我的位置 首页  >  新闻动态  >  国内新闻

都说AI落地难,从企业与应用看到底难在哪些方面?

来源:科技成果转化中心时间:2018-07-11
      

     “刚刚,安徽信息工程学院大数据与人工智能学院挂牌成立”。从2017年5月,中国科学院大学成立国内首个人工智能技术学院以来,建立人工智能学院已成为高校的一股热潮。仅在今年5月,就有天津大学、南开大学、南京大学、吉林大学四所高校成立了人工智能学院。目前统计来看,国内已经有200多所高校开设或者即将开设人工智能学院或相关专业。

  然而在日前发布的《2018中国人工智能商业落地研究报告》中,显示2017年中国AI创业公司获得的累计融资超过500亿元,但2017年AI商业落地100强创业公司累计产生的收入却不足100亿元,90%以上的AI企业亏损。

    一方面,人工智能教育、投融资高潮迭起,另一方面,AI初创公司商业落地却举步维艰,一上一下两者呈现冰火两重天的格局。目前人工智能产业雷声大、雨点小,AI正遭遇商业落地之痛,似乎已经成为业界人士的共识。

  今年在上海举行的2018全球智能+新商业峰会中,腾讯公司副总裁、AI Lab负责人姚星认为,目前对于实际应用场景来说,人工智能只是辅助手段,而不是决胜力。“人工智能产业缺乏的不是算法,而是如何更好地转化成工程手段。”卡耐基梅隆大学机器学习系副主任、Petuum创始人兼CEO邢波表示。

  在企业层面,AI落地安防主要存在的问题

  虽然安防一直以来都是以人工智能最佳落地点自居,并且行业中已经有众多企业推出了相应产品与解决方案,但从整个行业来看,AI新产品的替换率依然在谋求新的突破,无论是从行业企业发展还是在技术领域都存在着诸多难点需要解决。

  目前来看,实现AI技术在安防领域的落地,谁最先驾驭人工智能的“三驾马车”即精准算法,超强计算能力以及海量数据,谁就最具有先发优势。更为重要的一点是谁能构建起以大数据为基础,以算法为推动力,以智能硬件为依托的结合场景化应用的整体解决方案,谁将最终把握行业应用市场。

  现实情况却是在安防领域参与AI建设的各方均存在明显的优劣势,无法做到一统江湖。

  早在2012年,深度学习被广泛应用之后,部分AI算法企业将视角转向安防领域,并研发出基于人工智能或深度学习的AI安防产 品。从产品线来看,旷视科技、依图科技、云从科技、云天励飞等相继推出了AI安防产品,主要分为人像识别布控系统、视频结构化分 析系统、车辆大数据平台、警务大数据平台、AR实景指挥系统,且都有不同方向小范围的运用。但是在硬件制造、行业积累和渠道拓展方面,算法企业与传统的安防制造企业存在着很大的差距,尤其是在细分领域应用积累,亟需进一步提高。

  在AI变革之下,传统安防企业积极拥抱AI技术,一些大型安防上市企业也提出对应策略,但时间点都集中在2016年北京安博会上,成熟的AI产品的推出则在一年后的深圳安博会上。因此从时间上看,算法积累以及与行业的结合时间还较短。同时根据亿欧相关统计报告来看,传统安防企业AI产品依然局限于人 脸识别、车辆识别的视频监控系统,除了海康威视、大华股份有相应的其他领域拓展,其他企业在应用层面还没有更好的突破,当然这也与所处行业局限性有关。

  处于最底层的安防中小企业既没有资金实力,又缺乏算法领域研发,又没有能力通过与各地公安业务部分建立合作关系获取大数据支撑,唯独有细分领域应用的行业积累,这也是AI时代,安防中小企业亟需解决的难题。

  在技术层面,AI落地安防主要存在的问题

  随着平安城市、智慧城市的推进,摄像头及高清视频的普及,安防行业拥有海量的数据,已经成为人工智能技术天然的训练场和应用场,与此同时,安防对于人工智能的落地应用有着迫切的需求,目前基于安防行业的天然属性-识别、分析、提取,已经基本实现视频监控中人、车、物等各项信息识别、分析

  通过深度学习等人工智能前沿技术,实现对视频中目标检测、目标跟踪、目标分类、目标检索和行为分析。目标分类在目标检测与跟踪之后,捕获到合适目标,可以对它的属性进行分析。

  以监控场景的人体为例,识别行人的生理属性。通过分析行人身体结构,准确识别视频中人物的性别、年龄、姿态等多种生理特征。

  识别行人与车辆,基于深度学习的行人检测算法能够在各类遮挡的情况下精确找出行人位置,并能够进一步分析行人姿态和动作,可应用于交通监控、辅助驾驶、无人驾驶等。可以在行车场景、交通监控场景、卡口场景中检测多种不同角度的车辆,并同时给出车牌号码、汽车品牌、型号、颜色等物理特征。

  另外,实现人群分析。在高密度公共场所,例如地铁,广场,估计人群数量和密度,同时检测人群过密、异常聚集、滞留、逆行、混乱等多种异常现象。

  除了视频内容的分析识别,以大数据为基础的技术则为人工智能提供强大的分布式计算能力和知识库管理能力,是人工智能分析预测、自主完善的重要支撑。其中大规模分布式计算使得人工智能具备强大的计算能力,能同时分析海量的数据,开展特征匹配和模型仿真,并为众多用户提供个性化服务。而数据挖掘则利用机器学习算法自动开展多种分析计算,探究数据资源中的规律和异常点,辅助用户更快、更准地找到有效的资源。

  然而目前来看,人工智能技术在安防行业的应用还只是浅层次的,技术还不成熟。七牛云AI实验室联合创始人林亦宁在「2018中国人工智能安防峰会」曾表示:技术落地过程中,比如说经常会碰到一些问题,当需要把一些传统的老民警的经验转化成算法模型的时候,客户往往会告诉你说这个数据不能出场,只能在场内进行迭代。还有比如它的数据的类型和我们实际上能够接触到的数据类型,或者我们平时积累比较多的数据类型完全不是一类分布的情况下,该如何做好这些事情,这都是很细节的问题,但是实际在操作的过程中都是很重要的问题。

  例如AI在细分领域中环境适应性较差,目前鉴于车辆及道路环境的相对标准化,识别率相对较高,但对于人脸的准确识别则很容易受到光照不足、图像模糊、目标尺寸过小或相互遮挡等环境影响,以致影响到识别准确率;

  另外,数据资源分散,安防领域监控数据的开放性和共享程度相对较低,很难开展多维数据的交叉融合分析,这使得人工智能分析缺乏有效的数据支撑,同样也会影响准确率;同时,不同的场景理解受限,由于缺乏有效的专业领域经验知识的积累,视频内容的理解能力偏弱,目前的智能分析多为单场景的目标检测和行为分析,很少涉及大范围场景的关联行为分析,以致很难用于异常行为分析和风险预测。

       (科技成果转化中心供稿)