【儀表網(wǎng) 儀表新概念】7月22-23日，在中國科學技術(shù)協(xié)會、中國科學院的指導下，由中國人工智能學會、阿里巴巴集團&螞蟻金服主辦，CSDN、中國科學院自動化研究所承辦的2017中國人工智能大會(CCAI 2017)在浙江杭州會議中心盛大召開。
 

 

圖片源自網(wǎng)絡(luò)
 

　　本次大會圍繞著當前AI熱點話題、核心技術(shù)，以及與會者共同關(guān)注的科學問題進行深入交流和探討，并針對語言智能與應(yīng)用、智能金融、人工智能科學與藝術(shù)、人工智能青年發(fā)展四個主題設(shè)立專題論壇，對于我國人工智能的科學研究及在各行業(yè)落地有著極大的推進作用。
 

　　本次大會為期兩天，以“AI大師主題報告”、“專題論壇群雄論劍”的方式展開，主題報告環(huán)節(jié)，由香港科技大學計算機系主任楊強，螞蟻金服數(shù)據(jù)科學家漆遠，南京大學教授周志華，以及中國科學院自動化研究所研究員宗成慶分別主持。
 

　　中國工程院院士、中國人工智能學會理事長李德毅，中國科學院院士、中國人工智能學會副理事長譚鐵牛，阿里巴巴技術(shù)委員會主席王堅分別發(fā)表大會致辭，總結(jié)過去一年產(chǎn)學研界在人工智能領(lǐng)域取得的豐碩成果，并熱忱地歡迎所有與會者的到來。
 

　　大師云集，學術(shù)帶頭人齊聚，分享人工智能的創(chuàng)新發(fā)展
 

　　大會現(xiàn)場，9位海內(nèi)外工智能專家分別從人工智能技術(shù)的兩面性、L3自動駕駛挑戰(zhàn)、深度學習遷移模型、金融智能實踐，到構(gòu)建強健的人工智能、機器學習在商務(wù)智能中的創(chuàng)新應(yīng)用、眾包中的統(tǒng)計推斷與激勵機制、小數(shù)據(jù)方法模型以及弱監(jiān)督機器學習研究新進展等進行了深刻解讀與分享，在拓展人工智能邊界的同時也為其未來發(fā)展及應(yīng)用實踐指明了方向。
 

　　大會首日香港科技大學計算機系主任楊強則從深度學習模型的共性問題談起，在主題報告《深度學習的遷移模型》中，深度剖析如何使得深度學習模型變得更加可靠，使得在數(shù)據(jù)變化的情況下，模型還可以持續(xù)可用，更通過不同的應(yīng)用案例多角度地闡述遷移學習的深度模型所帶來的優(yōu)點。
 

　　澳大利亞新南威爾士大學教授、AAAI執(zhí)行委員會成員Toby Walsh的報告則更聚焦于如何發(fā)展可用于造福社會的技術(shù)，以《人工智能造福人類的那一面》為主題，結(jié)合實際研究案例，詳細闡述人工智能技術(shù)的兩面性，以及如何來幫助現(xiàn)有的食品銀行，以及器官銀行。
 

　　螞蟻金服副總裁、數(shù)據(jù)科學家漆遠發(fā)表《金融智能的發(fā)展與應(yīng)用》主題報告，在大會現(xiàn)場具體介紹了螞蟻金服在金融服務(wù)場景中如何發(fā)展AI技術(shù)——從新的深度學習模型到深度學習與圖關(guān)系的結(jié)合等——來應(yīng)對這些挑戰(zhàn)，分析如何將新技術(shù)創(chuàng)新應(yīng)用在場景中，以解決金融服務(wù)的關(guān)鍵問題，如風控與智能助理等，并且就當下金融智能面臨的開放性問題進行了探討。
 

　　第二天的主題報告則都由來自海外的AI領(lǐng)域翹楚帶來。其中，德國人工智能研究中心(DFKI)科技總監(jiān)Hans Uszkoreit分享了《機器學習在商務(wù)智能中的創(chuàng)新應(yīng)用》，介紹如何分析各種來源的數(shù)據(jù)，用于執(zhí)行眾多的商務(wù)智能任務(wù)，如供應(yīng)鏈監(jiān)控、市場調(diào)研和產(chǎn)品管理等。其所討論的方法包含了不同類型的機器學習和基于知識的自然語言理解技術(shù)，充分利用知識圖表和各種結(jié)構(gòu)化數(shù)據(jù)源，實現(xiàn)信息的互為補充。在此方法中，文本分析管道被嵌入在開源大數(shù)據(jù)分析平臺Apache Flink中，能支持近乎實時地快速處理海量數(shù)據(jù)。
 

　　美國微軟雷德蒙研究院研究員周登勇(Dengyong Zhou)發(fā)表《眾包中的統(tǒng)計推斷與激勵機制》主題演講，具體總結(jié)了微軟雷德蒙研究院過去幾年在基本的眾包問題的研究與工程上的進展。具體來說，主要集中在群體智慧與激勵機制兩個方面。在技術(shù)上更是融合了機器學習、統(tǒng)計推斷、博弈論、心理學以及人機交互，目前，周登勇及其團隊對于眾包的研究工作已經(jīng)應(yīng)用到了微軟的諸多產(chǎn)品。
 

　　南加州大學副教授Fei Sha則從《大數(shù)據(jù)如何幫助“小數(shù)據(jù)”？》切入，介紹其所在團隊在該方向的研究成果，并通過3個場景闡述多任務(wù)學習、領(lǐng)域適應(yīng)及零樣本學習。該主題旨在從其他任務(wù)和相關(guān)大數(shù)據(jù)集中尋求幫助，以研究有關(guān)小數(shù)據(jù)的方法和模型。并且，報告還探討了相關(guān)方法的制定，以及如何將它們運用到實際問題中。
 

　　日本理化學研究所先進智能研究中心主任Masashi Sugiyama發(fā)表《弱監(jiān)督機器學習研究新進展》主題演講，總結(jié)了其與團隊在監(jiān)督弱化分類方面的新研究進展，包括兩組未標記數(shù)據(jù)分類、正面數(shù)據(jù)和未標記數(shù)據(jù)分類、半監(jiān)督分類的新方法以及補充標簽分類。后，還簡要地介紹了RIKEN智能中心項目。
 

　　在主題報告的后，俄勒岡州立大學教授、AAAI前主席Thomas G. Dietterich帶來了《構(gòu)建強健的人工智能：原因及方式》演講。當前，人工智能技術(shù)正在各種應(yīng)用中廣泛使用。由于其中一些應(yīng)用可能會對人類生活或經(jīng)濟造成威脅，因此我們需要尋找相應(yīng)的算法和方法來確保人工智能系統(tǒng)行為安全。本報告即介紹了用于保證安全行為的方法，并綜合考慮“已知的未知”情況(對不確定情形有一個明確的模型)以及“未知的未知”情況(模型不完整或錯誤)。
 

　　(原標題：中國人工智能大會CCAI 2017在杭州召開)