随着AI与智能机器人时代的到来，将AI与人类相提并论的言论不绝于耳，你是否也有这样的疑问：
·虽然对目前的AI有基本的了解，但不清楚具体该做什么，也不知道该从何处入手；
·构建AI系统时应该使用什么样的硬件和软件？
·AI云服务真的很便捷吗？
·自己的企业内部并没有可立即用于机器学习的大数据，该怎么办？
·希望能用到货真价实、性价比高的AI产品和AI系统实施服务，但如何才能辨别良莠？
·我们怎么才能成为AI时代需要的人才？
无论是正在应用AI系统的推广部门、信息系统管理部门、经营企划部门，还是正在考虑引入AI系统的物流部门、生产管理部门，抑或是为企业客户提供AI系统应用咨询与支援服务的供应商，在应用AI系统时，自始至终都要保持以数字结果为导向，肩负实证评估的责任。
只有立足于AI供应商和用户企业双方的立场，才能催生出新的应用形态与案例，从而使企业通过运用AI获得较高的投资回报率，提升生产效率，从而解放人类工作者，使其从事更有意义、更有趣、更富有价值的工作内容，进一步提升社会整体的幸福感。
【内容简介】
从AI核心技术、样本数据提取到业务流程构建、人才培养机制
MIT人工智能研究所客座研究员、日本人工智能专家全流程指导
帮助企业实现AI技术的落实应用，指导个人从知识劳动人才向智能劳动人才转变
当人们听说“AI的进化将剥夺人类的就业机会”时，出于对机器的担忧和反感，他们就会产生逆反心理，从而造成对AI能力的过高预估；另一方面，当这种过高的期待没有实现时，人们就会产生对AI的全面否定，如“AI什么也干不了”“到头来还不是一无是处、毫无意义”。我们该如何澄清关于AI的各种误解，使企业能够从容自如地使用AI？
本书作者野村直之30多年来一直致力于AI的开发、应用和部署。在本书中，他针对已经参与或即将参与AI系统相关工作的读者揭示了诸多为了充分应用AI系统需要掌握的要点。
·AI的现状。目前的AI都是辅助性工具，“强AI”还无法在21世纪内诞生。
·AI的核心技术——深度学习。AI应用落地的关键在于目标精度的评测与活用，通过使用精确率和召回率两个指标，来准备良好的样本数据。
·样本数据的制作。通过短周期原型开发评估目标精度，加之专业人士的参与，同时使用高性能的GPU硬件。
·AI部署人才应具备的技能。AI时代的人才需要福尔摩斯般的思考能力，不仅要善于发现问题，打破现有局面，还要为解决问题设定目标，完成从“知识劳动”到“智能劳动”的转变。
【作者简介】
野村直之
1984年毕业于东京大学工学专业，2002年获得九州大学理学博士学位。曾在NEC C&C研究所、JUSTSYSTEM公司、法政大学、理光集团任职，后担任法政大学客座教授。
2005年创立元数据公司，从事大数据分析、社交网络应用、各种人工智能应用方案的提供等方面的工作。在此期间，担任MIT人工智能研究所客座研究员，与人工智能之父马文?明斯基曾同在一个实验室，并与该校语言学者诺姆·乔姆斯基进行过学术探讨。
他曾参与名词网络（Wordnet）的应用研究以及日本第五代计算机开发机构（ICOT）衍生知识库开发，同时对AI在产业、生活、行政、教育等领域的应用保持着高度的关注。
【目录】
目录
第1章 当今 AI 的功能与局限
关于 AI 常见的误解 // 2
利用大数据的围棋 AI // 5
如何有效运用“幼儿智能” // 6
思考能够使用图像识别技术的商业领域 // 7
深度学习是“原始数据计算” // 9
通过三个数轴对 AI 进行分类 // 12
深度学习是如何提取特征的 // 14
“模式识别”：AI 的眼睛和耳朵 // 17
使用深度学习的机器翻译能够获得压倒性胜利的原因 // 20
“强 AI”的出现至少要到 22 世纪吗 // 26
指数函数的恐怖 // 28
知识量的增加至多是二次曲线级 // 30
充分运用深度学习的必要性 // 34
深度学习与其他方式的结合也很有价值 // 36
第2章 使用深度学习的基本流程
在 AI 应用中不可或缺的目标设定 // 40
分享评测数据使其可以共用 // 42
作为精度指标的“精确率”和“召回率” // 44
作为前提的正确结果不止一个 // 46
不同场景中对精确率和召回率的重视程度不同 // 47
业余和专业所需的精度是不同的 // 49
深度学习的准确性评估测试非常简单 // 51
能准备反映共同特征和多样性差异的训练数据 // 53
使用开发环境进行数据学习的流程 // 55
注意过度拟合 // 59
第3章 目标精度的实际评估和利用
从危险驾驶分类中了解自动驾驶的问题 // 66
AI 给生产力带来的提升效果 // 71
交通标志与 AI 的匹配和 RFID 化也是必要的 // 73
精度目标的设定和预算是“鸡与蛋”的问题 // 79
自动驾驶需要用各种观点进行综合评估 // 81
特斯拉汽车为何发生车祸 // 82
结合预期值评估服务质量非常重要 // 85
设计业务流程时的混淆矩阵很重要 // 89
用附有概率值的判定结果将分支条件精细化 // 93
根据置信度对处理结果进行场景分类 // 96
为每个样本或医疗机构设置*精度 // 98
对 AI 纠错的意义 // 101
如何评估聊天机器人的准确性 // 103
用“对话成立度”对精度进行定量评估 // 107
参考信息技术架构库改善业务流程 // 109
让 AI 学习特殊情况下的数据 // 112
第4章 AI 部署的实例
企业的数字化 // 116
将 AI API 化后公开 // 118
AI 部署的战略以及企业内部体制 // 120
制作样本数据时的注意点 // 125
标注人员进行的标注工作 // 127
增加相互之间只有少许差异的样本数据 // 129
深度学习的引入需要耐心 // 132
描绘实际运行整体系统的结构 // 135
GPU 的挑选：目前 NVIDIA 是*选择 // 138
硬件的选择：性能要超过十几年前*的超级计算机 // 142
主内存要注意主内存容量 // 143
GPU 云服务也是一种选择 // 151
深度学习的机制是多种多样的 // 154
主流深度学习框架的特点和选择 // 156
多种类型的网络结构该如何进行选择 // 160
编程语言几乎只有 Python 一种选择 // 160
利用现成 AI 资源的意识 // 162
将完成后的 AI 应用程序化、API 化 // 164
将 API 向世界公开 // 166
争取各种安全措施保护隐私 // 167
以眼还眼，以 AI 对 AI // 169
保护 AI 开发企业的防盗版措施 // 171
主动公开部分源代码的交付方法 // 173
第5章 AI 部署人才应具备的技能
用户企业如何获得 AI 人才 // 177
用户企业的管理人员应掌握的心得 // 178
AI 时代需要我们具备福尔摩斯般的思考能力 // 179
AI 人员所需的资格和专业领域 // 180
旧知识可能成为绊脚石 // 183
样本数据的准备成为开发工作的核心 // 184
在 API 经济中擅长混聚开发的人才更重要 // 186
AI 人员的沟通能力不可或缺 // 187
知识
【免费在线读】
引言
? 未来 AI 时代人类工作的价值
如今，人工智能（以下称 AI）技术得到了迅速发展，已具备了识别图像、声音、数列、文章的能力，这也让以往的计算机望尘莫及。例如，AI 能够轻而易举地在合影照片中识别出具体的人物，而且准确度高，其能力已经相当于儿童的水平，实在令人惊叹。
一方面，这样的进步让从事 AI 研究的人员感到非常兴奋。虽然未来充满了不确定性，但大家似乎已经都沉浸在“AI 无所不能”的乐观情绪之中。许多媒体都开始声称“AI 能和人类一样学习进化”“AI 能顺应大趋势进行决策”，然而，这些说法其实与事实还有很大的差距。更有学者表示，“AI 的进化将剥夺人类的就业机会”，这又让一些人陷入了焦虑当中。
另一方面，提供 AI 产品与服务的企业为了宣传产品的效果，不断强调 AI 是数字化的劳动力。这些宣传会让人产生错觉，以为现在的 AI 已经具有自我意识和责任心，所有的行为都能与人类一样符合社会常识。
除了以上种种，所谓“人工智能”的称呼本身，也确实容易让人高估它的能力。事实上，目前社会中流行的关于 AI 的各种说法中包含了很多误解。
我可以断言，短期内不可能出现具有完整人格的 AI 或机器人。除了一部分特殊的单纯性工作（如只需要依靠视觉的岗位会完全交由 AI 负责），对于普通性工作，AI 能够替代人类完成的部分，也只占到全部工作的 1% ～ 30%。
NTT DATA 经营研究所在 2017 年 7 月发表的针对东京地区和其他城市地区约 1000 名白领的调查报告显示，他们认为 AI 取代了自己大约 30% 的工作内容。a 这样的结果和我的预测几乎一致，反倒让我有些惊讶。
这一结果也几乎与未来五年或十年内 AI 提高白领工作效率的预测一致。预测显示，使用 AI 能使生产效率提升 3% ～ 5%。
? 合理使用 AI 的方式
一方面，当大众听说“AI 的进化将剥夺人类的就业机会”，出于对机器的担忧和反感，就会产生逆反心理，从而造成对 AI 能力的过高预估；另一方面，当这种过度的期待没有实现时，又会走向另一个*，即对 AI 的全盘否定，如认为“AI 什么也干不了”“真要用 AI 的话，得费很多周折”“不给 AI 供应商提供大量数据就没法用”“到头来 AI 还不是一无是处、毫无意义”。
和过高的期望一样，因为不了解 AI 的真实情况和能力就将其全盘否定，也是对 AI 的误解之一。 我们该如何澄清关于 AI 的各种误解，使企业能够妥当地使用 AI ？ 此处所谓的妥当使用，是指企业通过运用 AI 能获得较高的投资回报率（ROI），合理地提升生产效率，让人类工作者能够腾出手来从事更有意义、更有趣、更富有价值的工作内容，从而获得幸福感。
我在这本书中主要针对已经参与或即将参与 AI 系统相关工作的读者来揭示 AI 的本质，同时说明引入 AI 系统时必不可少的精度测试，以及以此为基础的业务流程（扩展、复杂化）设计方法等诸多为了充分运用 AI 系统需要掌握的要点。本书将就以下的疑问进行详细地解答。
? 虽然对目前的 AI 有基本的理解，但不清楚具体该做什么，也不知道该从何处入手。
? 构建 AI 系统时应该使用什么样的硬件和软件？
? 听说有很方便的 AI 云服务，是真的吗？
? 自己的企业内部并没有可以立即用于机器学习的大数据，该怎么办？
? 希望能用到货真价实、性价比高的 AI 产品和 AI 系统实施服务，但如何才能辨别？
正在进行 AI 系统应用的 AI 推广部门、信息系统管理部门、经营企划部门、新事业开发部门和考虑引入 AI 系统的物流部门、生产管理 / 质量控制部门，以及为企业客户提供 AI 系统应用咨询与支援服务的供应商、咨询公司，都能通过本书找到可以取得立竿见影效果的措施。
? AI 是一个既便捷又特殊的辅助性工具
我先前在企业工作，后又转到大学，再到如今经营自己的创业公司，一直从事与 AI 有关的研究开发和面向企业的应用服务，深感 AI 确实是一个便捷的工具，但却有着自己的个性。33 年来，我一直致力于 AI 的开发、应用和部署。
过去 10 年中，我们一直在开发 AI 应用产品和 API（应用程序编程接口），并以云服务通读、内部部署（服务器安装类型）或租赁的形式提供给企业客户。同时，为一些行业的领先企业、大学的AI 系统应用项目提供帮助。
在应用 AI 系统时，我们自始至终保持以数字结果为导向，肩负实证评估的责任，抱着与客户共进退的严谨态度。我们不会轻率地将部署传统 IT 系
