-z]*[.]malicious[.][a-z]*//[a-z]*[.]y0utube[.][a-z]*/…圖1 黑名單示例www.phish.tw…惡意網頁識別研究進展61惡意網頁識別的方法圖2 啟發(fā)式規(guī)則示惡意網頁識別研究進展62惡意網頁識別的方法基于黑名單技術的識別方法基于啟發(fā)式規(guī)則的識別方法基于機器學習的識別方法常用分類算法：PA，CW，SVM存在問題：標注數(shù)據(jù)集較少，過擬合?；诮换ナ街鳈C行為的識別方法圖3.分類算法的工作過程圖2 啟發(fā)式規(guī)則示例/[a-z]*[.]phish[.][a-z]*//[a-z]*[.]malicious[.][a-z]*//[a-z]*[.]y0utube[.][a-z]*/…圖3 特征示例Label Features0 1000101 0100101 011001惡意網頁識別研究進展62惡意網頁識別的方法圖3.分類算法惡意網頁識別研究進展63惡意網頁識別的方法基于黑名單技術的識別方法基于啟發(fā)式規(guī)則的識別方法基于機器學習的識別方法基于交互式主機行為的識別方法一般與蜜灌技術，虛擬化技術相結合使用。按照檢測行為的不同，蜜罐技術可以細分為基于模擬的低交互式蜜罐和基于真實系統(tǒng)的高交互式蜜罐。惡意網頁識別研究進展63惡意網頁識別的方法惡意網頁識別研究進展64不同類別惡意網頁識別方法的比較識別方法基于黑名單技術基于啟發(fā)式規(guī)則基于機器學習基于主機行為誤判率低高低低漏判率高低低低分類速度快一般一般慢優(yōu)點技術簡單，易操作，計算開銷小，分類速度快，可實時響應。識別漏判率低，可以識別一些尚未收錄的惡意網頁準確率較高，可擴展性強，能夠對尚未收錄的惡意網頁進行識別識別準確率很高，可以對特定類別的惡意網頁（主要是網頁木馬等）進行準確分析缺點不能識別未收錄黑名單的惡意網頁，黑名單更新周期長規(guī)則生成和更新難，依賴于領域知識，且容易誤判需要事先了解網頁樣本集，容易出現(xiàn)“過擬合”現(xiàn)象。無法識別其他類別的惡意網頁。分類速度慢。適用場景實時在線環(huán)境實時在線環(huán)境實時在線環(huán)境離線環(huán)境表2.不同識別方法的比較惡意網頁識別研究進展64不同類別惡意網頁識別方法的比較識別方內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望65內容提綱人工智能基本概念與發(fā)展歷史65人工智能的發(fā)展機遇（1）-大數(shù)據(jù)時代為人工智能提供了廣闊的數(shù)據(jù)資源大數(shù)據(jù)價值利用的最大瓶頸不是千萬億次的計算能力和千兆級的網絡通信能力，而是智能化的信息處理能力。66“目前，全球數(shù)據(jù)總量每年都以倍增的速度增長，預計到２０２０年將達到４４萬億ＧＢ，中國數(shù)據(jù)量到２０２０年將占全球數(shù)據(jù)總量的近２０％?！?/p>

------中國科學院院長白春禮人工智能是發(fā)掘數(shù)據(jù)金礦的鑰匙，數(shù)據(jù)資源和識別任務的不斷快速增長為人工智能提供了燃料和方向。人工智能的發(fā)展機遇（1）-大數(shù)據(jù)時代為人工智能提供了廣闊的數(shù)人工智能的發(fā)展機遇（2）-深度學習等新技術提供了方法創(chuàng)新672007年前后逐漸發(fā)展起來的深度神經網絡，深度置信網絡以及對抗神經網絡等多種網絡模型結構，并在語音識別、圖像識別等領域得到廣泛應用。通過運用這一類技術，人類首次在圖像識別領域戰(zhàn)勝人類，首次在圍棋正式比賽中戰(zhàn)勝人類冠軍。深度學習技術的不斷發(fā)展為人工智能提供了引擎和動力。人工智能的發(fā)展機遇（2）-深度學習等新技術提供了方法創(chuàng)新67人工智能的發(fā)展機遇（3）-學科領域交叉與滲透人工智能的廣泛應用使得若干傳統(tǒng)學科的研究方法出現(xiàn)了巨大創(chuàng)新。而相關領域在大數(shù)據(jù)時代的研究成果也能夠對人工智能理論與方法帶來影響，進而推動人工智能學科與其他學科的協(xié)同創(chuàng)新。68學科領域交叉與滲透為人工智能的未來提供了無限可能。人工智能的發(fā)展機遇（3）-學科領域交叉與滲透人工智能的廣泛應人工智能的重大挑戰(zhàn)-復雜的大數(shù)據(jù)（數(shù)據(jù)制約）69海量龐雜良莠不齊異構多源動態(tài)演變人工智能的重大挑戰(zhàn)-復雜的大數(shù)據(jù)（數(shù)據(jù)制約）69海量龐雜良莠70人工智能的重大挑戰(zhàn)-開放式動態(tài)環(huán)境（環(huán)境制約）數(shù)據(jù)分布恒定樣本類別恒定樣本屬性恒定評價目標恒定數(shù)據(jù)分布偏移樣本類別增長舊樣本屬性不全評價目標多元化開放式動態(tài)環(huán)境下如何保證“人工智能”技術的魯棒性是解決問題的關鍵。封閉靜態(tài)環(huán)境開放動態(tài)環(huán)境70人工智能的重大挑戰(zhàn)-開放式動態(tài)環(huán)境（環(huán)境制約）數(shù)據(jù)分布恒數(shù)據(jù)規(guī)模擴大帶來的計算效率問題。算法升級帶來的計算效率問題。所有數(shù)據(jù)大數(shù)據(jù)71人工智能的重大挑戰(zhàn)-計算效率問題（性能制約）公開數(shù)據(jù)公開政府數(shù)據(jù)我的數(shù)據(jù)數(shù)據(jù)規(guī)模擴大帶來的計算效率問題。所有數(shù)據(jù)大數(shù)據(jù)71人工智能的人工智能面臨的威脅（人工智能威脅論）“人工智能可能是人類生存的最大威脅。短期內，最直接的威脅是人工智能將取代人類工作。馬斯克稱，在未來20年，駕駛人員的工作將被人工智能所顛覆。之后，全球12%至15%的勞動力將因為人工智能而失業(yè)?！?2“有些人是因為對人工智能的原理不理解而導致恐懼，有些人是為了個人名望而宣揚人工智能威脅論，有些人則是為了商業(yè)利益而推動人工智能威脅論?！盰ann

LeCun

Facebook

AI負責人特斯拉CEO馬斯克指數(shù)式增長，波浪式增長，哪種才是AI的未來？人工智能面臨的威脅（人工智能威脅論）“人工智能可能是人類生存總結與展望731、邏輯（logical）2、語言文字（linguistic）3、空間（spatial）4、音樂（musical）5、肢體動作（kinesthetic）6、內?。╥ntra-personal）7、人際（inter-personal）8、自然探索（naturalist）9、圖形圖像（Graphics）伴隨大數(shù)據(jù)時代的到來，計算能力的大幅提升，人工智能技術在越來越多的領域取得了突破或者長足的進步。AI離人類智能還有多遠？對比哈佛大學心理學家加德納的多元智能理論，在空間、音樂和肢體運動方面有差距，在內省、人際和自然探索方面尚無可比性。歷史是螺旋進步的，人工智能走到今天并非一帆風順，經歷了三個浪潮。語音識別圖像識別自然語言處理明天今天昨天總結與展望731、邏輯（logical）伴隨大數(shù)據(jù)時代的到來7474大數(shù)據(jù)時代的人工智能應用課件時代背景：新一代人工智能發(fā)展規(guī)劃的提出76為搶抓人工智能發(fā)展的重大戰(zhàn)略機遇，構筑我國人工智能發(fā)展的先發(fā)優(yōu)勢，加快建設創(chuàng)新型國家和世界科技強國，日前國務院印發(fā)《新一代人工智能發(fā)展規(guī)劃》。

-----2017.7.8《規(guī)劃》指出：立足國家發(fā)展全局，準確把握全球人工智能發(fā)展態(tài)勢，找準突破口和主攻方向，全面增強科技創(chuàng)新基礎能力，全面拓展重點領域應用深度廣度，全面提升經濟社會發(fā)展和國防應用智能化水平。時代背景：新一代人工智能發(fā)展規(guī)劃的提出1為搶抓人工智能發(fā)展的AlphaGo到底有多厲害？772011年，北京郵電大學的Lingo圍棋程序在9*9棋盤上以受讓兩子的條件，首次擊敗了中國圍棋教練職業(yè)圍棋9段俞斌和先生。那時，誰也沒有想到僅僅5年之后，AlphaGo圍棋程序就在19*19棋盤上無條件戰(zhàn)勝了人類棋王。研制AlphaGo的團隊DeepMind正在投入AlphaSC的研發(fā)，未來將于人類頂尖高手在星際爭霸游戲中一較高下。AlphaGo到底有多厲害？22011年，北京郵電大學的LiAlphaGo怎么做到的？AlphaGo使用兩種不同的深度神經網絡：第一種是策略網絡，目標是選擇在哪里落子。第二種則是價值網絡，價值網絡的作用是衡量走這一步對最終輸贏的影響。AlphaGo成功的關鍵在于:海量對弈數(shù)據(jù)：6000萬局對弈數(shù)據(jù)。算法創(chuàng)新：深度神經網絡+“左右手互搏”。計算能力出眾：打敗李世石的AlphaGoLee的芯片為50TPU,搜索速度為10k位置/秒。78人類專家位置監(jiān)督式學習強化學習AlphaGo怎么做到的？AlphaGo使用兩種不同的深度神AlphaGo絕非一帆風順793月13日李世石九段“神之一手”“AlphaGo遠非人工智能的終點?！蔽④浹芯吭褐麢C器學習專家JohnLangford批評了Wired和Slashdot等媒體對于“實現(xiàn)人工智能”夸大其詞的相關報道。Langford認為這些進展本是好事，但報道的時候產生了偏差，這容易導致失望和人工智能寒冬。JohnLangford國際機器學習大會ICML2016程序主席“AlphaGo以為自己做的很好，但在87手迷惑了，有麻煩了”“錯誤在第79手，但AlphaGo到第87手才發(fā)覺”AlphaGo絕非一帆風順43月13日李世石九段“神之一手”從AlphaGo到AlphaGoMaster8060-0vs頂級專業(yè)人士（在線游戲）等級分專業(yè)級業(yè)余級入門級2017年7月9日,柯潔攜20連勝,等級分沖至3675分，世界排名第一。從AlphaGo到AlphaGoMaster560-0v81震撼之后的思考什么是人工智能？為什么那么厲害？AlphaGo未來有沒有可能被人類打??？人工智能技術未來有沒有可能取代人類？為什么？人工智能可以幫助人類完成哪些事情？人工智能已經出現(xiàn)在哪些領域，今后還會出現(xiàn)在哪些領域？6震撼之后的思考什么是人工智能？為什么那么厲害？大數(shù)據(jù)時代的人工智能

大數(shù)據(jù)時代的人工智能

內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望83內容提綱人工智能基本概念與發(fā)展歷史8內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望84內容提綱人工智能基本概念與發(fā)展歷史9什么是智能智力或知能是指生物一般性的精神能力。這個能力包括以下幾點：理解、計劃、解決問題，抽象思維，表達意念以及語言和學習的能力。智力三因素理論(RobertSternberg)成分性智力(componentialintelligence),指思維和問題解決所依賴的心理過程。經驗智力(experientialintelligence),指人們在兩種極端情況下處理問題的能力：新異的或常規(guī)的問題。情境智力(contextualintelligence)反映，在對日常事物的處理上，它包括對新的和不同環(huán)境的適應，選擇合適的環(huán)境以及有效地改變環(huán)境以適應你的需要。85RobertSternberg（1949-）是美國心理學家和心理測量學家。他是康奈爾大學人類發(fā)展教授。什么是智能智力或知能10RobertSternberg（1什么是人工智能人工智能（ArtificialIntelligence,AI）也稱作機器智能，是指由人工制造出來的系統(tǒng)所表現(xiàn)出來的智能。通常人工智能是指通過普通計算機實現(xiàn)的智能。人工智能研究研究內容：包括認知建模、知識學習、推理及應用、機器感知、機器思維、機器學習、機器行為和智能系統(tǒng)等。研究動機：包括推理，知識，規(guī)劃，學習，交流，感知，移動和操作物體的能力等?；A知識：包括搜索和數(shù)學優(yōu)化，邏輯，基于概率論和經濟學的方法等。應用系統(tǒng)：目前有大量的人工智能應用系統(tǒng)，如AlphaGo,Siri等。86什么是人工智能人工智能（ArtificialIntelli人工智能的三大發(fā)展要素87基礎理論引入相關學科交叉多領域應用機器學習數(shù)據(jù)挖掘人工智能數(shù)學統(tǒng)計學認知科學神經科學……控制論人工智能的三大發(fā)展要素12基礎理論引入相關學科交叉多領域應用人工智能發(fā)展歷程中的里程碑(1)-圖靈測試圖靈測試(1950)一個人(C)詢問兩個他看不見的對象（機器A和正常思維的人B）。如果經過若干詢問后，C無法區(qū)分A與B，則A通過圖靈測試。聊天機器人Eugene

Goostman(2014)在5分鐘內試圖欺騙30%的人。88圖靈測試額外加分項：說服測試者，令他認為自己是電腦。你知道嗎，你說的這些話真的很有道理。我……我已經不知道自己究竟是誰了。人工智能發(fā)展歷程中的里程碑(1)-圖靈測試圖靈測試(1950人工智能發(fā)展歷程中的里程碑(2)-深藍vs卡斯帕羅夫1997年，IBM研制的超級電腦“深藍”在標準比賽時限內以3.5比2.5的累計積分擊敗了國際象棋世界冠軍卡斯帕羅夫，震驚世界?！吧钏{”的設計者許峰雄曾表示，一般的國際象棋手能想到后7步就很不錯了，但“深藍”能想到12步，甚至40步遠，棋手當然不是計算機的對手。插曲：卡斯帕羅夫在落敗后曾稱無法理解電腦下棋時做出的決定。他亦認為電腦在棋局中可能得到人類幫助并要求重賽，但IBM拒絕。思考：深藍靠什么打敗了卡斯帕羅夫？深藍能否擊敗李世石？為什么？89人工智能發(fā)展歷程中的里程碑(2)-深藍vs卡斯帕羅夫1997人工智能發(fā)展歷程中的里程碑(3)-Waston與人機大戰(zhàn)2011年2月16日，在美國智力競猜節(jié)目《危險邊緣》第三場比賽中，IBM另一超級電腦“沃森”以三倍的巨大分數(shù)優(yōu)勢力壓該競猜節(jié)目有史以來最強的兩位選手肯·詹寧斯和布拉德·魯特，奪得這場人機大戰(zhàn)的冠軍?！拔稚痹诒荣愔袥]有連接互聯(lián)網，其數(shù)據(jù)庫中包括辭海和《世界圖書百科全書》等數(shù)百萬份資料，強大的硬件則助力其能在3秒鐘之內檢索數(shù)億頁的材料并給出答案。思考：就面臨的挑戰(zhàn)來說，“沃森”相比深藍有哪些不同？“沃森”的特點是什么？“沃森”有可能勝任AlphaGo的工作嗎？90人工智能發(fā)展歷程中的里程碑(3)-Waston與人機大戰(zhàn)20人工智能發(fā)展歷程中的里程碑(4)-圖像識別領域機器首次超越人類2015年的ImageNet挑戰(zhàn)賽，在圖像識別準確率上，機器的表現(xiàn)首次超過了人類。這被公認為是一個里程碑式的突破。在此之前，2010年算法的圖像識別錯誤率至少在25%左右，但到2015年，計算機圖像識別錯誤率已經低于人類（人類水平大概是4%左右）。2015年是0.03567，也就是3.5%。2016年，ImageNet競賽，圖像識別錯誤率進一步下降，最好成績?yōu)椋浩骄e誤率0.02991，也就是2.99%左右。思考:這一次的人工智能突破和前幾次相比有何不同?91人工智能發(fā)展歷程中的里程碑(4)-圖像識別領域機器首次超越人工智能發(fā)展（簡史）92混沌初生開天辟地百家爭鳴百花齊放物競天擇適者生存達特茅斯會議的召開標志著人工智能的誕生。（1956年）圖靈測試的提出標志人工智能進入萌芽階段。以DENDRAL系統(tǒng)為代表的專家系統(tǒng)大量涌現(xiàn)。（1970~1980）淺層機器學習模型興起，SVM、LR、Boosting算法等紛紛面世。（1990~2000）多倫多大學教授Hinton開啟深度學習在學術界和工業(yè)界的浪潮（2006）人工智能出現(xiàn)新的研究高潮，機器開始通過視頻學習識別人和事物，AlphaGo戰(zhàn)勝圍棋冠軍（2011~今）隨著新的算法和模型不斷涌現(xiàn)，學科交叉現(xiàn)象日趨明顯，人工智能的研究進入了新的階段。奠定了人工智能的數(shù)學基礎，出現(xiàn)了人工智能歷史上的第一個應用。-西蒙和紐厄爾提出了“LogicTheorist”自動定理證明系統(tǒng)。大數(shù)據(jù)時代的到來給人工智能的發(fā)展帶來契機，人工智能全面融入人們的社會生活。人工智能發(fā)展（簡史）17混沌初生開天辟地百家爭鳴百花齊放人工智能發(fā)展的真實歷史過程（波浪式前進）93最近一次的人工智能熱潮興起，是由于大數(shù)據(jù)時代使得數(shù)據(jù)需求得到了滿足。達特茅斯會議標志AI的誕生自然語言探索式推理微世界第一款神經網絡—感知機，將人工智能推向第一個高峰人工智能計算機DARPA無條件撥款放棄聯(lián)結主義計算能力突破沒能使機器完成大規(guī)模數(shù)據(jù)訓練和復雜任務，AI進入第一個低谷DARPA停止撥款集成電路技術提高反向傳播算法提出霍普菲爾德神經網絡被提出DARPA受到認可重獲撥款反向傳播算法獲得廣泛關注，AI進入第二黃金時期循環(huán)神經網絡狂熱追捧帶來失望LISP機市場的崩潰DARPA失敗，政府投入縮減，AI跌入第二次谷底行為主義提出非線性多層自適應網絡循環(huán)神經網絡出現(xiàn)IBM深藍戰(zhàn)勝人類象棋冠軍深度卷積神經網絡提出人工智能加速發(fā)展人臉識別率超過99%歐盟、美國腦工程計劃AlphaGo挑戰(zhàn)人類圍棋冠軍計算能力數(shù)據(jù)需求下一個問題呢啟蒙階段低潮時期復興階段遇冷時期快速發(fā)展1955201620051991198619701958人工智能發(fā)展的真實歷史過程（波浪式前進）18最近一次的人工智內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望94內容提綱人工智能基本概念與發(fā)展歷史19大數(shù)據(jù)是什么？大數(shù)據(jù)（BigData）:是指大小超出了常用軟件工具在運行時間內可以承受的收集、管理和處理數(shù)據(jù)能力的數(shù)據(jù)集。大數(shù)據(jù)是目前存儲模式與能力、計算模式與能力不能滿足存儲與處理現(xiàn)有數(shù)據(jù)集規(guī)模產生的相對概念。95大數(shù)據(jù)是什么？大數(shù)據(jù)（BigData）:是指大小超出了大數(shù)據(jù)真正價值不在于大數(shù)據(jù)本身，而在于數(shù)據(jù)內容的分析和洞察。大數(shù)據(jù)時代的5V特點96大數(shù)據(jù)真正價值不在于大數(shù)據(jù)本身，而在于數(shù)據(jù)內容的分析和洞察。大數(shù)據(jù)時代的要求大數(shù)據(jù)規(guī)模大小是一個不斷演化的指標當前任務處理的單一的數(shù)據(jù)集當前數(shù)據(jù)規(guī)模：從數(shù)十TB到十幾PB級處理大數(shù)據(jù)的可等待的合理時間依賴應用場景地震數(shù)據(jù)預測要求在幾分鐘內才有效氣象數(shù)據(jù)應該在小時級別失聯(lián)飛機數(shù)據(jù)處理要在7天之內數(shù)據(jù)挖掘一般要求在12小時內97大數(shù)據(jù)時代需要人工智能技術同時滿足以上兩個要求。大數(shù)據(jù)時代的要求大數(shù)據(jù)規(guī)模大小是一個不斷演化的指標22大數(shù)據(jù)大數(shù)據(jù)時代需要什么樣的人工智能？能適應反映大數(shù)據(jù)分布的抽樣方法解剖麻雀基于大數(shù)據(jù)分布的算法庖丁解牛追求高效并行的人工智能算法曹沖稱象反映全量特征的人工智能算法治大國如烹小鮮98大數(shù)據(jù)時代需要什么樣的人工智能？能適應反映大數(shù)據(jù)分布的抽樣方大數(shù)據(jù)時代的人工智能技術不斷涌現(xiàn)99互聯(lián)網搜索生物特征識別汽車自動駕駛智能機器人選舉結果預測智能客服系統(tǒng)大數(shù)據(jù)時代的人工智能技術不斷涌現(xiàn)24互聯(lián)網搜索生物特征識別汽人工智能的應用范圍和領域不斷拓展100人工智能應用圖像識別語音識別文字識別其他信號識別無人駕駛人臉識別場景感知氣象預報文獻篩選污染預報醫(yī)學影像分析虹膜識別視頻監(jiān)控計算機春聯(lián)手寫數(shù)字識別智能交通智能客服智能庭審記錄小米基因篩選網絡安全計算機寫詩人工智能的應用范圍和領域不斷拓展25人工智能應用圖像識別語音內容提綱人工智能基本概念與發(fā)展歷史人工智能與大數(shù)據(jù)人工智能在氣象領域的應用案例人工智能在環(huán)保領域的應用案例人工智能在網絡安全領域的應用案例人工智能面臨的機遇與挑戰(zhàn)總結與展望101內容提綱人工智能基本概念與發(fā)展歷史26人機交互層基于人工智能技術的強對流天氣聚焦與推演方案目標：聚焦：輔助決策。從海量數(shù)據(jù)中聚焦關鍵特征和重點區(qū)域，輔助氣象專家進行決策；推演：協(xié)助研判。提供智能推演，協(xié)助氣象專家對未來3小時的天氣形勢進行研判。方案特點：采用人工智能技術綜合運用多種深度學習算法半結構化與非結構化大數(shù)據(jù)處理技術雷達反射圖核心模塊氣象數(shù)據(jù)展示效果模型算法多層神經網絡Softmax線性模型卷積神經網絡（CNN）循環(huán)神經網絡（LSTM）衛(wèi)星云圖GRIB2在分析預報場資料關鍵特征識別重點區(qū)域識別時空特征學習天氣變化推演未來3小時強對流天氣模擬推演關鍵特征和重點區(qū)域2維效果展示層系統(tǒng)層模型層數(shù)據(jù)層輔助人工決策提供智能推演氣象專家最終氣象預報結果歷史對流過程標注數(shù)據(jù)人機交互層基于人工智能技術的強對流天氣聚焦與推演方案目標：雷與傳統(tǒng)方法的比較擁有深度自學習能力。認知計算無需先驗知識，即可從海量歷史數(shù)據(jù)中進行訓練學習，并挖掘潛在的規(guī)律和模式。同時，認知計算能夠根據(jù)每天產生的氣象數(shù)據(jù)進行自動學習，自我調整以適應天氣變化的最新情況。擁有基于大數(shù)據(jù)的輔助決策能力。能夠充分利用氣象歷史數(shù)據(jù)。氣象數(shù)據(jù)越多，收集時間越長，認知計算模型的分析結果越準確。數(shù)據(jù)依賴程度低。認知計算系統(tǒng)只需少量的觀察和再分析數(shù)據(jù)即可完成分析和推演。基于空氣動力學進行數(shù)值計算。傳統(tǒng)數(shù)值方法主要依賴空氣動力學公式對氣象數(shù)據(jù)進行分析，計算開銷高?；谏倭繗v史數(shù)據(jù)進行人工決策。傳統(tǒng)數(shù)值方法主要基于少量歷史數(shù)據(jù)，進行人工外推。其歷史氣象數(shù)據(jù)未得到充分利用。依賴專家經驗。傳統(tǒng)數(shù)值方法依賴專家根據(jù)其掌握的經驗進行分析和調整。需要大量的物理變量組合分析。傳統(tǒng)數(shù)值方法很難處理物理變量缺失的情況。傳統(tǒng)數(shù)值方法人工智能方法與傳統(tǒng)方法的比較擁有深度自學習能力。認知計算無需先驗知識，即強對流天氣聚焦700mb高度垂直速度，地面能見度，10米風，80米風，地表溫度，歷史對流天氣標注結果……輸入參數(shù)關鍵特征識別重點區(qū)域可視化子系統(tǒng)的構成：氣象圖片資料的自動解析多層神經網絡模型Softmax線性模型特征預測效果評估模塊多特征自動排序模塊重點區(qū)域可視化模塊子系統(tǒng)的特點：支持43+種氣象圖片的自動分析綜合運用領先的深度學習技術支持端到端的關鍵特征識別和排序支持基于計算機視覺技術的重點區(qū)域可視化氣象圖片資料歷史對流天氣標注集多層神經網絡模型單特征預測效果評估訓練數(shù)據(jù)驗證數(shù)據(jù)多特征自動排序氣象圖片資料歷史對流天氣標注集Softmax線性模型格網不同位置權重解析重點區(qū)域可視化待分析特征注:深度學習的結果只能揭示區(qū)域和預測目標的相關性，但不能解釋區(qū)域和預測目標的因果關系。強對流天氣聚焦700mb高度垂直速度，地面能見度，10米風，關鍵技術1---關鍵特征識別與排序候選氣象特征（43個）地面對流有效位能2米露點溫度可降水相對濕度入射短波輻射地面對流抑制2米相對濕度700mb高度溫度行星邊界層高度混合對流有效位能累計降水700mb高度垂直速度雪水當量最不穩(wěn)定對流有效位能降水類型500mb高度溫度1小時降雪最不穩(wěn)定層對流有效位能可降水500mb高度渦度雪深10米風航空飛行規(guī)則250mb高度風場2米位溫80米風925mb高度溫度250mb高度風速850mb高度相對濕度地面能見度850mb高度溫度云頂高度高層云量地表溫度850mb高度風場云底高度低層云量2米溫度850mb高度風速總云量中層云量模擬雷達反射率2米溫度-地表溫度850-500mb平均相對濕度高

低6-10月歷史對流天氣標注集①針對2016年6月-10月間48個對流天氣過程，根據(jù)其中43個候選氣象特征，收集10w+張圖片。②針對每個候選特征，應用深度學習中的多層神經網絡模型對其預測對流天氣過程的能力進行評估。③根據(jù)評估結果，對不同特征按照預測效果進行排序。關鍵特征的識別與排序旨在從海量數(shù)據(jù)中提煉有效特征，協(xié)助氣象專家提升對流天氣過程的預報準確率。輸入層輸出層隱層I隱層II隱層III誤差反向傳播信息正向傳播關鍵技術1---關鍵特征識別與排序候選氣象特征（43個）地面重點區(qū)域106①針對待分析特征，按照發(fā)生對流過程的類型，對圖片進行分別標注。關鍵技術2---重點區(qū)域識別②根據(jù)對流過程的類型，應用softmax線性模型對不同位置網格點（RGB取值）的重要性(權重)進行評估，進而識別出不同類型天氣的重點區(qū)域，如右圖所示。106③網格點權重可視化。示例250mb高度風場（b）待分析圖片重點區(qū)域可視化旨在從海量地理氣象數(shù)據(jù)中快速發(fā)現(xiàn)重要區(qū)域，輔助氣象專家提升對流天氣過程的預報精度。如上圖所示，通過比較待分析圖片和標準模板，可以計算對應區(qū)域的偏差。通過對偏差的分析比較，可以準確地識別出待分析圖片未來1-3h內可能發(fā)生的天氣過程的類型。（a）無對流過程標準模板無對流過程臺風過程大尺度天氣系統(tǒng)降水過程局地對流天氣過程重點區(qū)域31①針對待分析特征，按照發(fā)生對流過程的類型，對圖107重點區(qū)域識別結果驗證（示例：250mb高度風場）局地對流天氣2016年10