目錄
第1章 當今 AI 的功能與局限
關于 AI 常見的誤解 // 2
利用大數據的圍棋 AI // 5
如何有效運用“幼兒智能” // 6
思考能夠使用圖像識別技術的商業領域 // 7
深度學習是“原始數據計算” // 9
通過三個數軸對 AI 進行分類 // 12
深度學習是如何提取特征的 // 14
“模式識別”：AI 的眼睛和耳朵 // 17
使用深度學習的機器翻譯能夠獲得壓倒性勝利的原因 // 20
“強 AI”的出現至少要到 22 世紀嗎 // 26
指數函數的恐怖 // 28
知識量的增加至多是二次曲線級 // 30
充分運用深度學習的必要性 // 34
深度學習與其他方式的結合也很有價值 // 36

第2章 使用深度學習的基本流程
在 AI 應用中不可或缺的目標設定 // 40
分享評測數據使其可以共用 // 42
作為精度指標的“精確率”和“召回率” // 44
作為前提的正確結果不止一個 // 46
不同場景中對精確率和召回率的重視程度不同 // 47
業余和專業所需的精度是不同的 // 49
深度學習的準確性評估測試非常簡單 // 51
能準備反映共同特征和多樣性差異的訓練數據 // 53
使用開發環境進行數據學習的流程 // 55
注意過度擬合 // 59

第3章 目標精度的實際評估和利用
從危險駕駛分類中了解自動駕駛的問題 // 66
AI 給生產力帶來的提升效果 // 71
交通標志與 AI 的匹配和 RFID 化也是必要的 // 73
精度目標的設定和預算是“雞與蛋”的問題 // 79
自動駕駛需要用各種觀點進行綜合評估 // 81
特斯拉汽車為何發生車禍 // 82
結合預期值評估服務質量非常重要 // 85
設計業務流程時的混淆矩陣很重要 // 89
用附有概率值的判定結果將分支條件精細化 // 93
根據置信度對處理結果進行場景分類 // 96
為每個樣本或醫療機構設置*佳精度 // 98
對 AI 糾錯的意義 // 101
如何評估聊天機器人的準確性 // 103
用“對話成立度”對精度進行定量評估 // 107
參考信息技術架構庫改善業務流程 // 109
讓 AI 學習特殊情況下的數據 // 112

第4章 AI 部署的實例
企業的數字化 // 116
將 AI API 化后公開 // 118
AI 部署的戰略以及企業內部體制 // 120
制作樣本數據時的注意點 // 125
標注人員進行的標注工作 // 127
增加相互之間只有少許差異的樣本數據 // 129
深度學習的引入需要耐心 // 132
描繪實際運行整體系統的結構 // 135
GPU 的挑選：目前 NVIDIA 是唯一選擇 // 138
硬件的選擇：性能要超過十幾年前*先進的超級計算機 // 142
主內存要注意主內存容量 // 143
GPU 云服務也是一種選擇 // 151
深度學習的機制是多種多樣的 // 154
主流深度學習框架的特點和選擇 // 156
多種類型的網絡結構該如何進行選擇 // 160
編程語言幾乎只有 Python 一種選擇 // 160
利用現成 AI 資源的意識 // 162
將完成后的 AI 應用程序化、API 化 // 164
將 API 向世界公開 // 166
爭取各種安全措施保護隱私 // 167
以眼還眼，以 AI 對 AI // 169
保護 AI 開發企業的防盜版措施 // 171
主動公開部分源代碼的交付方法 // 173

第5章 AI 部署人才應具備的技能
用戶企業如何獲得 AI 人才 // 177
用戶企業的管理人員應掌握的心得 // 178
AI 時代需要我們具備福爾摩斯般的思考能力 // 179
AI 人員所需的資格和專業領域 // 180
舊知識可能成為絆腳石 // 183
樣本數據的準備成為開發工作的核心 // 184
在 API 經濟中擅長混聚開發的人才更重要 // 186
AI 人員的溝通能力不可或缺 // 187
知識