北极星

搜索历史清空

  • 水处理
您的位置:电力输配电电力通信企业正文

从“阿尔法狗”获胜 看ZNV中兴力维的“大数据”布局之道

2016-03-29 16:19来源:深圳中兴力维技术有限公司作者:刘定洲关键词:中兴力维大数据AlphaGo收藏点赞

投稿

我要投稿

本月,韩国顶级围棋棋手李世石和谷歌机器人AlphaGo(俗名“阿尔法狗”)的五番对弈决战,吸引了全社会的关注。最终李世石1:4不敌阿尔法狗,但本次决战意义重大:一是激起了人类对学习围棋的热情,据闻韩国在一周内有10万人报名学习围棋;二是引发了社会对人工智能攻克“人脑的最后堡垒”的大讨论。

俗话说,内行看门道,外行看热闹。对IT业来说,这其实不算外行,因为阿尔法狗击败李世石的“三板斧”是蒙特卡洛算法、深度神经网络和自我学习,这些都是IT业研究的热点。深圳中兴力维技术有限公司(以下简称ZNV中兴力维)CTO曹友盛博士在赛前预测阿尔法狗会胜出,而ZNV中兴力维的当前发展和未来布局,正是深度机器学习的一步步进阶。

深圳中兴力维技术有限公司首席技术官曹友盛博士

机器学习的三种类型

ZNV中兴力维曹友盛博士接受C114采访时认为,“深度机器学习分三种:督导型、半督导型、非督导型。将海量的棋谱(模型)植入机器,依据模型对弈可以理解为督导型;不断在下棋过程中学习对手的棋路,以及充实提升原有模型库,是半督导型;完全自我学习棋谱,产生新的围棋模型是非督导型。事实上,阿尔法狗并没有很深厚的围棋功底,但是却可以在与李世石的对弈中不断学习和提升棋力,应该属于半督导型,也就是处于不断自我学习和认知转换的演进过程。”曹友盛表示。

回到视频监控领域,监控系统通过海量的感知器不断采集数据,将采集到的数据进行结构处理,并与预先设定的模型进行对比,从而提出告警预警、人脸识别、异常提示,这就是督导型机器学习的应用;而将采集到数据进行非结构化深度学习,预判结构化数据之外可能出现的现象,从而建立起新的结构化数据模型,这一类分析是半督导型机器学习。

如果所有采集到的数据和视频不做结构化处理,让机器运用蒙特卡洛算法、深度神经网络等各种自我深度学习方法,从杂乱无章的数据湖中去发现那些人类还不没有认识到的数据结构,从而建立一个新模型、新的数据结构。这就是大数据机器深度学习所能产生的巨大价值,也是ZNV中兴力维目前致力研发的方向。

根据市场调研机构IDC之前的预测,到2020年全球数据总量将超过40ZB(相当于4万亿GB),其中医疗数据增长99%,政府数据增长94%,公共事业数据增长93%,传媒数据增长97%,这将是海量的数据。“IBM的统计显示我们有80%的大数据是非结化的数据,也就是没有得到完全利用,是人类无法理解的,只有通过机器的深度学习才能挖掘出数据的价值。”曹友盛博士表示。这个过程我们通常称之为认知转换过程,而由认知转换带来的商机,我们称为认知商业。

目前,许多还未被认知的非结构化数据存在浪费问题。曹友盛博士说。“许多行业将海量数据流结构化和提炼存储后,扔掉了大量还未被认知和关联的原始数据。一个真正意义上的大数据机器学习不但要处理结构化的数据,更需要从非结构化数据中发掘出那些还未被结构化的信息,这才是未来大数据发展的关键。”

ZNV中兴力维的今天和明天

审视ZNV中兴力维的历史、现状和未来,曹友盛博士给出了一个公式,昨天:PE=PE,VS=VS;今天:PE+VS+ITSM+FRP=DCIM;明天:DCIM+IoT+DT=PEIM(PE即动力环境监控,VS即视频监控,ITSM=IT系统管理,FRP=基础设施资源管理,DCIM=数据中心基础设施管理,IoT=物联网,DT=数据技术,PEIM=动环及物联网综合管理)。

投稿与新闻线索:陈女士 微信/手机:13693626116 邮箱:chenchen#bjxmail.com(请将#改成@)

特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。

中兴力维查看更多>大数据查看更多>AlphaGo查看更多>