打入时尚圈的 AI,数据可能会变革这个特殊的行业

整理 | 高静宜


资讯


Facebook 收购德国计算机视觉初创公司 Fayteq


位于德国的小型创业公司 Fayteq 专注于视频处理技术,2011 年 8 月从德国的伊梅诺科技大学分拆组建成为独立的公司。该公司开发的软件能够实现在视频中添加或删除对象的功能。根据 Linkedln 显示的数据,目前 Fayteq 约有十名员工。近日,Facebook 发言人向媒体确认了收购 Fayteq 的消息,但并未披露这项交易的具体金额。 

此前,Fayteq 曾出售一款名为 Adobe After Effects 的视频编辑插件,这款插件可以让视频编辑者追踪视频中的特定对象,从而在视频流中无缝地将对象添加或删除。据悉,Facebook 可能会使用该技术增强其视频流媒体及广告服务,也有可能用于 Facebook 的虚拟现实产品的研发。

 丰田、英特尔等公司组建大数据联盟,携手开发联网汽车生态系统 

8 月 10 日,丰田公司宣布与英特尔及其他汽车公司组建联盟,共同打造网联汽车大数据生态系统。该联盟被命名为汽车边缘计算联盟,联盟成员还包括爱立信、日本汽车零部件制造商电装公司以及日本最大的无线运营商 NTT DoCoMo Inc.。

 丰田公司在声明中表示,该联盟将基于云计算通过共享数据的方式,对自动驾驶、实时地图和辅助驾驶等新兴技术进行扶持。随着汽车搭载功能的增多,产生的相关数据信息量也不断增加。丰田指出,到 2025 年,汽车与云端每月产生的数据量将达到 10 艾字节,几乎是现在的 10000 倍。因此,将数据以联盟的形式汇集在一起是非常有意义的举措。此前,英特尔曾宣布展开 100 辆自动驾驶汽车的路测项目,丰田也与马自达公司建立合作关系。未来,联盟可能会进一步促进相关公司在自动驾驶汽车领域的研发。

 IBM 宣布深度学习技术取得突破性进展,打破谷歌、微软记录 

如今,人工智能的进步很大程度上取决于深度学习技术的发展,这一领域的研究也是谷歌、Facebook、微软等互联网巨头公司关注的焦点。本周,IBM 宣布在深度学习领域取得了突破式进展,开发了一种新型分布式系统 PowerAI DDL,能够大幅缩短模型的训练时间,同时提高准确性。

 据悉,IBM 开发的软件系统可以将深度学习模型的训练与推理任务扩展到 64 台自主开发的 Power 8 服务器上,这些服务器由 256 个 GPU 处理器组成,可以将性能提高 50 至 60 倍。此前,Facebook 人工智能研究院曾在 Caffe2 深度学习框架上实现 89% 的扩展效率,如今 IBM 在 256 个处理器上将扩展效率提升到 95%。除此之外,IBM 的系统还在 7 小时内完成了 750 万张图片的识别,准确率达到 33.8%,打破了微软之前 29.8% 的记录。

美国区块链初创公司与医疗领域大公司展开合作,利用区块链平台实现医疗数据的存储与保障 

据路透社报道,美国区块链创业公司 BitFury 与巴尔的摩 AI 药物研发公司 Insilico Medicine 展开合作,使用区块链创建医疗行业新应用。区块链技术也被称为分布式账本技术,是一种互联网数据库技术,因其能够永久记录及跟踪行业的资产和交易而备受关注。

 据 Bitfury 创始人兼 CEO Valery Vavilov 透露,上个月两家公司签署了协议,将合作研发区块链及 AI 解决方案,对医疗数据进行管理、追踪和验证。目前合作尚处于初期阶段,并未透露具体项目及用途的详细信息。在医疗保健领域,AI 技术可以帮助人们模拟并复杂的医疗数据,与此同时,海量的医疗数据也会推动 AI 技术的发展。在这个过程中,以区块链技术为基础的医疗记录系统可以有效保障患者数据信息,增加患者对自身医疗记录的所有权,改善医生与医院之间的协同能力。

应用


深度学习技术能够帮助专家发现隐藏在植物标本中的新物种

 在数据量充足的前提下,机器学习技术可以快速完成分类及识别任务。最近,人们发现这一技术对于发现隐藏在植物标本中的新物种也有巨大的潜力。据统计,世界各地数以万计的收藏品中中,包含大约 3.5 亿个标本,这其中可能隐藏着数以万计的新物种。由于数量过于庞大,通过人工的方式对这些样本进行检查与分类并不现实,深度学习系统可以高效地解决这一问题。

 研究人员使用 25 万张植物样本图像对算法模型进行训练,模型识别物种的结果与人类专家的判定可以达到 80% 的匹配程度,同时有 90% 的几率会在下一次猜测中完成正确的识别。虽然这一数字听起来可能并不是非常令人惊喜,但同一物种的样本差异可能非常大,哪怕是专家也会得出不同的结论。所以,能在第一次识别中能正确识别出大部分的物种,这个深度学习系统的性能已经非常不错了。同时,研究人员还发现,有效的迁移学习方式也有助于系统的构建,这意味着一个新系统不必从头进行创建并对每一个植物样本的集合和样式进行调整。

利用深度学习打造「智能鼻子」,消除致命混合气体的潜在威胁

日前,俄罗斯的研究人员利用深度学习技术对气味进行识别,能够消除致命的气体混合物带来的潜在威胁。这项技术类似于创建了一个「智能鼻子」,还可以记住新的气味。

 具体过程可以理解为,当传感器检测到一种气味时,这个系统会对已知的气味数据库进行检查,使用汉明距离搜寻最为相近的气味。如果系统找不到与之匹配的气味,传感器会将其识别为新的气味。与其他的气味预测和识别技术相比,这项技术可以一次性感知到多种气味,换言之,可以完成混合气体的识别。当不安全气体进入某一区域时,凭借这项技术可以及时发出警报,能够极大程度地造福那些在矿山或封闭空间作业的人。


打入时尚圈的 AI,数据可能会变革这个特殊的行业

时尚预测一直都是一个特殊职业。该行业诞生于 20 世纪 60 年代的巴黎。当时一些机构开始发行「趋势大全」,这是一本布料和设计理念的合集,零售商们拿着这本书寻找设计灵感。WGSN 是最大的预测公司,在占据了 50% 的市场份额。它雇佣了 150 名预测人员,穿梭于 T 台、酒吧和俱乐部,寻找着下一个大趋势。然后,将他们的发现会与经济指标,政治舆论等数据进行结合分析。很多大的零售商都会购买流行趋势的书籍,对于设计师来说,这是一种保险的做法:只要这种趋势受到人们的广泛追捧,与市场脱节的风险就不会太大。

这种预测的生意正受到来自数据分析的威胁。服装业的供应链正变得更数字化,更具有灵活性。例如,Inditex 和 H&M 致力于将想法在两周之内转化成成品,并随时进行大规模生产。相应地,预测机构也正在利用从零售商 IT 系统中收集的数据,向他们的服务方提供短期预测。在 2013 年,WGSN 开展了零售分析服务 INstock,利用过去的销售数据预测接下来的畅销品。竞争对手 EDITED 提供了时尚「硬指标」,声称将使用机器学习预测短期销售趋势。互联网巨头谷歌公司目前拥有一个「趋势追踪」的部门,基于其大量的搜索数据定期发布「流行趋势报告」,该项目的数据科学家 Olivier Zimmer 表示,其目标是在搜索和其它数据之间进行更加复杂的连接。


尽管如此,AI 和时尚的结合仍然处于萌芽时期,AI 是否能真的替代时尚预测的方式还需要时间的检验。2014 的一项研究表明最好的预测模型也有将近一半的失误。还有一些人担忧道,AI 会使设计变得枯燥无聊。这个行业已经到了「吹毛求疵」的地步,只是注重概率问题,曾做过预测师的 Michael Bennett 这样说道。但英国北安普顿大学时尚专家 Julie King 表示,在数据算法所带来的设计同质的情况下,服装设计的独创是一件很令人期待的事情。

图说

构建 AI 驱动的智能服务

未来,机器学习、深度学习及认知计算等技术的结合将改变人与机器的交互方式。这个过程中,AI 驱动的智能服务可以巧妙地引导人与机器完成互动,打造自然的相处模式。可以预见,以 AI 驱动的智能服务将影响物联网、区块链等领域的发展,为商业发展带来重要转变。

 AI 技术可以在以下七个过程施展能力,帮助以 AI 驱动的商业项目展现业务价值。

             

  • 感知(Perception)正在发生什么。环境感知是最初级的能力,需要手动训练的过程。
  • 告知(Notification)需要知道什么。发出报警、提示等信号通知在人工输入和学习的过程中所需的额外信息。
  • 建议(Suggestion)行动的方向。经过权重的不断调整以及过去的行为,完成决策管理和机器学习。
  • 自动(Automation)完成重复的步骤。随着时间的推移,机器学习系统完成优化变得更加成熟,自动化发挥了杠杆的作用。
  • 预测(Prediction)下一步行动。建立在深度学习和神经网络的基础上,对行为进行测试和预测。
  • 预防(Prevetion)不良结果的出现。通过认知推算方法识别潜在的威胁,从而避免不良后果的出现。
  • 处境意识(Situational awareness)当下需要怎么做。这一过程模仿了了人类的决策能力。

下图阐述了以 AI 驱动的智能服务的关键组成部分以及它们是如何相互协调完成工作的。

               

  • 利用相关数字和数据信息构建明确的轮廓。这些数据信息无处不在,可能来自用户的面部分析、网络 IP 地址,甚至走路的体态。利用人工智能及认知计算,系统可以进行用户行为模式的分析及身份的识别,这意味着智能服务可以对个体用户有所了解。
  • 沉浸式体验有助于自然的用户互动。将上下文属性、协作方式及通道等相关信息汇集到 AI 驱动的智能服务中,可以为用户提供身临其境的定制化独特体验。智能服务可以使用地理位置、时间、天气、心率、甚至情绪等上下文属性信息,结合对用户的身份和偏好的认知,从而提升服务相关性,给予用户合适的服务。用户与机器之间的协作可以通过感应及响应机制利用会话和文本对话的形式实现。通道则包括所有的交互点,如手机、社交网络、售货亭等。
  • 大规模提供个性化数字服务。预期分析、催化剂和选择权可以扩大大规模个性化智能服务的力度。预测分析指引用户行为,催化剂可以提供并触发响应。选择权让客户自己做出决定。每一个用户都会因不同的身份、历史偏好和需求在不同的环境中拥有独特的经验,人工智能系统在这一过程中可以帮助提供个性化服务。
  • 价值转化体系。货币、非货币与舆论是三种常见的价值转化形式。其中,货币是最明显的价值转化形式,非货币(包括识别、影响)是一种更为引人注目,共识及舆论也是非常重要的价值转化形式。
  • 以机器学习和其他 AI 工具驱动的智能服务也需要考虑交货节奏。使用机器学习技术,系统可以研究智能服务的交付方式,并将其应用到未来的交互中。
入门产业日报AIDaily