随着大数据分析技术的逐步普及，越来越多的行业开始拥抱人工智能

人工智能(AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学(定义)。人工智能利用机器学习技术，通过对现有的经过处理(筛选、消噪、过滤等)的数据，不断进行矫正(设置阀值等方法)机器模型的输出，此过程称为训练，期望通过训练可以得到在未来新数据上有良好表现的模型，从而投入生产。

随着大数据分析技术的逐步普及，越来越多的行业开始拥抱人工智能，用“人工智能+”助力技术和产业的不断升级和变革，人工智能已经成为我们当前这个时代的标志。对于企业来说，如果想用人工智能来武装自己，就必须搞清楚人工智能技术的核心。

人工智能的概念始于1956年的达特茅斯会议，由于受到数据、计算力、智能算法等多方面因素的影响，人工智能技术和应用发展经历了多次高潮和低谷。2006年以来，以深度学习为代表的机器学习算法在机器视觉和语音识别等领域取得了极大的成功，识别准确性大幅提升，使人工智能再次受到学术界和产业界的广泛关注。数据、计算力和算法被认为是人工智能发展的三大核心要素，数据是基础，算法是核心，计算力是支撑。

算法，而更像是一种优化手段或者策略，它通常是结合多个简单的机器学习算法，去做更可靠的决策。集成学习是一种能在各种机器学习任务上提高准确率的强有力技术，集成算法往往是很多数据竞赛关键的一步，能够很好地提升算法的性能。平台提供Bagging、Voting等集成学习框架节点，使模型准确性和泛化能力得到明显的提升。

目前，市场上的文本工具主要是以文本整体分析应用为主来设计功能，未从技术角度进行细致的功能划分，这样导致用户对于文本的分析过于主题化，用户在分析过程中无法过多的加入自己的构建思想，同时无法真正将文本挖掘技术与传统结构化数据挖掘技术融合在一起。本平台中的文本挖掘算法模块以“拖拽式操作、精细化节点设计、结构化自由文本为目标”的设计理念为指导，将文本挖掘的各技术功能点进行粗细划分，使得节点的功能更集中更明确，一方面兼顾使用的NLP技术的独立性，另一方面兼顾节点所具功能的全面性，同时将文本挖掘模块的最终产出是对应原始文本的结构化形式，这种结构化信息需要很好地涵盖原始文本的有用内容;同时，这种结构化的形式输出也方便与平台已有的其他建模分析节点串联复用。

北京时间8月16日上午消息，据报道，目前，科学家最新研发一种AI算法，能够检测出癫痫患者早期症状，甚至包括经验丰富的资深医师可能忽略的症状。

该AI算法能检测出患有一种罕见疾病的患者，准确率达到60%以上，相比之下，核磁共振成像未发现任何隐性症状。这种罕见疾病是癫痫，据称，英国和美国居民癫痫发病率达1%，该疾病会导致患者大脑出现不受控制的脑电流爆发，从而引发痉挛抽搐。

任何人都可能出现惊厥痉挛，但并不意味着他们必然都患有癫痫，通常癫痫患者确诊之前可能不止一次出现痉挛抽搐。当大脑突然脑电流爆发时，就会出现癫痫，导致大脑运行中断，部分患者癫痫发作时人们仍保持警觉状态，能够感知到周围环境，而部分患者癫痫发作时会完全失去意识，处于极度危险境地。

有时癫痫患者会出现不同寻常的感觉、认知和活动，或者身体僵硬摔倒在地板上不断抽搐，在任何年龄时期，中风、脑感染、头部损伤或者出生时导致缺氧的问题都可能诱发癫痫，在超过50%以上的病例中，医师无法找到具体病因，相关治疗癫痫药物也无法完全治愈，但有助于停止或者减少癫痫发作，如果药物治疗仍无效，患者只能选择脑部手术。

导致癫痫的一个诱因是耐药性局灶性脑皮质发育不良(FCD)，这是大脑的一种细微异常，会导致大脑信号传输失效。癫痫能通过手术进行治疗，但该疾病对大脑产生的变化非常微妙，即使是经验丰富的放射科医师进行核磁共振扫描时也可能忽略该疾病征兆。

但基于英国伦敦大学学院研究团队研发的一种AI算法，可以检测到63%的FCD症状，这是之前医护人员很难检测到的，也是诱发癫痫发作的重要因素之一。

研究人员称，他们的AI模型能为更多癫痫患者进行大脑手术，提供最佳治愈机会。据悉，在英国，大约有60万癫痫患者，但仅有20-30%的患者对药物没有反应。

脑细胞或者神经元细胞，通常会形成有组织的细胞层，形成大脑皮层。对于FCD患者，其脑细胞是无序紊乱的，从而导致痉挛抽搐的风险更高。在接受手术控制病情的儿童癫痫患者中，FCD症状是最常见的病因，对于需要手术治疗的成年人群，FCD是第三大常见病因。然而，令医务人员棘手的是很难通过核磁共振扫描检测到FCD症状，在最新研究中，研究人员从22项全球癫痫疾病研究中收集了1000多张核磁共振扫描图像，一组放射科专家将扫描结果标记为健康或者FCD症状，之后运行AI算法检测扫描异常现象。

这项AI算法涉及患者大脑30万个区域信息，该研究报告发表在《大脑》杂志上，研究结果表明，AI算法在扫描中发现了538例FCD症状，其中包括112例放射科医师无法检测到的病例。

曾经，他被称为“电脑神童”、“摇滚少年”，他最早研发的“人像磨皮”软件一度占据八成细分市场。如今，人到中年的他顺应潮流成为了抖音博主，同时也在继续以码农的角色在市场上“厮杀”，创办了辨影科技。

辨影科技创始人王京京说，“从小到大，我写代码比写作文、比说话还多”。这一次，他希望自己的技术能力可以为传统制造业的智能化升级作出一些贡献。

制造智能化可行，但难行

“十四五”智能制造发展规划中提出，到2025年的主要目标包括，70%的规模以上制造业企业基本实现数字化网络化，制造业企业生产效率、产品良品率、能源资源利用率等显著提升，智能制造能力程度水平明显提升。

对于制造业企业发展而言，产品的生产效率和良品率至关重要，而质检工作与生产效率、良品率息息相关，只有质量检测合格的产品才能够进入市场。在传统的制造业企业中，产品的质量检测通过人工或传统视觉算法检测。人工质检方式存在检测标准不统一、人员培训成本高、误检漏检等问题，直接影响产品质检成效。而传统视觉算法检测的成本高、效果常常达不到预期，产线仍离不开高强度、高重复性的人工参与。

“AI技术有很多优势，但企业能真正应用AI解决实际问题，还需要克服不少困难。”王京京发现，基于深度学习的人工智能视觉识别能力确实可以达到优秀人工质检员的水准，但根据自身需求聘请AI算法工程师开发和维护的成本相对太高，并非每家企业都能负担;另一方面，目前国内优秀的AI算法工程师人才较为稀缺，能够专注深入到制造业的就更少;此外，适用工业场景的部署硬件亦是AI应用落地的“最后一公里”难题。

面对这些横在制造业智能化升级路上的“绊脚石”，王京京认为，低门槛、一站式的软硬一体AI解决方案，让数据采集和推理部署、模型迭代都在一部工业产线专用相机上完成，是一条可落地的高效路径。

飞桨EasyDL+辨影相机，让AI质检简单高效

解决AI技术在工业生产场景中落地的难题，王京京已经从软、硬件两方面找到了答案。

飞桨企业版EasyDL让王京京看到了零门槛AI开发平台快速、便捷、高效的力量，他多次用形象地比喻表达他对这一平台的使用感受，“EasyDL把很多算法模块化了，‘就像厨师无需亲自制作菜刀一样’，码农们可以按需调用，开发AI程序、做出AI硬件，无论是PC、平板、电视还是安卓、iOS，都可以适配。”“如果说用其他AI开发架构做模型如同爬楼梯，那用了EasyDL就感觉像是坐上了电梯，省时、省力又省心。”2020年，王京京成为百度认证的首批飞桨开发者技术专家PPDE。

硬件支撑上，辨影科技研发的AI质检边缘计算相机(以下简称“辨影相机”)部署简单、接口丰富，自带高灵敏液晶触摸屏，在不用外接显示器的情况下就可以对模型进行管理，且辨影可连接蜂鸣器，对效果验证给到提示。通过飞桨平台训练好的模型可以通过多种方式轻松部署到“辨影”上，整个过程不需要写任何代码，解决了AI算法部署的最后一公里难题。

目前，由飞桨EasyDL和辨影相机形成的AI质检组合已经应用于发动机漏液检测、活塞环瑕疵检测、焊缝气泡检测、铆钉装配检测、注塑部件未注满缺失检测、螺纹口瑕疵检测等工作中。以螺纹口瑕疵检测为例，首先根据样本特征进行数据采集，然后在飞桨EasyDL平台上对合格和不合格的样本进行标注和模型训练，最后部署到辨影相机上。辨影相机在产线中如果检测到零件不合格就会蜂鸣提示或剔出处理。

“我们只需要按工厂质检科的需求，在飞桨EasyDL上进行良品和次品的数据标注，就可以完全按照工厂质检部门的标准训练出来模型，数据标注和模型训练过程完全不需要质检人员懂代码。”王京京认为，像贩卖预制菜的店面不需要厨师在场一样，辨影相机+飞桨企业版EasyDL就是AI界的“预制菜”，没有AI算法工程师驻场工厂也能轻松应用AI，降本增效。

王京京说，真正的AI就应该很简单，希望大家不要被技术名词吓退，实际上每个人都可以通过“飞桨+辨影相机”实现算法工程师开发的模型效果，体会到AI应用从难到易的转变，在自己的领域里实现AI创新突破。