摘要：华为云社区邀请AI画廊负责人Yan Bo听他谈论AI画廊的最初意图，经典案例和未来计划。
您是否看到过任何有趣且实用的AI开发案例？
例如，让静态照片中的字符唱歌，并且可以使用动漫角色。例如，通过识别各种类型的野生动物并分析种群结构，然后实施保护；或明智地发现面具的正态性以帮助流行病保护...
这些方案面向的AI案例都可以在华为云AI画廊上找到相应的模型。通过持续培训，您也可以实现它。AI画廊具有丰富且高质量的AI资产，例如算法，模型，数据，笔记本电脑等。开发人员可以直接重复使用这些资产来解决AI应用程序开发的问题。
查看AI应用程序的整个开发过程，从数据收集，标签到算法模型的构建，许多可以在每个链接中重复使用的AI资产，AI画廊的目的是全面发挥这些资产的有效性并提高AI开发效率。
那么，如何收集这些AI资产以及如何最大化资产以帮助开发人员进行有效的AI开发？
华为云社区邀请AI画廊的负责人Yan博士听他谈论AI画廊的最初意图，经典案例和未来计划。
人工智能是人类不断探索和发展的领域。因为没有提前的定义阶段，所以很难回答我们目前处于哪个阶段。但是，有一个非常明显的看法，即与10年前相比，人工智能的发展已经取得了重大进展，并且有很多数量应用程序正在增加。
这个机会是由2012年深度学习代表的类算法的突破。在此之前，每个人都更加关注该算法。每个人都在使用减少数据和一些分类器解决方案来进行机器学习相关的AI开发，并且训练的数据量也很少。
在2012年机会点，随着计算能力的祝福，通过算法和大量数据迭代，我们看到AI开发模型的准确性提高了数量级。随着这种范围的改善，它可以应用AI更多行业和领域的技术以提高生产率。
但是，在人工智能的这个阶段，作为人类，您可以通过少量数据获得逻辑扣除能力。本质上，它仍然可以通过大量数据进行适应和迭代，以便它可以“记住”要执行一些推理的数据，但没有逻辑扣除功能。但是，与过去10年相比，AI的最终准确性得到了提高，并且其应用领域也得到了进一步扩展。
期待未来，我们将在计算能力方面取得进一步的突破。再加上整个算法和数据的祝福，我们最终可以训练更准确性，甚至可以获得像人类这样的逻辑演绎能力的AI。
通常，有三个过程。
第一个链接是数据准备。需要收集数据，清理数据并需要收集转换工作。每个链接都有其自身的挑战。举例说明，在收集阶段，将有政策和法律限制，数据岛是此外，必须有效地标记数据，这需要大量的人力才能完成，并且经济成本很高。
第二阶段是建模。基于准备好的数据，选择正确的算法并开发相关模型。请考虑训练有素的模型的应用程序方案。例如，是移动终端或云服务器上的AI应用程序。因此，AI开发的建模过程应全面了解AI应用程序的场景，然后选择适当的算法过程架构。准确性或推理速度。我们需要考虑全面考虑，因此挑战相对较高。
第三阶段是基于模型的特定AI应用程序的开发。它专注于特定的应用程序方案，并与某些IT系统，软件，UI互动等的开发合作。例如，算法工程师负责建模开发，在应用程序开发阶段，它可以由应用程序工程师，由应用程序工程师承担。作为应用程序开发工程师，它已收到已开发的模型，但是该模型推理的延迟和准确性可能无法达到理想状态。这次，有必要通过压缩和蒸馏技术。如果准确性不可用，则必须考虑该应用程序是否可以通过一些巧妙的设计来避免这些问题。
现在，许多开发过程基于平台。AI开发的每个阶段都会生成一些数字资产：算法，模型，数据集，并且可能具有一些处理功能，方法等。我们希望有一个可以促进这些东西并积累的地方，以便于重复使用。随后的开发人员，这也是我们设计AI画廊的最初意图。
当越来越多的开发人员在各种情况下共享AI资产时，AI画廊可以包括整个场景各种准确性的实验。目前，其他开发人员还可以根据最终开发方案直接使用这些资产。
例如，AI开发的三个阶段可能涉及不同的角色。如果应用程序工程师想干预AI开发，但是如果相应的数据和算法工程师会做什么？AI画廊中有培训模型，并且应用工程师可以使用它。从这个角度来看，它可以改善整体发展效率。
如果选择它，则通常基于其行业和现场场景。看看是否有任何适当的数据，这与现场和行业有关。在目前，我们提供数据共享的机制。许多开发人员共享了开源标准方案的数据集，以供所有人快速验证他们在ModelRT上的想法。
就算法而言，开发人员的首次考虑是算法生成的模型是否是他们想要的，以及在培训期间算法的输入数据格式，培训所需的费用，操作算法的环境等等。
就模型而言，有必要澄清应用程序开发是在云，边缘侧还是端侧部署的，这对于最终应用程序方案很重要。第二个是推理的延迟。例如，医疗方案的数据将非常大。它的推理是异步的，但是有些场景需要真实的时间推理，这可能对推理响应有很高的要求。在本文上，准确性是评估应用程序方案对准确性的敏感性。
总而言之，在AI开发的每个阶段，都需要考虑许多指标和大纲。我们要做的是准确地概述和指标，这些指标和指标可以填补这些发布AI资产的指标，并且很方便，并且很方便那些使用它浏览，筛选和检索的人，并迅速找到他想要的东西。
对于Yolo和Resnet50等视野中的一些经典算法，该官员进行了很多适应，但是这些算法并未真正引入该领域和行业。一些内部项目。例如，水表读数，头盔检测等。这些情况可能使用相同的特定算法，但它们适用于不同的领域和行业场景。
后来，我们将让我们的合作伙伴，老师和开发人员一起分享其案件。这样，其他开发人员也可以快速重现这些案例，并加速整个末端 - 端开发。
在这里，我还建议在AI画廊上一些经典案例：
帽子检测，水表阅读识别，建筑工地场景的钢库存，使用PPO算法玩超级马里奥兄弟，并与中国国际象棋AI进行比赛。
像工业头盔检测和水表读数一样，它基于华为在行业中项目的某些情况。这些情况下产生的模型可以满足工业级别的要求，并且可以直接部署。唯一的区别是数据。目前，我们仅提供示例数据。如果您可以收集更多更好的数据，那么训练有素的模型精度将非常好。
对于ISV合作伙伴来说，AI画廊已经通过华为云市场开业，因此他们可以进入云市场，出售商业资产模型并直接获得商业福利。
对于开发人员而言，更新的个人成就和荣誉改进。我们还积极介绍个人开发人员计划，以允许普通的个人开发人员参与整个项目，并真正输入实际的战斗链接。我们可以获得实际的锻炼和经济回报。
首先是资产和案例的积累。在目前，许多开发人员在AI画廊上贡献了主流开源数据集。其他人可以在验证算法和模型术语中直接使用它，官员还准备了许多常用的算法。
第二个是共享机制。开发人员可以将算法和模型分享到AI画廊，然后我们试图采用一些激励机制，使他们更有动力分享。
第三个是针对末日的案例现场，我们上网了。尽管目前没有很多案件，但华为官员和ISV，合作伙伴和个人开发人员已将项目案件连续出版，以开发和交付。项目，使开发人员能够通过学习这些案例来加速应用程序开发过程。
第一个方向是加速行业和企业的AI应用程序的实施。首先是通过资产降水提高AI开发的效率。第二，我们正在执行项目需求方块和开发人员的认证机制。通过减少开发链接的链接，更多的开发商和合作伙伴通过AI画廊开发和交付AI项目，以帮助行业和企业解决问题。
另一个方向主要用于学习和教育。现在，我们根据大量的计算能力和数据进行迭代培训和开发，但是许多大学的硬件可能无法跟上，我们需要在云上进行教学实践。因此，对于教育行业和个人开发人员的场景，我们还打算做一些事情，包括教学课程，论文解释等。
最后，我们希望打开这两条线，以提供一种用于教学，培训和学习的解决方案，同时也允许开发人员通过真实的交付场景来练习知识。
本文分享了华为云社区。