都在談人工智慧 目前到底都有哪些落地案例呢？

自從去年阿爾法狗在圍棋大戰中打敗人類， 人工智慧終於跳出了實驗室的禁錮， 成為活躍在科技領域的核心力量， 融入社會的方方面面， 近日， 沙特還授予機器人索菲亞公民身份， 科幻小說中描繪的場景無疑正漸漸變成現實。

是的， 人工智慧已不再停留在大家的想像之中， 各路大牛也都紛紛抓住這波風口， 投入AI創業大潮。 那麼， 2017年， 到底都有哪些AI落地案例呢？機器學習、深度學習、NLP、圖像識別等技術又該如何用來解決業務問題？

人工智慧落地案例搶先看

鑒於篇幅有限， 這裡我們選取部分落地案例，

探討人工智慧在各個領域的應用實踐， 希望可以給你一些啟發， 並與你一起探索AI的邊界！

摩拜｜如何使用人工智慧實現單車精細化運營

共用單車在不到一年的時間裡成為城市一道彩色風景線， 在便利市民短途出行的同時， 單車的運營管理也日漸成為一個巨大的挑戰。 本次分享中， 尹大朏會介紹摩拜單車如何利用大資料和人工智慧技術解決運營中出現的違停、潮汐現象， 以及在優化調度方面的最新探索。

微信小程式｜商業智慧技術應用實踐

本次講座主要探討深度學習在直播推薦中的應用。 與傳統推薦系統不同， 基於深度學習的推薦系統通過深度網路學習並提取多層次的特徵， 可將直播的節目和使用者中的隱藏特徵自動化提取、關聯、抽象出來。

胡南煒主要會從推薦系統的兩個關鍵技術點：召回和排序， 來講解深度學習模型的應用， 包括推薦召回中的標籤提取， 結果排序中的CTR預估等方面， 探討深度神經網路在自然語言處理和CTR預估領域中的優勢與挑戰， 以及深度推薦系統的前景與發展。

知乎｜如何使用機器學習實現News Feed正向交互率提升100%

News Feed是用戶進入知乎的第一個頁面， 也是知乎最大的流量入口之一。 從2016年年底開始， 我們使用機器學習技術對知乎的News Feed進行了改進， 期間經歷了Edge Rank-Learning to Rank-DNN模型推薦等階段， 並且取得了不錯的成果：News Feed的正向交互率提升了100%， 用戶在Feed頁的停留時長上升了40%。 本次分享， 張瑞將會從產品和技術等方面向大家闡釋知乎過去一年內所做的改進，

包括他們在構建使用者畫像系統、首頁的推薦和排序模組中遇到的一些技術問題和解決方法。

國美｜推薦引擎與演算法持續部署實踐

電商平臺中， 個性化推薦是提高使用者購物體驗的關鍵元件。 作為國美在人工智慧領域的重要試金石， “推薦系統如何做好演算法的持續部署”是一個非常有挑戰性的問題。 本次分享以國美推薦引擎提升自身訓練和決策能力的升級歷程為主線， 介紹了流式計算引擎、特徵多級存儲系統、機器學習演算法的演進、A/B測試系統、演算法和特徵的雙鏈路監控、深度學習模型的實踐部署等內容。 同時還探討了國美在人工智慧領域未來的發力點。

Tutorabc｜大資料和AI之路

本次分享將從大資料團隊的構建、資料平臺的架構和落地、資料倉庫的建設、資料視覺化、機器學習和人工智慧如何結合大資料平臺落地， 講敘Tutorabc大資料和AI的快速成長之路， 以及在實踐過程中， 如何通過機器學習和人工智慧有效幫助業務解決問題， 提高業務服務效率， 提升使用者體驗。 在介紹過程中， 會穿插講解如何用一個不足10人的團隊， 解決“缺少銀蛋”的問題， 並在完成對公司業務幫助的同時， 見縫插針的解決技術架構升級。

餓了麼｜AI在餓了麼的應用實踐

外賣行業繼電商、出行之後成為第三個千萬級別的互聯網消費行業， 每天有2500萬人次足不出戶地在外賣平臺上找到自己喜歡的餐廳和食物， 享受著30分鐘送到手裡的便利。

如何精准地找到用戶需求， 提高轉化率和增加用戶粘度， 最大化平臺的物流效率和服務品質， 都需要大資料和人工智慧的説明。 張浩將主要通過分享4個實例， 介紹機器學習和運籌優化在外賣行業的應用實踐， 具體講講演算法解決方案和反覆運算過程。

第四范式｜如何利用大規模機器學習技術解決問題並創造價值

目前深度學習在某些領域已經有了較成熟的解決方案， 例如圖像特徵提取、語音辨識、文本翻譯等。 但企業級應用涉及各個範圍， 以上只是企業經營過程中的一小部分。 在其他領域如行銷、反欺詐、廣告等行業應用， 就需要一些其他的演算法和技術， 比如說超高維的特徵工程和演算法。

胡時偉將從機器學習的概念開始，講到怎樣做資料清洗處理、機器學習的典型建模流程、機器學習常見的評估指標，以及第四范式在金融、互聯網領域應用機器學習的成功案例。

胡時偉將從機器學習的概念開始，講到怎樣做資料清洗處理、機器學習的典型建模流程、機器學習常見的評估指標，以及第四范式在金融、互聯網領域應用機器學習的成功案例。