大数据技术在人工智能中的应用

张迪扉

(中科星图股份有限公司,北京,101399)

1 大数据技术在人工智能领域中的典型应用

1.1 人工智能机器人

利用高度人工智能训练机器人的视觉感知处理层面、操作处理层面或是具体认知处理层面可以进行深化设定，让训练机器人能够发挥实际的技能作用达到效果，例如通过视频软件快速播放自己选择的智能音乐节目内容，快速的检查到自己需要的训练电话号码，提供和实际训练要求的相匹配的智能营养餐，将这些人工制造智能应用技术和其他大数据应用技术有机的集合起来让训练机器人不仅可以能够像其他人类一样快速进行分析决策或是进行思考，将大量的训练信息通过高度信息处理传感器系统进行准确传递，利用模式识别分析引擎将利用大数据技术进行高度结构化或是高度系统化的数据分析，利用高度数据处理反馈或是深度学习分析算法对于训练机器人的具体技能需求设定进行深化，经过实际学习应用后会发现在相对应的具体训练定义语料中的数据应该越多，神经元每个节点的技能需求就应该更多，对于具体训练语义的模式识别就应该能够更加精准，通过结合科学的数据计算，一千万和一百万的两个神经元节点整体语义识别率之间差距已经可以达到百分之十，一百亿和十亿的两个神经元节点整体语义识别率之间差距已经远远高于百分之二十，因此针对大数据技术应用的不断优化也也是一个必然趋势。

1.2 智能制造

在发展人工智能的基础上它也产生了人工智能智力制造，知识技术是如何推进我国智能制造发展的基本，智力制造是如何充分利用人工知识技术进行综合应用的一种重要水平。智能系统制造这个时候已经包括了工业智能系统制造信息系统、智能装备制造业等技术，具体研究应用发展过程中已经展开了一系列化的类似数据分析、推理、决策等的技术活动，在掌握智能系统制造的理论基础上对于行业相关集成自动化的关键概念技术进行不断创新，并且行业发展日渐高度趋向集成自动化、智能化、柔性化，多年的技术研究应用发展已经对于智能制造业的行业发展产生深远影响。制造业过程中的质量数据采集、管理，订单的质量管理、智能化产品制造、定制的服务平台均一直关系影响到企业大数据，深入分析挖掘后数据可以帮助实现更精准的资源匹配，减低传统制造商的经营风险。

2 大数据技术在人工智能领域中应用的实际案例

2.1 概述

智能交通系统已逐渐在国内外很多重要城市地区得到示范应用和广泛普及，并充分显示其突出具有高效率、低能耗、轻量无污染和少发生事故等巨大市场优势。车辆安全检测和人脸识别系统技术一直是推动智能交通系统以及车辆辅助安全自动驾驶等相关领域快速发展的重要技术研究发展方向。在道路交通管理监控系统中，通过对违法车辆的动态检测进行识别，实现车辆动态监测车流情况监测车辆监控、非法营运车辆的现场稽查以及用户提供道路停车车辆管理咨询服务等。在自动辅助安全自动驾驶中，高标准精度的机动车辆路况检测及识别方法可为自动安全驾驶的各种智能安全决策应用提供重要依据。智能交通系统在其中的智能交通管理以及交通辅助安全自动驾驶等诸多领域都对高质量精度及实时的智能车辆路况检测和自动识别系统有着迫切的技术需求。本章以新型车辆智能检测与人脸识别技术为一实例，研究汽车大数据在构建人工智能交通系统中如何发挥的重要作用。

2.2 基本实现方案

采取人工大数据分析技术在实现人工智能车辆识别检测车辆属性检测中的过程主要功能包括人工车辆识别检测智能VPN及车辆属性智能识别检测ARN两个主要步骤共同组成，第一步，利用VPN可以获得所有检测可能性的车辆检测建议框。首先，生成输入训练及模拟测试数据的每个感兴趣模块区域，其次，采用卷积模拟神经网络数据提取软件输入生成训练及模拟测试数据的不同深度卷积数据特征，然后，将软件生成的每个感兴趣模块区域在不同深度卷积数据特征上分别进行背景投影与数据池化，最后，将生成感兴趣模块区域中的特征向量经全局的连接层及数据分类器后，预测出所有认为可能的机动车辆驾驶建议框，并将所有认为可能的机动车辆驾驶建议框数据送入软件ARN。第二步，采用ARNR来获得一个车辆属性建议框的车辆属性设置信息。首先，提取整个车辆模型建议框的细粒深度卷积属性特征，然后，利用一种多任务的机器学习分析模式及利用SOFTMAXY的分类器方法获取整个车辆模型建议框的细粒度卷积属性特征信息，该方法的整个总体数据处理工作流程如下图图1所示。

图1 实现方法流程

2.3 实验结果与分析

本文主要采取了ACOMPCARS车型数据集，在多种大数据分析技术的共同特点下，该车型数据集的突出技术优点之一是该数据图片规模较大，包含208826张不同车辆车型图片，涉及1716个不同车辆图片型号。与此同时，该应用数据集还能包含两种应用场景的不同车辆行驶数据，便于针对交叉应用场景进行实验。其中一种类型是自然停车场景，数据主要来源于行业论坛、网站和其他搜索结果引擎，总共数据包含136727张车辆整幅大型车辆配件图像，27618张大型车辆整体局部配件图像，涉及1716个品牌车辆配件型号，163家大型车辆配件生产厂家。另一种方法是遥控监督车辆场景，数据内容来源于一台监控车辆摄像机，总共数据包含44481张监控车辆不同整幅监控图片，涉及281个监控车辆不同型号。监督停车场景的拍摄车辆外观图片的整体外观效果受当地光照、天气、交通状况的因素影响很大。此外，COMPCARS模型数据集中还包含丰富的车辆属性模型信息，如拍摄车辆的各个拍摄场景视角、车辆的各个局部模型零件以及能够描述一个车辆真实行驶位置的车型标注框等。以移动视角中的属性信息为单举例，COMPCARS这个数据集总共包含5种移动视角属性信息，分别为前移动视角、后视角、侧移动视角、前侧移动视角以及后侧移动视角。本文主要选取自然环境场景条件中的一个具有重要代表性的431个人的车辆样本型号36458张一个车辆型号图片样本用于行车训练，15624张一个车辆型号样本图片用于行车测试。图2给出了一个测试者在训练中使用的实例的结构示意。

图2 大数据训练集选取

为了方便综合分析评价各种人工智能检测方法的质量检测系统性能，通常建议采用一种P-R检测曲线度量作为性能评价度量标准，P-R度量曲线主要描述的关系是检测查全性概率R与查准率数值P之间的度量关系。对于一个P-R##I的曲线来说，其中的查全准确率和查准率都越高或接近1越好。对于需要检测的软件错误主要分为包括漏检和错误虚警两种。对于在P-R直角曲线下与两个坐标轴连线围成的水平面积曲线AUCUD进行精度统计，用平均测量精度系数AP和R表示。将本人论文VPN分析方法与E-DPM分析方法、CASCADE-DPM分析方法及CABBPC方法分别进行综合定性化和定量分析对比进行分析。图3给出了4种转换方法在POCOMPCARS这个数据集上的一个P-R转换曲线。在相同曲线前段RRRECALL∈[0，0.5]，4种查准方法在相同曲线查全的概率下的查准率基本近似。在整个曲线中段，RRECALL∈(0.5，0.8]，随着曲线查全准确率不断增加，VPNPN方法仍然能保持比较高的查准，DPMPN方法查准下降最快。在这个曲线后段RECALL∈(0.8，1]，VPN这种查全方法在一次性的查全查准率已经达到非常接近0.9时仍然可能会连续保持将近0.8的查准率，其他几种查全方法则不会连续出现很多次的错误或者虚警。

图3 P-R曲线

表1显示了COMPCARS数据集中不同方法综合探测的性能。DPM方法、CASCADEDPM方法和BB方法采用HOG特征与滑动窗搜索策略，确定了测量的实际效果，而SSL方法采用CNN特征强大的抽象功能，与EDGEBOX算法相配合快速获得感兴趣的区域，其平均AP为84.1%，相对BB方法则为84.1%。提高了2.8%，同时处理速度提高到15MBPS/S，检测性能得到了较大提升。总的说来， VPS 方法的 PR 曲线靠近右上角，在较高查全率的情况下仍然保持着很高的精确度，优于其它各种方法，对光线有很好的鲁杆性，适用于稍微遮挡的情况。

表1 检测性能

3 结论

大数据技术在人工智能中的应用不仅局限在上述几个领域，而且还有一些智能化农业种植中心，一些智能的教学评价分析系统，等等。在借助于大数据技术的支持，人工智能将人们从繁忙的工作中释放出来，减轻了工作压力，降低了学习的压力，提高了工作效率和学习成绩。然而，人工智能却是一把双刀剑，在人工智能和大数据技术融合的过程中，应注意防止相关的安全风险，从而更大地推进人类社会发展。