格靈深瞳 CEO 趙勇揭開國內智能安防的真實現狀；專訪平安科技，fintech背後你看不到的黑科技｜AI掘金志週刊
人工智慧（AI）經以雷霆萬鈞之勢從學術界潛入產業界的每一個角落，AI已經不是科技公司創新創業的專屬武器，因其價值之大，也成為了傳統行業變革求新、提高效益的利器。AI掘金志致力於傳統行業AI應用的解讀，
AI掘金志本周關鍵字：Google的DeepMind Health，智慧診斷，IBM Watson，平安科技，Amazon Go；格靈深瞳。
AI＋金融朗迪金融科技峰會：IBM Waston高管談人工智慧如何改變金融世界
IBM Watson是認知計算系統的傑出代表，認知計算能力能使金融服務機構更深入瞭解使用者的盈利性和偏好，進而為用戶提供更加個性化的新一代產品和服務。Watson還可以幫助企業靈活地應對管理風險和合規問題，提高適應變化的監管環境能力。
Brian Walter是新成立的Watson金融服務機構中客戶洞察和認知體驗全球項目主管。
Omri Barzilay：你現在看到的最有吸引力的行業趨勢是什麼？
Brian Walter：當然是AI和認知計算在金融服務領域的應用。
Barzilay： Watson金融服務的主要關注點在哪兒？
Walter：我們的工作重點是幫助銀行、金融科技公司和開發者建立創新的解決方案。我們還通過運用Watson超級電腦、機器學習和高級分析等技術，提供用戶前瞻性預測，用戶留存和流失分析，產品偏好，
Barzilay：在這個領域，你們還發現了什麼機會？
Walter：除了認知計算和AI之外，我們還看到了雲計算和區塊鏈等子領域的潛在機會。銀行和金融市場非常青睞區塊鏈的商業應用方案，接受程度遠遠高於預期。
Barzilay：你們如何與初創公司合作？
Walter：我們會指導初創公司上市事宜、業務和技術發展，還對它們開放了訪問IBM AI平臺的許可權。
Barzilay：最近有哪些創業公司在做一些有趣的事？
Walter：監管、風險和合規行業的數位化轉型會是未來幾年的掘金地。
專訪平安科技：金融業已進入深度人工智慧階段，背後是你看不到的黑科技
近日，平安科技人臉識別團隊在國際權威人臉識別公開測試集LFW(Labeled Faces in the Wild)中，獲得在無限制條件下人臉驗證測試（Unrestricted，Labeled Outside Data Results）0.9960±0.0031的成績。
目前，很多成果在 LFW 人臉資料集上的準確率都停留在 99.5% 左右，平安科技團隊的成績意味著人工智慧技術之人臉識別又獲得了突破，
據雷鋒網瞭解，這項技術，來自于平安科技人工智慧實驗室，以及大資料平臺等團隊。這次測試結果的發佈，是平安科技的領先技術在國際學術層面的一次亮相。
日前，雷鋒網與平安科技智慧引擎部總經理兼大資料首席總監、“千人計畫”國家特聘專家肖京博士，以及平安科技人工智慧實驗室主任、首席AI科學家劉飛進行了對話，談及平安科技在人工智慧研發和應用的進展與未來思考。
AI助長金融
早在2013年，平安就針對人臉識別方面開始做了一個前期的調研。從2014年開始，平安科技組建了自己的人工智慧實驗室團隊，開始研究演算法和核心技術應用。人臉識別技術作為人工智慧核心一環，目前已經應用到金融、安防、身份識別類等嚴肅應用上，以金融業為例，包括刷臉開卡、刷臉取款，保險中理賠對象識別等等。AI技術的成熟運用，是“未來銀行”、“新金融”的基礎。比如，人臉識別技術全球首發應用于平安普惠小額貸款 “平安i貸2.0”的融資場景。
平安科技研究深度學習，走不一樣的路
人工智慧在綜合金融的大規模應用，關鍵在於安全、準確、高效，某些規則性問題下，效率和成效甚至比人做得更出色，比如人臉識別。然而，這背後的摸索，如同黑暗隧道中前行時看到的曙光。
更少的資料，更高的精度
平安科技在研究的是，如何通過較少的樣本來達到更高的精度。劉飛表示，如果要用比較少的資料也能訓練出很高水準的話，法寶在於演算法。“我們最近就有一個讓人興奮的研究課題，也是最近這幾年在學術界也有提及的，叫‘one-shot learning’技術。”“one-shot learning”技術，可以在一個單點領域有足夠高效、深入的應用
AI規模化應用，需要通用型AI
劉飛表示，其實我們現在的人工智慧技術在解決當前的問題是相對分立和孤立的，人臉識別通過圖像就解決了身份識別的問題，而至於其它的方向，比如識別一個目標物體，一個電話、一輛汽車，它又是一個問題。目前人工智慧，包括深度學習的介入，還是正在解決這些單獨的問題，甚至還用不同的方法解決單個問題。
“人工智慧界還需要一些比較通用的方法，使得人工智慧的技術基於某一個單一方案解決更多的問題。比如現在在研究的多工網路。一個神經網路能不能解決多個不同的問題？包括靜態和動態。”
從規則利用到資料分析，金融業進入深度人工智慧階段
除了演算法上的摸索，平安科技造的另一個輪子是大資料採擷。這兩件事，都並非一蹴而就的。
劉飛解釋稱，即便更少的資料、更高的精度成為可能，但我們也不能否認資料的重要性。“當領域進入差異化發展的時候，一方面資料可帶來演算法前瞻的預言，説明做出差異化的演算法成果，同時借助資料規模又能夠較早地投入商用。而能夠較早地商用就意味著，又能幫助我們發現別人還沒有機會發現的問題，從而優化演算法，反復來訓練。”
而做資料集中，這就需要先搭建清洗、整合等一系列的底層資料應用以及平臺。這些做完了以後，最重要還是要挖掘資料的價值。做這麼多事情，所花的力氣也可想而知。對平安來說，其無非是堅持向數位化轉型。目前第一步，是趕上了大資料、AI的列車，通過挖掘資料的價值，來提升客戶的體驗，擴大自身服務能力。
AI＋安防格靈深瞳 CEO 趙勇深度總結：揭開國內智慧安防與人臉識別的真實現狀丨硬創公開課
AI 技術的成熟，使得由人工智慧來自動消化海量監控視頻資料成為可能。目前，人工智慧已經逐步滲透到安防行業，最終將會把以視頻網路為核心的安防產業，重塑為以結構化資料為核心，以精確情報生產為目標的智慧物聯網產業。
作為智慧安防的先行者，格靈深瞳在近 4 年間推出多款應用于安防的 AI 產品，包括基於三維電腦視覺技術的皓目行為分析儀、基於結構化資料的威目視圖大資料分析平臺、威目車輛特徵識別系統、威目人臉識別系統，以及全新產品深瞳人眼攝像機。
在這期雷鋒網硬創公開課上，格靈深瞳 CEO 趙勇博士基於自己多年的研究和行業經驗，深入分享 AI 技術將怎樣以智慧硬體、大資料採擷和物聯網的形式，深刻地變革整個安防行業。
本次公開課包括以下內容：
• 基於人工智慧的最先進的人臉、人體和車輛識別技術
• 安防產業為什麼需要智慧硬體
• 基於仿生原理的人眼相機，是怎樣實現大場景、遠距離人臉識別的
• 當前的人臉識別技術，在解決實際安防問題過程中面臨的挑戰
• 深層大資料採擷在人工智慧物聯網中的意義
本次公開課中，趙勇博士展示大量生動的案例和視頻，並回答多個網友精彩問題，所以推薦優先觀看視頻。
一、傳統安防的現狀和急需解決的問題
在今天的安防監控行業裡，幾乎所有組成都是以視頻為核心：攝像頭是視頻的生產者，錄影機是視頻的存儲者，網路是視頻的傳播者，監控中心是視頻呈現的地方。
所以我們整個安防體系，從攝像頭到存儲都是一個擁有極大資料量的網路。但一個主要矛盾：我們產生了太多的視頻，可這些視頻卻沒辦法消化。
目前，急需解決的問題：把普通視頻資料變為有意義的“情報”。目前以視頻資料為核心的安防監控體系，其實給客戶帶來了大量的麻煩。因為你產生了非常多的資料，把這些資料放在客戶跟前，然後尋找線索，這好比大海撈針。所以整個行業都把希望寄託在智慧化上，所謂智慧化就是能夠把人工智慧引進來，把所有的視頻資料除了人以外，引進人工智慧 Consumer，能自動把這些視頻資料裡面的內容和目標變成結構化資料。
但是當人工智慧把這麼多的錄影轉變成結構化資料後，就會產生一個新的資料海洋：結構化資料海洋。如果資料沒有經過很好的挖掘，那它也不是有意義的情報。
當今天這些資料變成了結構化資料以後，在不同行業、不同場景要有大量的資料採擷應用才能夠有效地把結構化資料變成有意義的情報。
二、圖像識別在垂直安防行業的成果
1. 已經成熟的車輛識別
2. 人物屬性識別
3. 人臉識別
三、AI 應該用在前端還是後臺？
我覺得智慧放在前端最大的好處是針對一個視頻流時，它所有的運算資源都專注於前端。放在前端有一個好處就是大量資料，用不著通過非常擁擠的網路傳到資料中心去。
把智慧放在後臺的好處有點像雲計算，雲計算的一大優點是分享，我在後臺可以用非常強大的硬體、非常複雜的軟體把識別性能做得非常好，因為人們對識別的精度要求永遠是無止境的。但這樣會導致對識別演算法、硬體要求比較高，如果放在伺服器裡可以達到這個條件，同時分享給不同的前端。
四、人臉識別的真實現狀
很多公司認為人臉識別已經做得很好，但另一方面，如果大家去調查一下如果使用了人臉識別，尤其是使用動態人臉識別的客戶，大多數客戶都認為誤報率太高，而且高到基本上這個系統就沒有辦法使用。
五、智能安防接下來該怎麼走？
1. 人工智慧+人類智慧
2. 人工智慧+大資料
六、前沿生物視覺技術在安防領域的應用
大自然是一個非常豐富的知識庫，我們可以從裡面學到很多知識。電腦視覺是關於“視覺”的，所以我們會關注人的眼睛以及動物的眼睛。
AI＋醫療如何利用大資料做遺傳病智慧診斷？| 硬創公開課預告
據OMIM資料庫（人類孟德爾病資料庫）資料，單基因遺傳病的病種數量約有7000種，其中約4000多種致病基因和發病機制比較明確。單基因遺傳病單個發病率低，但單基因病種類極多，所以總體發病率高，且具有先天性、致死致殘性的特點。
就診斷而言，單基因遺傳病涉及多個學科，臨床症狀複雜，且由於基因的突變具有多樣性，每種突變都可能導致不一樣的臨床症狀，而突變的臨床意義也相當複雜，故診斷較為困難。而且，許多遺傳病都及其罕見，屬於罕見病，對於一名醫生來說，診斷經驗不足，根據症狀極易誤診。
所以對於臨床醫生而言，這些問題顯得頗有挑戰性：根據患者症狀如何快速鑒別其是否為遺傳病？患者表現為某些特定症狀時，哪種基因突變的概率最大？
如今，隨著基因測序成本的大幅下降，隨之而來的是基因大資料的出現，在這種形勢下，基於基因型和表型的關係，建立輔助診斷系統和臨床知識庫看起來是一條容易且有效的路徑。那麼，具體搭建過程是怎樣的呢？會遇到什麼意想不到的挑戰呢？這種方式做遺傳病診斷，遇到最大的瓶頸是什麼呢？
Google旗下AI健康子公司DeepMind Health，為什麼搞起了區塊鏈？
3月9日，Google旗下的AI健康科技子公司——DeepMind Health，宣稱將使用比特幣底層技術區塊鏈，讓醫院、NHS、甚至病人自身都能即時跟蹤其個人健康資料。
該技術，又被稱為“可驗證資料審核”，可創建一個特殊的數字分類帳，以加密可驗證的方式自動記錄患者資料的每次交互，這意味著對資料任何更改或訪問都會被記錄到，正是這種特點，對困擾DeepMind已久的問題——患者的資料隱私問題有説明。
2016年12月，DeepMind曾與帝國理工學院醫院合作，共同發佈了一款腎臟監控APP Streams，在這項合作中，DeepMind將會獲取到100萬患者的醫療資料。但兩者的合作因數據隱私問題備受質疑，民眾懷疑其與NHS的資料共用協議過於廣泛，擔心這可能給予DeepMind太多的權利，甚至超過NHS。（關於這次合作，雷鋒網曾有詳細報導：DeepMind與帝國理工學院醫院合作，獲得100萬患者資料）
這就解釋了，穀歌AI團隊為什麼搞起了區塊鏈？
我們的使命始終如一，核心探索我們如何能長期建立信任、透明度和對資料更好的控制。
這此次開發區塊鏈計畫發佈後，DeepMind聯合創始人Mustafa Suleyman如是說。Suleyman指出， DeepMind已經採取了很多措施促進民眾信任，包括組織成立AI行業聯盟等，但是技術的方法是公司促進信任的另一種手段。
事實上，關於區塊鏈與人工智慧的結合，業界早有討論，區塊鏈在人工智慧的一些應用很普通，正在逐步改變人工智慧。其中，區塊鏈不可改變/審計跟蹤記錄的特點，可以為人工智慧帶來訓練資料和模型方面的資料溯源，從而改善資料和模型的可信度。
AI＋商業IBM Watson與Salesforce合作，如何打通CRM領域的最後一公里？
據雷鋒網瞭解，3月7日早間消息，IBM Watson即將與Salesforce的人工智慧平臺Einstein合作。在IBM官網上，這樣介紹了他們的合作關係：
Salesforce人工智慧平臺Einstein上客戶的資料與Watson的結構化、非結構化資料結合，後者有各行各業、各個來源的的資料，包括天氣、醫療保健、金融服務和零售。兩者結合後，將能夠理解資料、推理並生成決策，加速企業決策和提供更好的客戶體驗。
在其官網上，具體介紹了合作細則：
IBM Watson和Salesforce Einstein整合。整合IBM Watson APIs到Salesforce中，可以將非結構化、企業內外資料與Salesforce Einstein顧客資料產生的預測性洞察結合，使得銷售、服務、市場和商業等過程更智慧。
提供Salesforce的IBM天氣洞察。IBM的一個業務，The Weather公司，為Salesforce AppExchange提供有關天氣洞察，這些資訊可能影響客戶的行為和公司業務表現。
提供Salesforce的IBM應用整合元件。客戶能將內部部署的企業資料和雲資料與Salesforce的個性化整合式產品結合起來，直接在Salesforce的智慧平臺上呈現。
IBM的諮詢公司Bluewolf將創建一個實踐單元為Einstein的軟體和服務。
這些合作細節勾勒出一個這樣的未來：能夠“預測未來”的CRM系統。並且據外媒報導，通過Salesforce的Einstein平臺和Watson一些業務的整合，這次合作還為IBM銷售其諮詢服務開闢了道路。
AI＋零售打造一家像Amazon Go的無人零售店，需解決哪些核心問題？
Amazon Go 從推出到現在已過去四個月，這期間，國內不少傳統零售商和創業者受到影響，開始試水搭建無人零售商店。但由於對技術和工程細節不熟悉，往往無從下手。
陳維龍提到，要打造 Amazon Go 這樣的無人零售商店最核心的是要解決“什麼商品被誰怎麼處理了”這個問題，需要處理的因素有5個：人、人的位置、商品、商品的位置、動作。
陳維龍舉了個非形象動的例子：對於超市而言，商品存在兩種狀態——賣掉或沒賣掉；對貨架而言，商品的狀態是在或不在；對顧客而言，商品的狀態是買或不買；對人的手而言，商品的狀態是在手或不在手，進一步簡化成拿起或放回。相機和感測器都可以表示該狀態。
其中，商品的識別應該是難度最大的關鍵點之一。陳維龍指出，在初始狀態，特定品類的商品被放在特定位置，由相機和感測器偵測。對相機和感測器而言，它們只需優先識別少數且特定的商品類及數量。這個相對而言是簡單的。即使圖片無法識別，也可以根據重量識別和篩查。在品類擺放的時候可以選擇易區分的品類擺放一起，所有被拿取的商品記錄在顧客的購物清單裡。困難在中間狀態。由於顧客放回會破壞初始狀態，導致識別難度急劇上升。因為顧客可能放回任意商品，所以商品的識別範圍又擴大到無法解決的情況。
將商品記錄到動作的發起者身上是一件較為複雜的工程。陳維龍介紹到，識別人大體通過 2 種方式：身體特徵或附帶物，例如人臉和手機。人臉識別的精度在室內還在可接受範圍，幾乎可以當做唯一標識。手機也是一個人的唯一標識，通過判斷是誰的手機從而判斷顧客是誰。
而要匹配顧客和商品的 ID，首先要確定人和商品的定位。關於人的定位，可以用到追蹤系統。手機的 GPS、wifi、藍牙也可以提供較準確豐富的位置資訊。關於商品的定位，紅外、重量感應、相機、商品和貨架初始的問題都是已知的，可以推測出來。例如，通過隔板，將同類商品分在不同的網格種，每個網格對應不同的紅外或重量感應器，可以知道被拿取或放回商品的位置。
總之，難度沒有憑空想像的難，但是工程量不小。即使動作和商品識別能達到 100%，因為定位方案和精度問題，導致整體的識別存在一定的誤差，而使整個方案無法使用，或者只能部分依靠顧客協助實現。所以 Amazon Go 以及未來的其他無人零售店還只能在小部分範圍內對特定人群使用，例如信用度較高的會員。
陳維龍將無人收銀分成三個階段：商品和顧客行為資料統計階段、識別正常購物的無人收銀階段、識別作弊的無人收銀階段。
• 第一階段比較容易實現，因為僅僅是統計，顧客不會存在作弊情況，而且統計誤差範圍相對于無人收銀較大。
• 第二階段是顧客不作弊的情況下，100% 記錄顧客和商品資料，達到無人收銀的效果。目前 Amazon Go 處於這個階段。這個階段的明顯特徵是建立在高素質會員人群中。
• 第三階段是識別任意作弊行為，並且準確統計。這個階段超市或零售行業所以的作弊行為都能被識破、杜絕，不僅可以實現無人收銀，還徹底解決了盜損問題。
由於成本和技術問題，陳維龍認為達到第二階段，往第三階段靠近就可以了。
談及平安科技在人工智慧研發和應用的進展與未來思考。AI助長金融
早在2013年，平安就針對人臉識別方面開始做了一個前期的調研。從2014年開始，平安科技組建了自己的人工智慧實驗室團隊，開始研究演算法和核心技術應用。人臉識別技術作為人工智慧核心一環，目前已經應用到金融、安防、身份識別類等嚴肅應用上，以金融業為例，包括刷臉開卡、刷臉取款，保險中理賠對象識別等等。AI技術的成熟運用，是“未來銀行”、“新金融”的基礎。比如，人臉識別技術全球首發應用于平安普惠小額貸款 “平安i貸2.0”的融資場景。
平安科技研究深度學習，走不一樣的路
人工智慧在綜合金融的大規模應用，關鍵在於安全、準確、高效，某些規則性問題下，效率和成效甚至比人做得更出色，比如人臉識別。然而，這背後的摸索，如同黑暗隧道中前行時看到的曙光。
更少的資料，更高的精度
平安科技在研究的是，如何通過較少的樣本來達到更高的精度。劉飛表示，如果要用比較少的資料也能訓練出很高水準的話，法寶在於演算法。“我們最近就有一個讓人興奮的研究課題，也是最近這幾年在學術界也有提及的，叫‘one-shot learning’技術。”“one-shot learning”技術，可以在一個單點領域有足夠高效、深入的應用
AI規模化應用，需要通用型AI
劉飛表示，其實我們現在的人工智慧技術在解決當前的問題是相對分立和孤立的，人臉識別通過圖像就解決了身份識別的問題，而至於其它的方向，比如識別一個目標物體，一個電話、一輛汽車，它又是一個問題。目前人工智慧，包括深度學習的介入，還是正在解決這些單獨的問題，甚至還用不同的方法解決單個問題。
“人工智慧界還需要一些比較通用的方法，使得人工智慧的技術基於某一個單一方案解決更多的問題。比如現在在研究的多工網路。一個神經網路能不能解決多個不同的問題？包括靜態和動態。”
從規則利用到資料分析，金融業進入深度人工智慧階段
除了演算法上的摸索，平安科技造的另一個輪子是大資料採擷。這兩件事，都並非一蹴而就的。
劉飛解釋稱，即便更少的資料、更高的精度成為可能，但我們也不能否認資料的重要性。“當領域進入差異化發展的時候，一方面資料可帶來演算法前瞻的預言，説明做出差異化的演算法成果，同時借助資料規模又能夠較早地投入商用。而能夠較早地商用就意味著，又能幫助我們發現別人還沒有機會發現的問題，從而優化演算法，反復來訓練。”
而做資料集中，這就需要先搭建清洗、整合等一系列的底層資料應用以及平臺。這些做完了以後，最重要還是要挖掘資料的價值。做這麼多事情，所花的力氣也可想而知。對平安來說，其無非是堅持向數位化轉型。目前第一步，是趕上了大資料、AI的列車，通過挖掘資料的價值，來提升客戶的體驗，擴大自身服務能力。
AI＋安防格靈深瞳 CEO 趙勇深度總結：揭開國內智慧安防與人臉識別的真實現狀丨硬創公開課
AI 技術的成熟，使得由人工智慧來自動消化海量監控視頻資料成為可能。目前，人工智慧已經逐步滲透到安防行業，最終將會把以視頻網路為核心的安防產業，重塑為以結構化資料為核心，以精確情報生產為目標的智慧物聯網產業。
作為智慧安防的先行者，格靈深瞳在近 4 年間推出多款應用于安防的 AI 產品，包括基於三維電腦視覺技術的皓目行為分析儀、基於結構化資料的威目視圖大資料分析平臺、威目車輛特徵識別系統、威目人臉識別系統，以及全新產品深瞳人眼攝像機。
在這期雷鋒網硬創公開課上，格靈深瞳 CEO 趙勇博士基於自己多年的研究和行業經驗，深入分享 AI 技術將怎樣以智慧硬體、大資料採擷和物聯網的形式，深刻地變革整個安防行業。
本次公開課包括以下內容：
• 基於人工智慧的最先進的人臉、人體和車輛識別技術
• 安防產業為什麼需要智慧硬體
• 基於仿生原理的人眼相機，是怎樣實現大場景、遠距離人臉識別的
• 當前的人臉識別技術，在解決實際安防問題過程中面臨的挑戰
• 深層大資料採擷在人工智慧物聯網中的意義
本次公開課中，趙勇博士展示大量生動的案例和視頻，並回答多個網友精彩問題，所以推薦優先觀看視頻。
一、傳統安防的現狀和急需解決的問題
在今天的安防監控行業裡，幾乎所有組成都是以視頻為核心：攝像頭是視頻的生產者，錄影機是視頻的存儲者，網路是視頻的傳播者，監控中心是視頻呈現的地方。
所以我們整個安防體系，從攝像頭到存儲都是一個擁有極大資料量的網路。但一個主要矛盾：我們產生了太多的視頻，可這些視頻卻沒辦法消化。
目前，急需解決的問題：把普通視頻資料變為有意義的“情報”。目前以視頻資料為核心的安防監控體系，其實給客戶帶來了大量的麻煩。因為你產生了非常多的資料，把這些資料放在客戶跟前，然後尋找線索，這好比大海撈針。所以整個行業都把希望寄託在智慧化上，所謂智慧化就是能夠把人工智慧引進來，把所有的視頻資料除了人以外，引進人工智慧 Consumer，能自動把這些視頻資料裡面的內容和目標變成結構化資料。
但是當人工智慧把這麼多的錄影轉變成結構化資料後，就會產生一個新的資料海洋：結構化資料海洋。如果資料沒有經過很好的挖掘，那它也不是有意義的情報。
當今天這些資料變成了結構化資料以後，在不同行業、不同場景要有大量的資料採擷應用才能夠有效地把結構化資料變成有意義的情報。
二、圖像識別在垂直安防行業的成果
1. 已經成熟的車輛識別
2. 人物屬性識別
3. 人臉識別
三、AI 應該用在前端還是後臺？
我覺得智慧放在前端最大的好處是針對一個視頻流時，它所有的運算資源都專注於前端。放在前端有一個好處就是大量資料，用不著通過非常擁擠的網路傳到資料中心去。
把智慧放在後臺的好處有點像雲計算，雲計算的一大優點是分享，我在後臺可以用非常強大的硬體、非常複雜的軟體把識別性能做得非常好，因為人們對識別的精度要求永遠是無止境的。但這樣會導致對識別演算法、硬體要求比較高，如果放在伺服器裡可以達到這個條件，同時分享給不同的前端。
四、人臉識別的真實現狀
很多公司認為人臉識別已經做得很好，但另一方面，如果大家去調查一下如果使用了人臉識別，尤其是使用動態人臉識別的客戶，大多數客戶都認為誤報率太高，而且高到基本上這個系統就沒有辦法使用。
五、智能安防接下來該怎麼走？
1. 人工智慧+人類智慧
2. 人工智慧+大資料
六、前沿生物視覺技術在安防領域的應用
大自然是一個非常豐富的知識庫，我們可以從裡面學到很多知識。電腦視覺是關於“視覺”的，所以我們會關注人的眼睛以及動物的眼睛。
AI＋醫療如何利用大資料做遺傳病智慧診斷？| 硬創公開課預告
據OMIM資料庫（人類孟德爾病資料庫）資料，單基因遺傳病的病種數量約有7000種，其中約4000多種致病基因和發病機制比較明確。單基因遺傳病單個發病率低，但單基因病種類極多，所以總體發病率高，且具有先天性、致死致殘性的特點。
就診斷而言，單基因遺傳病涉及多個學科，臨床症狀複雜，且由於基因的突變具有多樣性，每種突變都可能導致不一樣的臨床症狀，而突變的臨床意義也相當複雜，故診斷較為困難。而且，許多遺傳病都及其罕見，屬於罕見病，對於一名醫生來說，診斷經驗不足，根據症狀極易誤診。
所以對於臨床醫生而言，這些問題顯得頗有挑戰性：根據患者症狀如何快速鑒別其是否為遺傳病？患者表現為某些特定症狀時，哪種基因突變的概率最大？
如今，隨著基因測序成本的大幅下降，隨之而來的是基因大資料的出現，在這種形勢下，基於基因型和表型的關係，建立輔助診斷系統和臨床知識庫看起來是一條容易且有效的路徑。那麼，具體搭建過程是怎樣的呢？會遇到什麼意想不到的挑戰呢？這種方式做遺傳病診斷，遇到最大的瓶頸是什麼呢？
Google旗下AI健康子公司DeepMind Health，為什麼搞起了區塊鏈？
3月9日，Google旗下的AI健康科技子公司——DeepMind Health，宣稱將使用比特幣底層技術區塊鏈，讓醫院、NHS、甚至病人自身都能即時跟蹤其個人健康資料。
該技術，又被稱為“可驗證資料審核”，可創建一個特殊的數字分類帳，以加密可驗證的方式自動記錄患者資料的每次交互，這意味著對資料任何更改或訪問都會被記錄到，正是這種特點，對困擾DeepMind已久的問題——患者的資料隱私問題有説明。
2016年12月，DeepMind曾與帝國理工學院醫院合作，共同發佈了一款腎臟監控APP Streams，在這項合作中，DeepMind將會獲取到100萬患者的醫療資料。但兩者的合作因數據隱私問題備受質疑，民眾懷疑其與NHS的資料共用協議過於廣泛，擔心這可能給予DeepMind太多的權利，甚至超過NHS。（關於這次合作，雷鋒網曾有詳細報導：DeepMind與帝國理工學院醫院合作，獲得100萬患者資料）
這就解釋了，穀歌AI團隊為什麼搞起了區塊鏈？
我們的使命始終如一，核心探索我們如何能長期建立信任、透明度和對資料更好的控制。
這此次開發區塊鏈計畫發佈後，DeepMind聯合創始人Mustafa Suleyman如是說。Suleyman指出， DeepMind已經採取了很多措施促進民眾信任，包括組織成立AI行業聯盟等，但是技術的方法是公司促進信任的另一種手段。
事實上，關於區塊鏈與人工智慧的結合，業界早有討論，區塊鏈在人工智慧的一些應用很普通，正在逐步改變人工智慧。其中，區塊鏈不可改變/審計跟蹤記錄的特點，可以為人工智慧帶來訓練資料和模型方面的資料溯源，從而改善資料和模型的可信度。
AI＋商業IBM Watson與Salesforce合作，如何打通CRM領域的最後一公里？
據雷鋒網瞭解，3月7日早間消息，IBM Watson即將與Salesforce的人工智慧平臺Einstein合作。在IBM官網上，這樣介紹了他們的合作關係：
Salesforce人工智慧平臺Einstein上客戶的資料與Watson的結構化、非結構化資料結合，後者有各行各業、各個來源的的資料，包括天氣、醫療保健、金融服務和零售。兩者結合後，將能夠理解資料、推理並生成決策，加速企業決策和提供更好的客戶體驗。
在其官網上，具體介紹了合作細則：
IBM Watson和Salesforce Einstein整合。整合IBM Watson APIs到Salesforce中，可以將非結構化、企業內外資料與Salesforce Einstein顧客資料產生的預測性洞察結合，使得銷售、服務、市場和商業等過程更智慧。
提供Salesforce的IBM天氣洞察。IBM的一個業務，The Weather公司，為Salesforce AppExchange提供有關天氣洞察，這些資訊可能影響客戶的行為和公司業務表現。
提供Salesforce的IBM應用整合元件。客戶能將內部部署的企業資料和雲資料與Salesforce的個性化整合式產品結合起來，直接在Salesforce的智慧平臺上呈現。
IBM的諮詢公司Bluewolf將創建一個實踐單元為Einstein的軟體和服務。
這些合作細節勾勒出一個這樣的未來：能夠“預測未來”的CRM系統。並且據外媒報導，通過Salesforce的Einstein平臺和Watson一些業務的整合，這次合作還為IBM銷售其諮詢服務開闢了道路。
AI＋零售打造一家像Amazon Go的無人零售店，需解決哪些核心問題？
Amazon Go 從推出到現在已過去四個月，這期間，國內不少傳統零售商和創業者受到影響，開始試水搭建無人零售商店。但由於對技術和工程細節不熟悉，往往無從下手。
陳維龍提到，要打造 Amazon Go 這樣的無人零售商店最核心的是要解決“什麼商品被誰怎麼處理了”這個問題，需要處理的因素有5個：人、人的位置、商品、商品的位置、動作。
陳維龍舉了個非形象動的例子：對於超市而言，商品存在兩種狀態——賣掉或沒賣掉；對貨架而言，商品的狀態是在或不在；對顧客而言，商品的狀態是買或不買；對人的手而言，商品的狀態是在手或不在手，進一步簡化成拿起或放回。相機和感測器都可以表示該狀態。
其中，商品的識別應該是難度最大的關鍵點之一。陳維龍指出，在初始狀態，特定品類的商品被放在特定位置，由相機和感測器偵測。對相機和感測器而言，它們只需優先識別少數且特定的商品類及數量。這個相對而言是簡單的。即使圖片無法識別，也可以根據重量識別和篩查。在品類擺放的時候可以選擇易區分的品類擺放一起，所有被拿取的商品記錄在顧客的購物清單裡。困難在中間狀態。由於顧客放回會破壞初始狀態，導致識別難度急劇上升。因為顧客可能放回任意商品，所以商品的識別範圍又擴大到無法解決的情況。
將商品記錄到動作的發起者身上是一件較為複雜的工程。陳維龍介紹到，識別人大體通過 2 種方式：身體特徵或附帶物，例如人臉和手機。人臉識別的精度在室內還在可接受範圍，幾乎可以當做唯一標識。手機也是一個人的唯一標識，通過判斷是誰的手機從而判斷顧客是誰。
而要匹配顧客和商品的 ID，首先要確定人和商品的定位。關於人的定位，可以用到追蹤系統。手機的 GPS、wifi、藍牙也可以提供較準確豐富的位置資訊。關於商品的定位，紅外、重量感應、相機、商品和貨架初始的問題都是已知的，可以推測出來。例如，通過隔板，將同類商品分在不同的網格種，每個網格對應不同的紅外或重量感應器，可以知道被拿取或放回商品的位置。
總之，難度沒有憑空想像的難，但是工程量不小。即使動作和商品識別能達到 100%，因為定位方案和精度問題，導致整體的識別存在一定的誤差，而使整個方案無法使用，或者只能部分依靠顧客協助實現。所以 Amazon Go 以及未來的其他無人零售店還只能在小部分範圍內對特定人群使用，例如信用度較高的會員。
陳維龍將無人收銀分成三個階段：商品和顧客行為資料統計階段、識別正常購物的無人收銀階段、識別作弊的無人收銀階段。
• 第一階段比較容易實現，因為僅僅是統計，顧客不會存在作弊情況，而且統計誤差範圍相對于無人收銀較大。
• 第二階段是顧客不作弊的情況下，100% 記錄顧客和商品資料，達到無人收銀的效果。目前 Amazon Go 處於這個階段。這個階段的明顯特徵是建立在高素質會員人群中。
• 第三階段是識別任意作弊行為，並且準確統計。這個階段超市或零售行業所以的作弊行為都能被識破、杜絕，不僅可以實現無人收銀，還徹底解決了盜損問題。
由於成本和技術問題，陳維龍認為達到第二階段，往第三階段靠近就可以了。