李开复的《人工智能》读后感1500字

　　李开复的《人工智能》读后感1500字：

　　首先感谢刘莉莉的赠送李开复的《人工智能》书本，谢谢其的信任，正因为如此，及个人的薄稀能力未能读懂书中的全部内容，也无法从书中内容里提炼出对自己的工作价值的赋能关键合作点。特此写一份读后感，以便于自己的总结和深度思考，同时也发到朋友圈分享使得感兴趣的朋友、特别对AI有一定期望的人，可建议其阅读一下。

　　书本总共分为六章，主要涵盖了从身边日常应用的弱人工智能，如头条、客服AI助理、图片人脸视觉识别、电子商务评价信息应用、搜索广告等功能，揭示了人工智能已经是普及的技术应用，且是相对性的成熟。

　　所以我们有必要放下“固有的偏见”，无论是从高纳德(Gartner)的技术成熟度曲线去评估，即在2015年和2016年间，基于AlphaGo事件和AI基金的盈利、提前预知金融危机准确性正式推动了AI从曲线中低谷期进入了攀升阶段；而都应做好准备接受这一现实，并基于AI这个是工具论的方式下，第四章论述了AI即将对社会、组织结构、工作流程的改变和机遇，同时在第五章中预防传统的管理模式和“商业利益出发”，系统数据碎片化、孤岛性下，“也为数据的共享和流转限定了基本的规则和边界”。

　　当然高级AI模式，或许还要攀升阶段中需求几年、甚至一、二十年攀升。正如书中第三章中抽象定义了弱AI、强AI、超级AI三种阶段，质疑AI挑战人类的悲观、乐观论中，明确了计算机在情感跨域推理的缺陷。及第二张的AI定义和第五、六章中讲述了特别成功的场景案例和对个人的教育及发展机会、如何学习。特此总结如下：

　　一、“AI=大数据+深度学习”，其实深度学习是神经网络算法中经典，主要分为"DNN、CNN、RNN、ResNet（深度残差）、LSTM之外，还有很多其他结构的神经网络。如因为在序列信号分析中，如果我能预知未来，对识别一定也是有所帮助的。因此就有了双向RNN、双向LSTM，同时利用历史和未来的信息"。当然不同的深度学习算法是用于不同的领域场景解决范围。如图片、视频和文本、数字。网上一些资料如下：

　　二、基于成熟曲线下拥抱成熟AI开源技术，因自己不是科研类型，固然无需研究AI背后的科学原理，更多应是拥抱AI应用。如开源可直接免费应用于商业的框架：

　　基于以上框架，对当前AI的人力需求则可在几个人下就可完成一个乃至一系列的AI平台快速实现能力。

　　三、“运筹就是AI的灵魂”，对是否能够驾驽AI并结合传统下常规的软件应用，我们应知道AI的灵魂就是运筹，如FaceBook和亚马逊、谷歌等，他们对AI工程师的入门就是面试为一个“动态规划算法”的应用基础。当然很多的运筹就是应用统计学和数学的结合，加上算法编程能力。读后感·而对算法库的支持中最好应该就是R语言、Python,其次就是Java；而且Java在大数据的处理能力中有Hadoop、Spark这样等级的基础，且他们均支持Python,故此到底选择什么框架、什么语言还是要看个人及团队能力。

　　四、需求自我裂变，明白AI的推动应该是在特定场景需求中，通过技术需求和算法自我裂变的过程。

　　其实书中说的裂变，我更多理解成AI在系统中提供的服务能力，是需要不断地迭代和完善、验证。当然书中更多列举了谷歌的搜索语义裂变、电子商务的评价分析中的一个点，不断扩散到翻译、蚂蚁金服的信用审核过程。这些过程不仅仅是技术数据的自我裂变，且这种需求是无法从业务、组织、流程这样的被动式需求规划去实现，而裂变中讲究的是技术自我主动管理的过程。

　　五、AI的应用是在“闭环的生态技术栈启动”，其所依赖的数据仓库资产化的“多维度”下，数据赋能服务能力。

　　数据仓库资产化我是非常的认可，在Togaf技术架构治理中就定义了数据资产化，而对于AI依赖生成体现的数据资产化，如果都不知道什么是数据资产化，更不用说推动AI的应用了。

　　六、各种适合AI场景和机会的总结

　　1、搜索推荐；2、医疗养老；3、自动驾驶；4、智能客服；5、商务评价监控；6、图片视频识别；7：品质抽样检查评估等等。作者：Heavin