【機器學習】深度學習與經典機器學習的優劣勢一覽

儘管深度學習具有如此高的效能，但使用經典的機器學習和一些特定的情況下，使用線性迴歸或決策樹而不是大型深度網路會更好。

在過去幾年中，深度學習已成為大多數AI型別問題的首選技術，掩蓋了經典的機器學習。其中明顯的原因是深度學習已經在包括言語、自然語言、視覺和玩遊戲在內的各種各樣的任務中多次表現出優異的表現。然而，儘管深度學習具有如此高的效能，但使用經典的機器學習和一些特定的情況下，使用線性迴歸或決策樹而不是大型深度網路會更好。

在這篇文章中，我們將比較深度學習與傳統的機器學習技術。在這樣做的過程中，我們將找出兩種技術的優點和缺點，以及它們在哪裡，如何獲得最佳的使用。 

深度學習>經典機器學習

 

一流的表現：深度網路已經實現了遠遠超過傳統ML方法的精確度，包括語音、自然語言、視覺和玩遊戲等許多領域。在許多工中，經典ML甚至無法競爭。例如，下圖顯示了ImageNet資料集上不同方法的影像分類準確性，藍色表示經典ML方法，紅色表示深度卷積神經網路(CNN)方法。

 

 

使用資料進行有效縮放：與傳統ML演算法相比，深度網路使用更多的資料可以更好地擴充套件。下面的圖表是一個簡單而有效的例子。很多時候，通過深層網路來提高準確性的最佳建議就是使用更多的資料!使用經典的ML演算法，這種快速簡單的修復方法甚至幾乎沒有效果，並且通常需要更復雜的方法來提高準確性。

 

 

不需要特徵工程：經典的ML演算法通常需要複雜的特徵工程。首先在資料集上執行深度探索性資料分析，然後做一個簡單的降低維數的處理。最後，必須仔細選擇最佳功能以傳遞給ML演算法。當使用深度網路時，不需要這樣做，因為只需將資料直接傳遞到網路，通常就可以實現良好的效能。這完全消除了整個過程的大型和具有挑戰性的特徵工程階段。

 

適應性強，易於轉換：與傳統的ML演算法相比，深度學習技術可以更容易地適應不同的領域和應用。首先，遷移學習使得預先訓練的深度網路適用於同一領域內的不同應用程式是有效的。

 

例如，在計算機視覺中，預先訓練的影像分類網路通常用作物件檢測和分割網路的特徵提取前端。將這些預先訓練的網路用作前端，可以減輕整個模型的訓練，並且通常有助於在更短的時間內實現更高的效能。此外，不同領域使用的深度學習的基本思想和技術往往是相當可轉換的。

 

例如，一旦瞭解了語音識別領域的基礎深度學習理論，那麼學習如何將深度網路應用於自然語言處理並不是太具有挑戰性，因為基準知識非常相似。對於經典ML來說，情況並非如此，因為構建高效能ML模型需要特定領域和特定應用的ML技術和特徵工程。對於不同的領域和應用而言，經典ML的知識庫是非常不同的，並且通常需要在每個單獨的區域內進行廣泛的專業研究。 

經典機器學習>深度學習

 

對小資料更好：為了實現高效能，深層網路需要非常大的資料集。之前提到的預先訓練過的網路在120萬張影像上進行了訓練。對於許多應用來說，這樣的大資料集並不容易獲得，並且花費昂貴且耗時。對於較小的資料集，傳統的ML演算法通常優於深度網路。

 

財務和計算都便宜：深度網路需要高階GPU在大量資料的合理時間內進行訓練。這些GPU非常昂貴，但是如果沒有他們訓練深層網路來實現高效能，這在實際上並不可行。要有效使用這樣的高階GPU，還需要快速的CPU、SSD儲存以及快速和大容量的RAM。傳統的ML演算法只需要一個體面的CPU就可以訓練得很好，而不需要最好的硬體。由於它們在計算上並不昂貴，因此可以更快地迭代，並在更短的時間內嘗試許多不同的技術。

 

更容易理解：由於傳統ML中涉及直接特徵工程，這些演算法很容易解釋和理解。此外，調整超引數並更改模型設計更加簡單，因為我們對資料和底層演算法都有了更全面的瞭解。另一方面，深層網路是“黑匣子”型，即使現在研究人員也不能完全瞭解深層網路的“內部”。由於缺乏理論基礎、超引數和網路設計也是一個相當大的挑戰。

(來源：IT168）

---

九個機器學習的迷思

每個組織都有可能以這樣或那樣的方式利用機器學習，因為42%的高管最近告訴埃森哲，他們預計人工智慧將在2021年之前成為他們的創新的後盾。

當技術像機器學習一樣被炒得沸沸揚揚時，就會有許多誤解產生。以下是關於機器學習可以提供，或不能提供的清晰視角。

 

機器學習被證明是非常有用的，人們很容易假設它可以解決所有問題並適用於所有情況。和其它工具一樣，機器學習在特定領域也很有用，特別是對於一直困擾著你，但你永遠不會僱用足夠的人來解決的問題，或者對於有明確目標，但沒有明顯的實現方法的問題。

 

儘管如此，每個組織都有可能以這樣或那樣的方式利用機器學習，因為42%的高管最近告訴埃森哲，他們預計人工智慧將在2021年之前成為他們的創新的後盾。但是，只要你的視野能繞過炒作，並避免下面這些常見的誤解你會得到更好的成果——通過了解機器學習可以實現和不能實現的機制。

 

>>>>

迷思：機器學習就是人工智慧

 

機器學習和人工智慧經常被用作同義詞，但機器學習是最成功地從研究實驗室走出來，邁向現實世界的技術，而人工智慧則是一個廣泛的領域，它涵蓋計算機視覺、機器人技術和自然語言處理等領域，以及不涉及機器學習的約束滿足等方法。不妨把它看成是使機器變得智慧的一切東西。這些都不是那種一般人所害怕的通用“人工智慧”——可以與人競爭甚至攻擊人類的東西。

 

留意這些流行語並做到準確無誤。機器學習是關於學習模式和預測大資料集的結果;結果可能看起來很“智慧”，但其本質事關以前所未有的速度和規模應用統計資料。

 

>>>>

迷思：是資料就有用

 

機器學習需要資料，但並非所有的資料都可用於機器學習。為了訓練你的系統，你需要有代表性的資料，以涵蓋機器學習系統需要處理的模式和結果。你需要不含與模式不相關的資料(例如顯示這些內容的照片——所有站立的男士和所有坐著的女士，或者所有車輛都在車庫中，所有自行車都在泥濘的場地中)，因為你所建立的機器學習模型將反映那些過於具體的模式，並在你使用的資料中查詢它們。所有用於訓練的資料都需要註上正確的標記，並註上上與你要問機器學習系統的問題相匹配的功能，這需要做很多工作。

 

不要以為你已經擁有的資料是乾淨，清晰，有代表性或易於標註的。

 

>>>>

迷思：你總是需要很多資料

 

最近在影像識別、機器閱讀理解、語言翻譯和其它領域取得的主要進展已經發生了，因為有了更好的工具，可以並行處理大量資料的GPU等計算硬體，以及大量已標記的資料集，包括ImageNet和史丹佛問題回答資料集(Stanford Question Answering Dataset)。但是，由於有一種稱為遷移學習(transfer learning)的技巧，你並不總是需要大量資料才能在特定區域獲得良好結果。相反，你可以教機器學習系統如何使用一個大型資料集進行學習，然後將其遷移到屬於你自己的，更小的培訓資料集的學習能力。這就是Salesforce和Microsoft Azure的自定義視覺API的工作原理：你只需要30到50張影像即可顯示想要分類的內容，以獲得良好結果。

 

遷移學習可讓你使用相對較少的資料為你自己的問題定製預先訓練好的系統。

>>>>

 迷思：是人都能建立機器學習系統

 

市面上有很多用於機器學習的開源工具和框架，以及無數課程向你展示如何使用它們。但機器學習仍然是一項專門技術;你要知道如何準備資料並對其進行分割槽以進行訓練和測試，你要知道如何選擇最佳演算法以及使用何種啟發式演算法，以及如何將其轉化為可靠的生產系統。你還要監視系統，以確保結果始終保持相關性;無論你的市場變革還是你的機器學習系統是否好得使你最終會遇到不同的客戶群，你需要繼續檢驗該模型是否符合你的問題。

 

要徹底把機器學習弄明白是需要經驗;如果你剛剛開始使用API，則可以使用API預先訓練模型，在獲取或聘用資料科學和機器學習專業知識來構建定製系統時，你可以從程式碼中呼叫該模型。

 

>>>>

迷思：資料中的所有模式都是有用的

 

哮喘患者，胸痛或心臟病患者以及任何期頤之年的人的肺炎的存活率遠高於你的期望。實際上，好到只要有一個簡單的用來將入院程式自動化的機器學習系統就可以讓他們安然無恙地回家(一種基於規則的，和神經網路一樣受訓於相同的資料的系統就能做到這個)。不幸的是，他們有如此高的存活率的原因是，他們總是立即入院，因為肺炎對他們來說非常危險。

 

系統見證了資料中的有效的模式;這對於選擇讓誰入院來說並不是一種有用的模式(儘管它可以幫助保險公司預測治療費用)。更危險的是，除非你已經瞭解它們，否則你不會知道這些無用的反模式出現在你的資料集中。

 

在其它情況下，一個系統可以學習一種有效的模式(比如爭議頗多的面部識別系統，它可以準確地從自拍照中預測性取向)，然而它沒有清晰明確的解釋，所以沒有用(在這種情況下，照片看起來似乎顯示了姿勢這樣的社交線索而不是天生的任何東西)。

 

“黑匣子”模型是高效的，但它沒有澄清他們到底學到了什麼模式。像廣義加性模型(Generalized Additive Model)這樣的更透明，可理解的演算法可以更清楚地瞭解模型的學習內容，從而讓你決定它是否適用於部署。

 

>>>>

迷思：強化學習隨時可以使用

幾乎所有當今使用的機器學習系統都使用監督學習;在大多數情況下，他們接受了人類參與準備的明確標記的資料集的培訓。管護這些資料集需要時間和精力，所以人們對非監督形式的學習，特別是強化學習(RL)有很大的興趣——在這裡，艾真體(agent)通過試錯法學習，通過與環境互動並因為正確的行為而獲得獎勵。DeepMind的AlphaGo系統使用強化學習與監督式學習一同戰勝了最高段位的圍棋選手，而由卡內基梅隆大學的團隊建立的系統Libratus使用強化學習和另外兩種人工智慧技術在無限德州撲克擊敗了一部分世界上最好的撲克玩家(具有漫長而複雜的投注策略)。研究人員正在用機器學習對一切進行強化試驗——從機器人技術到安全軟體的測試。

 

強化學習在研究領域之外並不常見。谷歌使用DeepMind學習更高效地降低資料中心的溫度，從而節省資料中心的電力;微軟使用強化學習的一個特別版本，稱為上下文賭博機(contextual bandit)，它為MSN.com的訪客定製個性化的新聞頭條。問題在於很少有現實環境有可輕易發現的獎勵和即時反饋，當艾真體在發生任何事情之前採取多項行動時，分配獎勵就尤其棘手了。

 

>>>>

迷思：機器學習沒有偏差

 

由於機器學習從資料中學習，它將複製資料集中的任何偏差。搜尋執行長的影像可能會顯示白人男性執行長的照片，因為有更多的執行長通常是白人男性。但事實證明，機器學習也會放大偏差。

 

經常用於訓練影像識別系統的COCO資料集具有男性和女性的照片;但更多的女性是在廚房裝置旁邊得到展示，更多的男性則和電腦鍵盤和滑鼠或網球拍和滑雪板一起得到展示。在COCO上訓練系統，它會比原始照片中的統計資料更強烈地把男性和計算機硬體聯絡起來。

 

一個機器學習系統也可能給另一個機器增加偏差。訓練這樣一個機器學習系統——它具有將單詞表徵為向量的流行框架——來表示詞之間關係的向量，它將學習像“男人之於女人正如計算機程式設計師之於家庭主婦”或醫生之於護士正如老闆之於前臺那樣的刻板印象。如果你使用這樣的系統，這個系統把那些具有他和她這樣的代詞的語言(如英語)翻譯成具有中性代詞的語言(如芬蘭語或土耳其語)，那麼“他們是醫生”就會變成“他是醫生”，“他們是護士”變成“她是護士”。(譯註，最後一句話有點費解，但是結合中文網路用語中誕生的新代詞TA就不難理解了，因為不確定被指稱的人的性別，所以寫作TA，而不是他或她，相當於英語的he or she，而有些語言中則用複數形式表示中性性別，如they表示he or she，這裡可以理解為they=TA，把這個中文新詞套進去就不難理解了)

 

在購物網站上獲得類似的建議是有用的，但在涉及敏感領域時會產生問題，並且會產生反饋迴路;如果你加入反對疫苗接種的臉書群，臉書的推薦引擎將建議其它關注陰謀論或者認為地球平的群。

 

瞭解機器學習中的偏差問題是很重要的。如果你無法消除訓練資料集中的偏差，請使用規則化詞對之間的性別關聯等技術來減少偏差或將不相關的專案新增到建議中以避免“過濾氣泡(filter bubble)”。

 

>>>>

迷思：機器學習只用於做好事

 

機器學習為防病毒工具提供了強大的功能，並著眼於全新攻擊的行為，以便一出現就能發現它們。但同樣地，黑客也正在使用機器學習來研究防病毒工具的防禦措施，並通過分析大量公共資料或分析以前的網路釣魚嘗試的成功來大規模地製作有針對性的網路釣魚攻擊。

 

>>>>

迷思：機器學習會取代人

 

人們常常擔心人工智慧會搶走他們的飯碗，它肯定會改變我們所從事的工作以及我們的做事方式;機器學習系統可以改善了效率和合規性並降低了成本。從長遠來看，它將在業務中創造新的角色，並使一些當前職位顯得過時。但是機器學習所自動化的很多工在以前根本就不可能做到，要麼歸咎於複雜性，要麼歸咎於為規模，例如，你無法聘請足夠多的人來檢視釋出到社交媒體上的每張照片，以檢視它是否具有你的品牌特徵。

 

機器學習已經開始做的事情是創造新的商機，例如通過預測性維護改善客戶體驗，並向業務決策者提供建議和支援。和前幾代自動化一樣，機器學習可以把員工解放出來，使他們可以盡情地應用自己的專業知識和創造力。

 

版權宣告：本文為企業網D1Net編譯，轉載需註明出處為：企業網D1Net，如果不註明出處，企業網D1Net將保留追究其法律責任的權利。

(來源：企業網D1Net）

---

更側重於結果的機器智慧

在我們目前有關機器學習的所有討論中，常常會忘記重要的一點：由於真正的機器學習應該是隱藏在後臺，所以基於機器學習所採取的行為應該成為技術有效性的關鍵指標。

更新的機器學習技術、更好的程式設計技術和更多以資料驅動的技能應該會有所作為，而更好的工具將結果與核心模型相關聯也會有所作為。

在我們目前有關機器學習的所有討論中，常常會忘記重要的一點：由於真正的機器學習應該是隱藏在後臺，所以基於機器學習所採取的行為應該成為技術有效性的關鍵指標。

 

機器智慧不僅可以預測故障，而且由此可以防止若干次故障的發生。機器智慧不僅可以基於呼叫流量來檢測API結構，而且還清楚增加構建了多少個API。機器智慧不僅可以識別物體，而且可以防止發生若干次的事故。我想你已明白這一點了。可以說，機器智慧的真正衡量標準不是準確性和損失(這是一些深度學習傾向選擇的測量標準)，而是其對結果的影響。

 

我們在從學習模型發展到對結果產生影響的過程中存在兩個問題。其一，開發人員所構建的應用程式需要衡量該模型對其結果的影響。其次，他們需要通過輕鬆整合學習模型來快速構建可影響結果的應用程式。

 

我們先來看看衡量問題。

 

假設您正在為一款自動駕駛汽車設計新的視覺模型。唯一重要的事情是，這個更好的模型是否有助於降低事故發生，而並非模型本身是否能夠更好或更快地識別物體。

 

儘管存在很多挑戰，但事故畢竟屬於偶發事件(這是件好事)，衡量偶發事件的結果有效性並不容易(這是一件壞事)，而且還有存在其他困難。避免事故是一個多變數的問題，而一些變數(比如你的模型)是在你的控制之內。還有其他變數(比如其他車輛的行駛狀態、雨天或建築物)都不在你的可控範圍。利用貝葉斯技術、多臂賭博機方法、A/B方法等等，都是可以很好衡量和掌握結果的第一步，但這還不夠。

 

現在讓我們來看看第二個問題：構建可進行學習和適應的應用程式，以及如何讓衡量問題融入到應用程式中。

 

構建學習應用程式與構建機器學習模型不同。這是因為應用程式開發領域和機器學習領域不同，很少有跨越這兩個領域的工程師。

 

機器學習領域的人員傾向於以他們認為會影響這些模型的任何輸入量來構建模型，並且他們始終需要乾淨的輸入向量(所有輸入量必須相同大小、標準化、規範化等)。因此，如果消費傾向模型是建立在過去的顧客行為和產品相似性的基礎之上，但是另一個變數(如天氣)也會對消費傾向產生影響，那麼該模型就不會很理想：它未考慮天氣因素，即使應用程式設計師使用了天氣資訊(通常只需要一個API)，但並未將其包含到模型中。對機器學習工程師的需求和應用程式開發人員的需求並不完全一致。

 

事實上，從混亂的現實世界資料轉變為模型所需要的乾淨的輸入量，這通常是一條陡峭的曲線。的確，Panda庫可使用Python語言編寫，但如果應用程式是用Java編寫的，那麼應用程式開發人員如何正確處理呢?

 

那麼我們如何克服這些挑戰?當兩個世界相隔甚遠時，唯一的解決辦法就是讓這兩個世界相互靠近。

 

機器學習變得越來越簡單，而且這一趨勢還會繼續。在“學會學習”模型領域，機器學習技術取得了一些非凡的進步 – 開發出可以探索不同空間和不同型別模型的演算法。阿爾法狗(AlphaGo)使用了其中的一些技術來贏得人機圍棋對抗的比賽。這些機器學習的簡單化不僅會鼓勵更多人去構建機器學習模型(幫助解決關鍵技能問題)，還會催生出更容易使用的模型。

 

但是構建應用程式的範例和應用程式程式設計人員都需要更加以資料為導向，並且要更注重結果。他們不需要遵循規則進行程式設計，而是要通過預測進行程式設計。他們需要更多以API驅動來訪問其控制範圍之外的系統(無論是從第三方獲取天氣資訊，還是從企業內部其他團隊設計的模型所得的預測結果)。他們需要一些有關機器學習的核心教育，以作為從事應用程式設計師工作的先決條件。

 

在未來五年，機器學習可能會起到越來越大的作用。但最重要的衡量標準將是機器學習對改善結果所產生的影響。

 

要做到這一點，應用程式必須吸收機器學習技術。為了實現這一點，機器學習和應用程式之間的缺口必須縮小。更新的機器學習技術、更好的程式設計技術和更多以資料驅動的技能應該會有所作為，而更好的工具將結果與核心模型相關聯也會有所作為。

 

隨著這些方面都協調一致後，擁有機器智慧成果的未來將是非常光明的。

 

版權宣告：本文為企業網D1Net編譯，轉載需註明出處為：企業網D1Net，如果不註明出處，企業網D1Net將保留追究其法律責任的權利。

(來源：企業網D1Net）

人工智慧賽博物理作業系統

AI-CPS OS

“人工智慧賽博物理作業系統”（新一代技術+商業作業系統“AI-CPS OS”：雲端計算+大資料+物聯網+區塊鏈+人工智慧）分支用來的今天，企業領導者必須瞭解如何將“技術”全面滲入整個公司、產品等“商業”場景中，利用AI-CPS OS形成數字化+智慧化力量，實現行業的重新佈局、企業的重新構建和自我的煥然新生。

AI-CPS OS的真正價值並不來自構成技術或功能，而是要以一種傳遞獨特競爭優勢的方式將自動化+資訊化、智造+產品+服務和資料+分析一體化，這種整合方式能夠釋放新的業務和運營模式。如果不能實現跨功能的更大規模融合，沒有顛覆現狀的意願，這些將不可能實現。

領導者無法依靠某種單一戰略方法來應對多維度的數字化變革。面對新一代技術+商業作業系統AI-CPS OS顛覆性的數字化+智慧化力量，領導者必須在行業、企業與個人這三個層面都保持領先地位：

1. 重新行業佈局：你的世界觀要怎樣改變才算足夠？你必須對行業典範進行怎樣的反思？

2. 重新構建企業：你的企業需要做出什麼樣的變化？你準備如何重新定義你的公司？

3. 重新打造自己：你需要成為怎樣的人？要重塑自己並在數字化+智慧化時代保有領先地位，你必須如何去做？

AI-CPS OS是數字化智慧化創新平臺，設計思路是將大資料、物聯網、區塊鏈和人工智慧等無縫整合在雲端，可以幫助企業將創新成果融入自身業務體系，實現各個前沿技術在雲端的優勢協同。AI-CPS OS形成的數字化+智慧化力量與行業、企業及個人三個層面的交叉，形成了領導力模式，使數字化融入到領導者所在企業與領導方式的核心位置：

1. 精細：這種力量能夠使人在更加真實、細緻的層面觀察與感知現實世界和數字化世界正在發生的一切，進而理解和更加精細地進行產品個性化控制、微觀業務場景事件和結果控制。

2. 智慧：模型隨著時間（資料）的變化而變化，整個系統就具備了智慧（自學習）的能力。

3. 高效：企業需要建立實時或者準實時的資料採集傳輸、模型預測和響應決策能力，這樣智慧就從批量性、階段性的行為變成一個可以實時觸達的行為。

4. 不確定性：數字化變更顛覆和改變了領導者曾經仰仗的思維方式、結構和實踐經驗，其結果就是形成了複合不確定性這種顛覆性力量。主要的不確定性蘊含於三個領域：技術、文化、制度。

5. 邊界模糊：數字世界與現實世界的不斷融合成CPS不僅讓人們所知行業的核心產品、經濟學定理和可能性都產生了變化，還模糊了不同行業間的界限。這種效應正在向生態系統、企業、客戶、產品快速蔓延。

AI-CPS OS形成的數字化+智慧化力量通過三個方式激發經濟增長：

1. 創造虛擬勞動力，承擔需要適應性和敏捷性的複雜任務，即“智慧自動化”，以區別於傳統的自動化解決方案；

2. 對現有勞動力和實物資產進行有利的補充和提升，提高資本效率；

3. 人工智慧的普及，將推動多行業的相關創新，開闢嶄新的經濟增長空間。

給決策制定者和商業領袖的建議：

1. 超越自動化，開啟新創新模式：利用具有自主學習和自我控制能力的動態機器智慧，為企業創造新商機；

2. 迎接新一代資訊科技，迎接人工智慧：無縫整合人類智慧與機器智慧，重新

   評估未來的知識和技能型別；

3. 制定道德規範：切實為人工智慧生態系統制定道德準則，並在智慧機器的開

   發過程中確定更加明晰的標準和最佳實踐；

4. 重視再分配效應：對人工智慧可能帶來的衝擊做好準備，制定戰略幫助面臨

   較高失業風險的人群；

5. 開發數字化+智慧化企業所需新能力：員工團隊需要積極掌握判斷、溝通及想象力和創造力等人類所特有的重要能力。對於中國企業來說，創造兼具包容性和多樣性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。”  《論語·子路》雲端計算、大資料、物聯網、區塊鏈和 人工智慧，像君子一般融合，一起體現科技就是生產力。

如果說上一次哥倫布地理大發現，擴充的是人類的物理空間。那麼這一次地理大發現，擴充的就是人們的數字空間。在數學空間，建立新的商業文明，從而發現新的創富模式，為人類社會帶來新的財富空間。雲端計算，大資料、物聯網和區塊鏈，是進入這個數字空間的船，而人工智慧就是那船上的帆，哥倫布之帆！

新一代技術+商業的人工智慧賽博物理作業系統AI-CPS OS作為新一輪產業變革的核心驅動力，將進一步釋放歷次科技革命和產業變革積蓄的巨大能量，並創造新的強大引擎。重構生產、分配、交換、消費等經濟活動各環節，形成從巨集觀到微觀各領域的智慧化新需求，催生新技術、新產品、新產業、新業態、新模式。引發經濟結構重大變革，深刻改變人類生產生活方式和思維模式，實現社會生產力的整體躍升。

---

產業智慧官  AI-CPS

用“人工智慧賽博物理作業系統”（新一代技術+商業作業系統“AI-CPS OS”：雲端計算+大資料+物聯網+區塊鏈+人工智慧），在場景中構建狀態感知-實時分析-自主決策-精準執行-學習提升的認知計算和機器智慧；實現產業轉型升級、DT驅動業務、價值創新創造的產業互聯生態鏈。

長按上方二維碼關注微信公眾號： AI-CPS，更多資訊回覆：

新技術：“雲端計算”、“大資料”、“物聯網”、“區塊鏈”、“人工智慧”；新產業：“智慧製造”、“智慧金融”、“智慧零售”、“智慧駕駛”、“智慧城市”；新模式：“財富空間”、“工業網際網路”、“資料科學家”、“賽博物理系統CPS”、“供應鏈金融”。

官方網站：AI-CPS.NET

本文系“產業智慧官”（公眾號ID：AI-CPS）收集整理，轉載請註明出處！

---

---

版權宣告：由產業智慧官（公眾號ID：AI-CPS）推薦的文章，除非確實無法確認，我們都會註明作者和來源。部分文章推送時未能與原作者取得聯絡。若涉及版權問題，煩請原作者聯絡我們，與您共同協商解決。聯絡、投稿郵箱：erp_vip@hotmail.com

---

---