科技 大数据 人工智能 七言诗
科技 大数据 人工智能 七言诗
1. 大地山河皆我是，人工智力最相宜。三千世界春长在，十二时中日正迟。
2. 世界大地有奇迹，人工智能无穷极。科技发达不可比，天下第一谁敢敌。
3. 中国学术数最多，独领风骚创新局。全球名牌齐赞美，华夏儿女皆欢愉。
4. 谁任神机撼六洲，倾颠物我各春秋。 或零或一讥常数，无距无名愧远谋。
5. 十万人工十万智，毫厘反应不延迟。应激计算如光速，条件传输靠老师。
6. 云山雾海尽妖娆，神树鲜花永不凋。奇瑞风光无四季，智能绘画万千娇。
7.风驰速向百千万，电算盘能一二三。替力公平清夜暗，无私号令碧空蓝。
智能电网大数据
龙源期刊网
智能电网大数据
作者：刘茜
来源：《科学与财富》2017年第32期
摘要：在当前经济的不断发展下，智能电网的建设也得到了进一步的提升，进而开启了电力行业的大数据时代。本文在论述了智能电网大数据处理技术发展现状的基础上，论述了如何提升智能电网大数据的发展。
关键词：智能电网；大数据；措施
引言
近些年来我国经济社会发展速度得到较快的提升，同时城市化的建设也得到了进一步的发展以及推进，同时因为人们用电量的逐渐提升，设备检测以及电网运行等等数据也得到了高速的增长，也可以给电力企业发展带来全新的挑战以及机遇，与此同时也对数据存储以及处理技术提出一定的要求。智能电网大数据处理有着较大的复杂性，并且科技发展的数据处理效率也有了一定程度的提升，但是在这之中还存在着诸多的问题，要求对智能电网大数据处理技术的现状而进行分析，了解其中出现的问题，如此才可以不断提升其处理效率。要求从存储性以及传输性等等多个角度来探讨其中的机遇。
1、智能电网大数据处理技术的发展现状分析
1.1智能电网中大数据的应用
智能电网主要是通过营销数据、管理数据以及设备检测数据等等部分而构成。首先，电力企业数据管理在全部智能电网数据处理内容中最为重要的内容，然而其内容以及程序上的内容总体而言比较复杂。其次，电力企业营销数据在智能电网数据处理中也是十分重要的内容。所以，目前很多企业都在其中投入了一定的研发资金。人们通常将智能电网数据大数据处理划分为了结构以及非结构数据。在智能电网建设以及互联网技术的应用，而非结构化数据则表现出了高速提升的趋势，同时数量也在一定程度上高出了结构化数据。电力大数据的特征可以满足大数据的特征；处理速度快、价值大、数据量大以及数据类型比较多等等内容。第一部分是结构化数据是目前电力系统最为重要的数据形式，同时也是关系数据库中的相关数据。第二部分是非结构化的数据，同时也可以通过数据库二维逻辑而表现的数据。同时也是人们对于非结构化的数据处理逐渐重视最为重要的原因。
大数据与人工智能
龙源期刊网
大数据与人工智能
作者：马维英
来源：《数字商业时代》2014年第01期
大数据不是一个单一的现象，在过去5～10年，借着越来越强大的计算能力，加上知识挖掘等算法上的突飞猛进，我们可以构建更大的模型。
我们都知道，其实很多的人工智能、机器智能，或者驱动一个数字世界的自动化，都需要模型。在过去的很长一段时间内，这些模型因为数据的不足，通常只能做一些小的模型或者浅的模型，但特别在过去的两三年里，在机器学习领域有了突飞猛进的发展，可以构建更大、更深度的模型。
另外是知识挖掘，知识挖掘是怎样在互联网上大规模进行的？在这些结构化、半结构化的数据中构建人类最完整的知识表达，一旦我们掌握了这样的表达，我们就可以对很多的数据做更深度的理解。
软件产业新时代
微软为什么看重大数据？微软是从一家软件企业开始的，在30年前，微软就知道软件会改变全世界，软件几乎可以做所有的事情。但今天，软件的时代已经不一样了。过去是程序员写，接下来的软件是靠数据，靠机器学习，自动写出软件。这意味着什么？当你拥有更大的数据的时候，软件就更强大，软件的性能就更好。大数据加上机器学习，这代表了软件产业一个新时代来临：不再是人写软件，是数据加算法，在数字化之后，以计算机驱动，用光速来推进我们人类社会的方方面面。因为都是靠数据和算法，我们能够产生一个非常大的一个信息量，所以我们看重下一代所有的应用和服务。
今天，为什么各个大公司都在不断地在人才、技术方面大量投入？就是因为我们已经在过去的几年不断地对这些数据进行加工，我们已经越来越接近从数据到信息，到知识到科技。 龙源期刊网
语音识别过去十几年一直没有突破，但就在这两年实现了很大进展。其中重要原因就是因为有一种新的机器学习，可以从数据里面学表达方式，做很多模式识别。大家知道做影像、语音等最难的是怎么找出特征向量表示数据，过去的二三十年的研究都在研究怎么找特征，大数据来到的时候我们发现，特征也可以直接从数据去学。而且在这个过程中我们发现一个非常有趣的现象，就是越大的数据表达方式越好。因为数据大，信息就增加，所以技术上的突破就是计算能力和数据大了，而且自动学出来的发现比过去人设计的特征向量更好。
人工智能与大数据
Artificial intelligence人工智能
46人工智能与大数据 文｜志刚
人工智能和大数据的本质都是计算，那么两者之间又有着
哪些千丝万缕的联系呢？随着大数据产业的不断发展，依
托算法的不断增强，人工智能应用已
在很多领域萌芽、成熟。那么大数据
与人工智能之间到底有什么区别？又
有什么相似之处？
奶粉与婴儿
如果我们把人工智能看成一个嗷
嗷待哺拥有无限潜力的婴儿，某一领域专业的海量的深度的数据就是喂养2018年 第6期
47这个天才的奶粉。奶粉的数量决定了
婴儿是否能长大，而奶粉的质量则决
定了婴儿后续的智力发育水平。
其实，早在1956年斯坦福大学
计算机科学家约翰·麦卡锡就在达特
茅斯会议上首次提出“人工智能”概
念，这60余年中，麻省理工学院人工
智能实验室、斯坦福人工智能实验室
等科研机构也也一直致力于人工智能
的研究与开发，但是直到近10年，随着大数据的快速发展，人工智能才有
了跳跃式的更新换代而受到社会的广
泛关注。
当然，并不是只要吃奶粉孩子
就能健康的成长，还需要按时按需的
补充，同时，孩子自身要具有良好的
消化系统，所以大数据需要加上很好
的算法和计算力，才能产生智能。同
样，早在20年前IBM公司就提出了智
慧地球的理念，然而在过去的很多年内，只是实现了数字化，迟迟未能实现
智慧化。如今，人工智能可以落地，是
随着智能手机的出现，让数据量每年以
翻番的速度增长，为推动算法的精进和
人工智能的研究提供了源泉。
在人工智能的发展中，高质量的
数据越多，算法越精炼，才能令三者
的发展形成相互推动的良性循环。
数据是基础，人工智能是实践
现在，我们又返回来看看大数据
的定义，“大数据，指无法在一定时
间范围内用常规软件工具进行捕捉、
管理和处理的数据集合，是需要新处
理模式才能具有更强的决策力、洞察
发现力和流程优化能力的海量、高增
长率和多样化的信息资产。”也就是
说，大数据指的是大量数据采集—处
理—存储的过程。那么，这种行为有
什么意义呢？因此，我们要将这些海
大数据智能计算
Megatrends大趋势16
过去的“信息社会”建设主要解决四个方面问题：数据采集、数据存储、信息传输、信息计算。数据采集、存储、传输和计算能力的飞跃，使信息社会到达“高级发展阶段”，将来引领我们进入智能的时代。未来应该对世界的数据感知进行研究，达到信息知识和决策行动对整个闭环自然、社会的控制管理与互动，这就离不开数据的智能计算处理。现在的数据空间不仅是对现实物理社会空间的映射，它是相对独立的，数据之间可以相互作用的存在。网络空间里的信息和现实社会也可以相互作用，所以社会生产、生活、管理各个方面都要发生变化。网络空间和现实社会紧密联系、相互作用，人的行为模式也已经发生了变化，生产、生活各个方面也有一些变化。智能时代的到来，是由大数据和深度学习共同推动，人工智能从1956年提出，到现在已经有60多年。人工智能发展要和实体经济深度融合，在现有产业基础上来做。而且每一个企业或地区，要实事求是、因地制宜，而且要有持之以恒的态度，这样，人工智能才能真正引领社会变革。只要是在封闭环境里特定环境下的特定任务，无论什么任务，无论多么复杂，最终可以有一个系统来解决，最终都是机器战胜人类。但是创造性的工作，机器还是做不到的。人和机器系统融合的混合智能系统，是未来发展的方向。人工智能已经在各个行业里起到了很多作用，各个国家也都在做。未来，是一个智能时代，人工智能技术影响着各个行业领域，各个行业领域不是独立的，行业领域之间可以交叉融合，整个产业链上下游之间相互影响。从小数据的分析到数据挖掘到海量数据挖掘，再到现在的大数据挖掘，我们一直在探索怎么样利用数据里所隐含的有用信息，解决问题。当然，数据挖掘过程中需要处理数据的分布、体量、维度、数据的不确定以及对于同样的数据，人本身的认知不同等问题。用计算机系统处理数据最终的目的是要完成人的自我认知，用计算机系统计算，解决对问题的认知，然后解决问题。人类认知具有大范围优先习惯，先看到大，再看到中间的细节。这是普遍存在的。计算机数据处理是从细到粗，多粒度大数据智能计算可以用一个数学模型来做，就是我们讲的粒度问题。我们把物品分类，不同的分类反映不同的粒度；在云模型上，把人的认知行为和计算机的数据处理行为连接起来，做人和机器协同的计算模型，做一个粒认知计算模型。在各种行业里，我们自然地把这样一个模型概念用进去，把企业的管理做成一个多粒度的模型，做粒度的智能决策。深度学习也是推动人工智能发展的重要方面，深度学习最近这十年起到了很好的结果，一些深度学习思想可以用到系统里面。我们在尝试以大数据的智能分析来解决各个行业领域里面问题，我们团队也正在做脑大数据、流程工业、电信、虚拟现实、生态环境、医疗健康，政务方面智能分析工作。（作者为中国人工智能学会副理事长）大数据智能计算
大数据与人工智能的关系
大数据与人工智能的关系
大数据与人工智能有什么关系呢？AI本身就是一种大数据的应用，特别是在对于AI系统进行训练的时候，使用的数据越多，AI系统就越先进。也就是说对于人工智能系统进行训练使用的数据量越大，数据质量越好，人工智能系统的质量就越高，从这个意义上来说AI本身也是一种大数据应用。
人工智能
机器学习
深度学习
大数据平台
机器学习是人工智能的子集,深度学习是机器学习的子集，但是深度学习的影响是最大的，比如图像识别、语音识别、语义识别。
常用框架：
1． Scikit-Learn: 基于 Python 语言的机器学习工具, 该算法库显得较为保守。这主要体现在两个方面：一是Scikit-learn从来不做除机器学习领域之外的其他扩展，二是Scikit-learn从来不采用未经广泛验证的算法。
2． Tensorflow: 适合所有人的开放源代码机器学习框架。 是一个开放源代码软件库，用于进行高性能数值计算。借助其灵活的架构，可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备上（桌面设备、服务器集群、移动设备、边缘设备等）。可为机器学习和深度学习提供强力支持，并且其灵活的数值计算核心广泛应用于许多其他科学领域。
3． Caffe（Convolutional Architecture for Fast Feature Embedding）：是一种常用的深度学习框架，主要应用在视频、图像处理方面的应用上。既可以在CPU上运行也可
以在GPU上运行，并提供了一个完整的工具包，用来训练、测试、微调和部署模型。
4． CNTK：Microsoft 计算网络工具包 (CNTK) 是一个非常强大的命令行系统，可以创建神经网络预测系统。其真正用途在于与深度神经网络（具有两个或多个隐藏层，且节点之间可能存在复杂连接的网络）协同工作。
5． Keras：是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK,
从大数据到人工智能
从大数据到人工智能
从大数据到人工智能 2016年从AlphaGo在围棋领域战胜人类选手后，开启人工智能的新纪元，人们对于人工智能的探讨还是基于概念的探讨和前景的展望上，2017年则是人工智能如何落地的关键一年。从政府到企业，从分析机构到业界专家，几乎所有的企业和个人都将目光锁定到了人工智能上。从广义上讲，人工智能的应用已经非常广泛，各大新闻客户端会根据你的阅读兴趣推送相关新闻、各大电商平台会根据你的购买习惯推送相关商品、几乎所有你浏览的网页所呈现的广告都与你的历史搜索相关……这些都可以称得上是人工智能。而且，与过去60年人工智能的发展主要集中在实验室里不同，新一轮的人工智能已经在诸多应用场景中发挥威力，应该说，新一轮的人工智能浪潮才刚刚开始。从云计算到大数据，人工智能已经具备了相对坚实的基础。其中，大数据称得上是人工智能赖以开展的生产资料，而云计算则是人工智能发展的生产工具。不过，从当下人工智能的发展现状看，大部分的人工智能还停留在大数据分析阶段，距离真正的人工智能还有一定的距离。如果说60年前人工智能概念的提出，多少有些科幻的成份，那么，今天人工智能概念的再次火热却带有强烈的现实意义。与以往人工智能凭借强大的算法(穷举)战胜人类不同，在围棋领域，人工智能展现出了机器学习的能力。几乎所有的IT互联网企业，以及那些还在推动互联网+、数字化转型的传统企业，也开始寻求借助人工智能实现自身的转型升级，以人工智能为代表的新技术正在成为新的生产力。人工智能领域蕴含着极大的机会，也对传统产业带来的冲击。但如何推动人工智能的落地，将这些设想变成现实依旧是一个难题。在这一过程中，云计算、大数据这两大技术正在人工智能的发展过程中扮演越来越重要的角色。云计算提供计算能力，起到了生产工具的角色;大数据提供数据基础，起到了生产资料的角色。从技术发展的逻辑讲，人工智能从云计算、大数据的角度切入，再合适不过;但从应用角度讲，如何通过云计算、大数据的应用，实现人工智能，仍旧还需要很长的路要走。应该说，人工智能与以往的技术概念炒作路线完全一致，也在经历从过度神化走向落地。而从行业应用的角度讲，那些天生对计算能力和数据要求较高的行业正在开启人工智能应用的大门。正如高通全球副总裁、创投董事总经理沈劲所说，人工智能已经进入下半场，下半场意味着其发展速度会比我们想象地快的多，人工智能已经能够迅速变革各个行业。这缘于人工智能所拥有的三大推动力：数据、网络、计算能力，它们各自都在以指数级的速度发展。而高盛首席经济学家JanHatzius也表示，未来人工智能技术将会全面驱动生产力的提高，如同电力对各行各业的影响，人工智能将会进入到农业、金融、医疗、零售、能源等诸多行业中，机会巨大。从大数据到机器学习 人工智能发展渐入佳境尽管人工智能的新时代已经开启，但目前人工智能的发展和运用，还主要集中在大数据技术层面：通过对海量数据的分析，得出相应的数据规律，从而指导人们根据数据分析结果进行决策的优化，释放数据价值。正如创新工场CEO李开复曾讲到的那样，人工智能最初被使用到的场景就是大数据积累得比较好的场景。因此，很多从事大数据分析的企业开始给自己贴上人工智能的标签，严格来说，这样做不免有蹭热点的嫌疑，却也合乎逻辑。如果把新一轮的人工智能发展重新界定，大数据技术的深入应用可以算作是人工智能的1.0时代。基于对数据的分析、洞察数据的秘密，这里的主体依然是人，而并非机器。但机器学习、深度学习的出现，则让主体逐渐变成了机器，开始体现人工智能的真正意义。从人对数据分析到机器通过数据来学习，这样一个变迁的意义可谓深远，称得上是人工智能的2.0时代。但从目前人工智能的发展现状看，只有很少的企业能够进阶到以机器学习为代表的人工智能2.0阶段。与大数据分析相比，机器学习的出现，则是在大数据分析的基础上，对算法不断优化，让机器能够借助这些算法持续提升大数据分析的能力。这里的算法，就像是人类赋予机器的智慧和能力，从“授之以鱼”到“授之以渔”。从技术角度看，云计算、大数据到机器学习，人工智能的发展尽管迅速，但依然处在线性发展阶段。真正高阶的人工智能，则是机器自身具备数据收集、整理、分析的能力，并自主对算法进行调整和优化，自主做出判断和决策。这样的人工智能才称得上是人工智能的3.0时代，也更接近人们理想中的人工智能。而从应用角度看，李开复也给出了自己的判断：未来10~15年人工智能将按照以下三个阶段发展：首先，人工智能会在数据化程度高的行业发生;其次，随着感知、传感器和机器人的发展，人工智能会延展到实体世界;最终人工智能将穿透到个人场景。人工智能下一个突破点：应用场景不管是国际象棋，还是围棋或是德州扑克，人工智能在这类棋牌游戏中能否战胜人类，已经变得没有悬念。如果人工智能只能做到这些，这一新兴技术的魅力就会大打折扣。事实也是如此，如今，人们对这类人机大战开始变得漠不关心，开始期望在几乎所有的工作和生活场景中应用这一新技术，就如同当年计算机、互联网出现之初一样。彼时，计算机的应用让人们进入无纸化的信息时代，而互联网的应用则让人们得以打破信息传输的边界，真正让世界变得更加互联互通。从目前的态势看，人工智能所带来的革命性将远超计算机和互联网，因为它要做的是要代替，或者说部分代替人类的思考。比如，在医疗行业，医生的诊断能力很大程度上取决于这个医生个人的医疗水平、医疗经验。通过对病人各项指标的化验数据，那些经验丰富的医生可以做出更加准确的诊断，而那些年轻医生的准确性则要差很多。相比较而言，人工智能显然更具优势，因为它可以对所有相关病例数据进行分析，从而得出更加接近真相的诊断。医疗显然是人工智能可以发光发亮的热门领域之一。人工智能类似的应用还可以推广到更多的场景中，比如金融、能源、交通，甚至是文艺创作等众多行业。人工智能给人们带来的，不仅是通过数据分析呈现其规律，帮助人们进行决策;而是规避人类被情绪、感情等因素的干扰，帮助人们做出更加合理的决策。不过，相比较人工智能技术的演进，人工智能当下最重要的任务是如何普及到更多的应用场景中，并真正在这些场景中为人们所应用。人工智能需要不断获取新的数据、进行持续且深度的学习，“越用越灵”可以说是人工智能发展的关键。而从目前市场应用的角度看，人工智能还只是在一些特殊的领域和特殊的地方试用而已，远远没有普及开来，也很难真正发挥其作用。从实验室到普及，人工智能显然还有一个相当长的路要走。因此，现阶段人工智能的机会正更多集中在不同的应用场景上，而不只是实验室级别的应用。快速全面建立自己的大数据知识体系？很多人都看过不同类型的书，也接触过很多有关大数据方面的文章，但都是很零散不成系统，对自己也没有起到多大的作用，所以作者第一时间，带大家从整体体系思路上，了解大数据产品设计架构和技术策略。大数据产品，从系统性和体系思路上来做，主要分为五步：? 第一步，针对前端不同渠道进行数据埋点，然后根据不同渠道的采集多维数据，也就是做大数据的? 第二步，基于采集回来的多维度数据，采用ETL对其各类数据进行结构化处理及加载;? 然后第三步，对于ETL处理后的标准化结构数据，建立数据存储管理子系统，归集到底层数据仓库，这一步很关键，基于数据仓库，对其内部数据分解成基础的同类数据集市;? 然后基于归集分解的不同数据集市，利用各类R函数包对其数据集进行数据建模和各类算法设计，里面算法是需要自己设计，个别算法可以用R函数，这个过程产品和运营参与最多;这一步做好了，也是很多公司用户画像系统的底层。? 最后根据建立的各类数据模型及算法，结合前端不同渠道不同业务特征，根据渠道触点自动匹配后端模型自动展现用户个性化产品和服务。建立系统性数据采集指标体系建立数据采集分析指标体系是形成营销数据集市的基础，也是营销数据集市覆盖用户行为数据广度和深度的前提，数据采集分析体系要包含用户全活动行为触点数据，用户结构化相关数据及非结构化相关数据，根据数据分析指标体系才能归类汇总形成筛选用户条件的属性和属性值，也是发现新的营销事件的基础。构建营销数据指标分析模型，完善升级数据指标采集，依托用户全流程行为触点，建立用户行为消费特征和个体属性，从用户行为分析、商业经营数据分析、营销数据分析三个维度，形成用户行为特征分析模型。用户维度数据指标是不同维度分析要素与用户全生命周期轨迹各触点的二维交叉得出。目前做大数据平台的公司，大多数采集的数据指标和输出的可视化报表，都存在几个关键问题：采集的数据都是以渠道、日期、地区统计，无法定位到具体每个用户;计算统计出的数据都是规模数据，针对规模数据进行挖掘分析，无法支持;数据无法支撑系统做用户获客、留存、营销推送使用。所以，要使系统采集的数据指标能够支持平台前端的个性化行为分析，必须围绕用户为主线来进行画像设计，在初期可视化报表成果基础上，将统计出来的不同规模数据，细分定位到每个用户，使每个数据都有一个用户归属。将分散无序的统计数据，在依据用户来衔接起来，在现有产品界面上，每个统计数据都增加一个标签，点击标签，可以展示对应每个用户的行为数据，同时可以链接到其他统计数据页面。由此可以推导出，以用户为主线来建立数据采集指标维度：用户身份信息、用户社会生活信息、用户资产信息、用户行为偏好信息、用户购物偏好、用户价值、用户反馈、用户忠诚度等多个维度，依据建立的采集数据维度，可以细分到数据指标或数据属性项。① 用户身份信息维度性别，年龄，星座，居住城市，活跃区域，证件信息，学历，收入，健康等。② 用户社会生活信息维度行业，职业，是否有孩子，孩子年龄，车辆，住房性质，通信情况，流量使用情况……③ 用户行为偏好信息是否有网购行为，风险敏感度，价格敏感度，品牌敏感度，收益敏感度，产品偏好，渠道偏好……④ 用户购物偏好信息品类偏好，产品偏好，购物频次，浏览偏好，营销广告喜好，购物时间偏好，单次购物最高金额……⑤ 用户反馈信息维度用户参与的活动，参与的讨论，收藏的产品，购买过的商品，推荐过的产品，评论过的产品……基于采集回来的多维度数据，采用ETL对其各类数据进行结构化处理及加载数据补缺：对空数据、缺失数据进行数据补缺操作，无法处理的做标记数据替换：对无效数据进行数据的替换格式规范化：将源数据抽取的数据格式转换成为便于进入仓库处理的目标数据格式主外键约束：通过建立主外键约束，对非法数据进行数据替换或导出到错误文件重新处理数据合并：多用表关联实现(每个字段加索引，保证关联查询的效率)数据拆分：按一定规则进行数据拆分行列互换、排序/修改序号、去除重复记录数据处理层 由 Hadoop集群 组成 , Hadoop集群从数据采集源读取业务数据，通过并行计算完成业务数据的处理逻辑，将数据筛选归并形成目标数据。数据建模、用户画像及特征算法提取与营销相关的客户、产品、服务数据，采用聚类分析和关联分析方法搭建数据模型，通过用户规则属性配置、规则模板配置、用户画像打标签，形成用户数据规则集，利用规则引擎实现营销推送和条件触发的实时营销推送，同步到前端渠道交互平台来执行营销规则，并将营销执行效果信息实时返回到大数据系统。根据前端用户不同个性化行为，自动匹配规则并触发推送内容根据用户全流程活动行为轨迹，分析用户与线上渠道与线下渠道接触的所有行为触点，对营销用户打标签，形成用户行为画像，基于用户画像提炼汇总营销筛选规则属性及属性值，最终形成细分用户群体的条件。每个用户属性对应多个不同属性值，属性值可根据不同活动个性化进行配置，支持用户黑白名单的管理功能。可以预先配置好基于不同用户身份特性的活动规则和模型，当前端用户来触发配置好的营销事件，数据系统根据匹配度最高的原则来实时自动推送营销规则，并通过实时推送功能来配置推送的活动内容、优惠信息和产品信息等，同时汇总前端反馈回的效果数据，对推送规则和内容进行优化调整。大数据系统结合客户营销系统在现有用户画像、用户属性打标签、客户和营销规则配置推送、同类型用户特性归集分库模型基础上，未来将逐步扩展机器深度学习功能，通过系统自动搜
大数据智能应用
龙源期刊网
大数据智能应用
作者：
来源：《软件和集成电路》2017年第07期
大数据技术和应用实际上缺一不可，我希望通过久其软件近几年做的近百个项目，从案例角度来诠释场景为王。
数据的所有者、生产者关心的是数据资产。未来社会数据资产是最重要的资产，比你的固定资产可能更重要。未来关注的是所有权、交易使用权和收益权。真正的核心是话语权，谁掌握数据，就掌握未来整个商业和管理的话语权。所以收益权可能大家也知道关键是未来数据的所有者、使用者和收益者合三为一，这在未来是一个很实在的应用。
大数据的数据、应用场景和技术，我们认为应用场景在这里面显得更迫切一些。对于数据和技术，有一些专业的内容，技术层面从数据的采集、存储、挖掘包括可视化，包括数据的融合、数据的安全，这应该是大数据技术方面在做的。在数据资源方面没有谁能掌握全部的数据。大数据怎么应用，在应用层面来讲我们可能做一个虚拟的大数据值，交换、交易等可能是一种方式，从那个角度来解决数据和技术方面的业务。
应用场景，我们讲政务优先，为什么？在物联网普遍应用之前，我们认为是社会化大数据作为基础的时代，实际上80%的数据掌握在政府手上，这是基本的判断，所以政务大数据一定是优先使用的方式。这种方式下，围绕提高智能便捷、公平可及水平，优化政府服务，大力推行“互联网+政务服务”，让企业和群众更多感受到“放管服”改革成效，着力打通“最后一公里”。
优化政府服务，政府要做什么？第一个，尽职负责、合规。第二个，公平可及有所作为。第三个，智能决策，优化服务。
对于企业来讲，要做的东西可能不太一样。我们讲变革创新，这在“互联网+”的时代应该怎么做？大数据支持IT架构的变革。另外一个是实现企业集团体系的智能化。
从应用场景来讲，政府、企业是有不同的要求和应用的。我们说一些案例，政府和企业和产业到底能做什么。现在大数据可以做什么，已经做了什么。作为一个管理软件公司来讲，我们把大数据的应用分为大民生、大财经、大交通、大司法、数据传播和产业，六个方面去做深度关注。
大数据分析与人工智能
大数据分析与人工智能
大数据与人工智能
我们都知道，其实很多的人工智能、机器智能，或者驱动一个数字世界的自动化，都需要模型。在过去的很长一段时间内，这些模型因为数据的不足，通常只能做一些小的模型或者浅的模型，但特别在过去的两三年里，在机器学习领域有了突飞猛进的发展，可以构建更大、更深度的模型。
另外是知识挖掘，知识挖掘是怎样在互联网上大规模进行的?在这些结构化、半结构化的数据中构建人类最完整的知识表达，一旦我们掌握了这样的表达，我们就可以对很多的数据做更深度的理解。
软件产业新时代
微软为什么看重大数据?微软是从一家软件企业开始的，在30年前，微软就知道软件会改变全世界，软件几乎可以做所有的事情。但今天，软件的时代已经不一样了。过去是程序员写，接下来的软件是靠数据，靠机器学习，自动写出软件。这意味着什么?当你拥有更大的数据的时候，软件就更强大，软件的性能就更好。大数据加上机器学习，这代表了软件产业一个新时代来临：不再是人写软件，是数据加算法，在数字化之后，以计算机驱动，用光速来推进我们人类社会的方方面面。因为都是靠数据和算法，我们能够产生一个非常大的一个信息量，所以我们看重下一代所有的应用和服务。
今天，为什么各个大公司都在不断地在人才、技术方面大量投入?就是因为我们已经在过去的几年不断地对这些数据进行加工，我们已经越来越接近从数据到信息，到知识到科技。
语音识别过去十几年一直没有突破，但就在这两年实现了很大进展。其中重要原因就是因为有一种新的机器学习，可以从数据里面学表达方式，做很多模式识别。大家知道做影像、语音等最难的是怎么找出特征向量表示数据，过去的二三十年的研究都在研究怎么找特征，大数据来到的时候我们发现，特征也可以直接从数据去学。而且在这个过程中我们发现一个非常有趣的现象，就是越大的数据表达方式越好。因为数据大，信息就增加，所以技术上的突破就是计算能力和数据大了，而且自动学出来的发现比过去人设计的特征向量更好。
人工智能论文：机器学习与大数据
《人工智能》课程结课论文
课题：机器学习与大数据
姓名：
学号：
班级：
指导老师：
2015年11月13日机器学习与大数据
摘要
大数据并不仅仅是指海量数据，而更多的是指这些数据都是非结构化的、残
缺的、无法用传统的方法进行处理的数据。大数据时代的来临，随着产业界数据
量的爆炸式增长,大数据概念受到越来越多的关注。然而随着大数据“越来越大”
的发展趋势，我们在分析和处理的过程中感觉到的困难也愈加的多了。这个时候
我们想到了机器学习。机器学习几乎无处不在，即便我们没有专程调用它们，它
们也经常出现在大数据应用之中，大数据环境下机器学习的创新和发展也倍加受
到了关注。
关键词：大数据；机器学习；大数据时代
Machinelearningandbigdata
Abstract
Bigdataisnotonlyreferstothehugeamountsofdata,andtotalkaboutthese
dataarestructured,broken,can'tusethetraditionalmethodofprocessing
ingoftheeraofbigdata,withtheindustrytotheexplosionofdatavolumes,
largedataconceptismoreandmoreattention.However,asthedata,thedevelopment
trendof"growing"intheprocessofanalysisandprocessingwefeelismore
difficult.Thistimewethoughtaboutthemachinelearning.Machinelearningisalmost
everywhere,evenifwedon'thavetocallthemspecially,theyarealsooftenappearin
thebigdataapplications,largedatamachinelearningundertheenvironmentof
让人工智能“大数据+”
龙源期刊网
让人工智能“大数据+”
作者：李开复
来源：《商界评论》2017年第01期
人工智能将是人类有史以来最大的商机，这个时代即将来临，做好大数据智能一体化平台将至关重要。
“大数据”这个词热了10年，“人工智能”也在2016年火了一整年。
我从30年前就开始探索人工智能，但是当时并不具备天时地利人和——机器不够快，大数据中心不存在，数据不够多，算法不够先进……但这30年来，不断有科学家发明新的技术，从最近四五年开始，人工智能技术在很多独特领域已经远超人类。
如何用一个更通俗的方法解释什么是人工智能？你可以假想一台机器是刚出生的小宝宝，人类的小宝宝是用教育、用知识、用书本让他们慢慢成长，而大数据则是人工智能成长的食粮。大量的大数据灌进去，它们成长就比人快。
但是机器一次只能专注某一个领域，你要教它旅游、搜索、识别、听语言、看文字、看人脸，在单一领域它可以做得非常好，但是跨领域做不到。
机器有一个特别大的优势，即“过目不忘”，不仅可以储存大量的数据，而且能够从数据中学会推理。如果它能够看到的数据比人类多一千倍，哪怕人类比它聪明10倍，最后的结果是它还会比人类好100倍。
以无人驾驶为例，一个人即便一天开100公里，一年365天地开，三五十年累积起来可能也就几百万公里的经验。但是今天特斯拉已经积累了20亿公里数据，比一个人一生积累的经验多了1 000倍。从某种程度上来说，即便人类现在比它聪明10倍，它也超过了人类。
大数据正在各个领域帮助人类创造价值。今天人们都在做大数据的人工智能，如百度的一条搜索，今日头条的排序，淘宝推荐的每个产品，滴滴每次对接司机……背后都是人工智能；结合大数据的人工智能，可以广泛应用于传统领域，比如银行、保险、券商、炒股。
人工智能可能以后就能比人做得更好，产生的商业价值不可想象，绝对超过移动互联网，超过人类所有的历史累积。