AI金融/医疗实战十分钟

人工智能持续驱动金融行业创新

经过多年演进，人工智能(Artificial Intelligence，AI)正进入一个新阶段。越来越多的企业在选择这一给人类经济与社会生活带来颠覆性影响的技术，来开启数字化转型的新篇章。在金融行业，尤为如此。当我们把目光投向金融行业风向标的巨头们，就不难发现，在过去的十余年中，这些行业引领者正将更多资金投入大数据、机器人和云计算服务领域，这些举措也受到投资者的热捧。

下载白皮书

人工智能在医疗健康领域的发展与应用

随着算法的进一步成熟、算力的提高以及数据的持续积累，人工智能(Artificial Intelligence， AI)得到迅猛发展，深度学习成为其代表，并呈现出应用领域日益集中的趋势。作为主要应用领域之一，医疗健康行业对人工智能技术的投资也在快速增长。在中国，政策激励是加速医疗人工智能应用落地的关键因素之一。虽然人工智能在医疗健康领域迅速得以应用，但由于数据、模型等方面的原因，仍然面临诸多挑战。

 

下载白皮书

金融反欺诈解决方案

基于大数据+AI的高效实时金融反欺诈解决方案
传统上，金融企业与机构往往采用基于规则的方式来构建其风控反欺诈模型。但其作为一种反向系统，需要规则库不断通过已有业务案例进行总结。而随着业务场景的增多，交易规则复杂度也不断提升，使风控系统的资源消耗和监控时延持续增加。与基于规则的方法相比，AI反欺诈方案具有更高的客观性及准确性，引人注目之点就是能够实施 “对规则的自我学习”。

 

下载白皮书

医疗行业的图像分割AI推理

随着近年来AI技术的飞速发展，尤其是在图像领域，基于AI技术的图像识别、图像处理应用已经被用在很多场景中，其对各类医学影像的分析已经超过人类的识别能力。与卷积神经网络(Convolutional Neural Network, CNN)类似的模型，是目前基于AI的图像分割技术中常见的网络模型。这其中，全卷积网络(Fully Convolutional Network, FCN)、U-net和V-net 是常见的几种基于深度学习的图像分割方法。

下载白皮书

信贷逾期风险预测解决方案

基于AI的高效信贷逾期风险预测解决方案
基于LSTM和传统机器学习的贷款逾期风险混合预测模型，融合了机器学习和深度学习两类方法的优点，既通过深度学习保障了预测的准确性，又通过机器学习的方法来提供了预测的可解释性; 同时，这一混合模式还可以使用面向英特尔架构优化的TensorFlow和英特尔Python分发包等先进工具和产品来实施优化。因此可以为商业银行等金融机构提供高效的预测服务。

下载白皮书

高效医学影像分析能力

基于云计算和大数据技术的互联互通，不仅让各医疗机构可以规避过度检查、重复治疗等问题，还有力地打破了数据孤岛现象，建立起无边界医疗全连接，提高了医疗服务质量。同时，通过影像数据的积累和分析，也让基于AI的医学影像分析应用日趋走向成熟。现在，基于云技术+AI的医学影像分析已逐渐在各个医疗机构获得部署，并获得良好反馈。

 

下载白皮书

金融行业精准营销策略

一直以来，金融行业都是积极利用AI能力加速业务发展、提升营销效率的典范。首先，金融行业企业往往具备完备的信息化系统，并重视业务数据的采集和积累，由此积累了海量的数据，为AI应用提供了坚实的基础; 其次，银行、保险、证券等金融类业务都是基于数据展开，大量繁琐的数据处理工作，亟需AI来助力提升效率; 另外，深度学习的快速发展，使AI与金融行业的融合有了更多的应用场景。这其中，基于AI的金融行业精准营销策略正受到越来越多的关注。

下载白皮书

AI技术加速病理切片分析


随着基于AI的图像处理与分析技术获得巨大进步，各个医疗机构均不遗余力地开展了基于深度学习或机器学习的病理切片分析方法，并取得了良好的成效。实验表明，医疗机构有可能通过训练一个深度网络模型，使其不仅能够具备专业的检测技术，还能有超快的检测速度和无限的工作时间。

下载白皮书

用AI加速保险行业影像分析

目前，包括人脸检测识别、图像分割等一系列基于影像分析的AI应用，正在保险行业中得到越来越广泛的应用。将AI影像分析应用嵌入到保险业务经营、风险管理、智能客服以及内部控制的全流程，能够有效捕捉风险、优化业务流程，实现保险行业的AI赋能。

 

下载白皮书

AI技术助力药物研发

在传统的HCS图像分析方法中，会将图像数据转换为不同的抽象级别，例如像素亮度(Pixel Intensity)等。在深度神经网络等深度学习方法中，可以通过一个框架来对这些图像数据中的分层抽象进行计算和分析，但这些方法在很大程度依赖手动定义的特征。与之相比，CNN能够自动地从图像中学习和提取特征，因此在对细胞图像的表型预测中具有更好的效率。

下载白皮书

Intel软硬件基础设施介绍

得益于Intel在软硬件基础设施上的长期稳定投资产生的巨大技术进步，基于AI的相关应用正逐步从技术验证成功到相关应用落地，为相关应用企业和单位带来工作流程上的改善和效率上的巨大提升，从而为相关应用企业和单位产生巨大经济效益。这其中，Intel软硬件基础设施的应用是所有一切的基础。

下载白皮书

AI图像识别在医疗行业中的应用

传统上，医疗机构使用条码识别、光学字符识别(Optical Character Recognition， OCR)识别以及软件识别等技术来执行对患者身份、药品发放等工作，随着AI技术的逐步发展，越来越多的医疗机构开始尝试使用机器学习、深度学习等AI方法，来实现患者身份的实时识别，让药品发放更准确，让医疗检查流程实现无缝衔接，进而提升整个系统识别的效率和准确率，增强医疗机构的工作效率。

 

下载白皮书

Intel AI 实践者案例

英特尔®助力南京大学深度森林技术研究及应用

英特尔® 至强® 可扩展处理器平台帮助百度 PaddlePaddle* 平台提升性能

美的人工智能工业视学检测视频

AI规模化落地 Intel至强七重助力

业界对AI大规模落地的需求正当时，但应用落地的背后都离不开稳定、高效的处理器进行支撑。此时，CPU已完成一轮又一轮的全面迭代升级，生态系统不断得到完善。那么基于CPU的优势，如何帮助业界攻克应用难关，助力AI实现规模化应用落地呢？

借此，CSDN技术社区策划了“AI规模化落地 Intel至强的七重助力”的话题讨论。邀请CSDN社区的开发者，就AI应用开发过程中遇到芯片层面的问题，畅谈自己的观点和解决之道。

精彩回复

  • Roselind的小屋：AI是近期才“火”起来的一个应用方向，像Intel等各CPU厂商意识到这将是人类发展的方向，CPU的架构设计将贴近AI的算法特点进行专项研发，这也是单片机发展的原理，专项研发也是降低成本的同时最大化的提升运算能力。
  • 微雨洛辰：个人认为CPU架构的优势：1.CPU相当GPU再投入成本上来说少的多。2.复用现有的CPU资源。3.CPU的更新换代快速，也会越来越适用于规模化的AI应用，适应这个人工智能的时代。4.对于机器学习和深度学习模型训练和推理的学习实践，CPU相对来说使用的人数更多，更能降低学习成本。

【AI规模化落地 英特尔至强的七重助力】

企业AI的规模化应用落地，如何选择AI技术架构和平台？既有平台好还是专用平台好？算法工程师、AI 开发者们百家争鸣，从性能、数据预处理、可扩展性、内存、模型部署、大数据分析、跨平台部署7大维度阐述你应该选择哪一AI落地平台。

精彩回复

  • 噶就是：数据预处理会涉及很多很零碎的事情，比方说校对数据的标注是否符合某种逻辑，在进行这种数据预处理时，写出的代码不一定是执行起来效率最高的，因为有可能这些零碎的校验数据的功能只用一次，而不是在生产上反复使用。这种情况下，要尽快实现许多这种功能，我们一般是用使用起来很方便能够快速实现功能的python语言调用CPU来实现，而且CPU预处理是一个现实状况，因为大多数人这么做，所以有很多现成的包、工具，如果选择在CPU上做就能利用这些现成的东西，做起来更快。
  • nh6fsgiwxbjg_w：在有些CPU具有超线程的能力，如i7，所谓的超线程就是单个CPU单元同时放两个线程，因为是共享的同样的硬件，只是利用一个线程的可能的空闲时间塞进取另外一个线程，所以超线程的效率提升具有不可预测性，最好的清况可能会有25％的提高，但是也可能会使效率降低，比如当两个线程都运行得很流畅的时候，虽然一般的benchmark软件都会显示出超线程的优势，但是它并不能代表一般的算法，另外超线程还有个不足是，对线程的优先级无效，低优先级的也会挤压高优先级的空间，如果自己的软件想要用超线程，最好要自己实际的测试一下，再做决定，总之超线程从CPU的结构上来讲是一种更高层次的优化选择。

【AI规模化落地 英特尔至强的七重助力】

企业AI的规模化应用落地，如何选择AI技术架构和平台？既有平台好还是专用平台好？算法工程师、AI 开发者们百家争鸣，从性能、数据预处理、可扩展性、内存、模型部署、大数据分析、跨平台部署7大维度阐述你应该选择哪一AI落地平台。

精彩回复

  • Roselind的小屋：Intel CPU可以一个物理核分成两个虚拟核，还有并行计算单元，这是单颗CPU的能力，一个节点的CPU数量有限，可以考虑多个节点的并行计算。

【AI规模化落地 英特尔至强的七重助力】

企业AI的规模化应用落地，如何选择AI技术架构和平台？既有平台好还是专用平台好？算法工程师、AI 开发者们百家争鸣，从性能、数据预处理、可扩展性、内存、模型部署、大数据分析、跨平台部署7大维度阐述你应该选择哪一AI落地平台。

精彩回复

  • nh6fsgiwxbjg_w：现代深度学习训练系统通常使用单精度（FP32）格式。在百度和英伟达最近发表的论文中，研究人员试图在降低精度的同时保证模型的准确性。具体来说，研究人员使用 IEEE 半精度格式（FP16）训练了多种神经网络。相对于 FP32 来说，FP16 的动态范围（dynamic range）更窄。为了防止准确度降低，研究人员引入了两种新技术：以 FP32 格式保留原版权重；loss-scaling，将梯度最小化逼近零。使用这些技术，该研究证明了新的方法可以在多种网络架构和应用中训练出准确度和 FP32 格式相同的模型。
  • wblearn：(1)我觉得不管用那种编程语言，都可以用多线程让CPU的利用率最大化，还有设置一些任务量大的线程的优先级等等,当然，抛开软件层面，硬件也有很大的关系，一个intel的芯片可能比另一个牌子的芯片cpu的利用率又不同。(2)可以利用多线程提高效率，也可以利用一些中间件做缓存，然后批处理。架构层面的话，可以采用分布式技术来执行训练任务，同时利用多个工作节点，分布式地、高效地训练出性能优良的神经网络模型。分布式技术是深度学习技术的加速器，能够显著提高深度学习的训练效率、进一步增大其应用范围。

【AI规模化落地 英特尔至强的七重助力】

企业AI的规模化应用落地，如何选择AI技术架构和平台？既有平台好还是专用平台好？算法工程师、AI 开发者们百家争鸣，从性能、数据预处理、可扩展性、内存、模型部署、大数据分析、跨平台部署7大维度阐述你应该选择哪一AI落地平台。

精彩回复

  • ty1mcwl22slm：相比其他架构，在现有CPU架构支持的数据应用基础上构建AI应用，无疑用时更短、风险更低，加之有众多优化库、框架和工具的加持，它在机器学习和深度学习中的性能表现足以满足主流企业用户的期望。

【AI规模化落地 英特尔至强的七重助力】

企业AI的规模化应用落地，如何选择AI技术架构和平台？既有平台好还是专用平台好？算法工程师、AI 开发者们百家争鸣，从性能、数据预处理、可扩展性、内存、模型部署、大数据分析、跨平台部署7大维度阐述你应该选择哪一AI落地平台。

精彩回复

  • 业余草：Hadoop和Spark是目前非常流行的大数据管理和处理框架，想利用数据进行深度学习训练，通常需要把这些数据导出，然后进行处理，这个过程不仅耗时而且投资较大。为了提高处理效率，降低部署的复杂度和成本，算法工程师如何直接在这些大数据平台上进行深度学习训练？最近有大批的文章，宣传说 Hadoop 不行了，主要原因可能是 Hadoop 商业公司 Cloudera 突然暴跌了 40%。但是从 Hadoop 大数据分析市场情况来看，Hadoop 还很健康！Hadoop 和 Spark 两者都是大数据框架，但是各自存在的目的不尽相同。关于数据导出问题，要尽量利用CPU的计算能力，尽量减少数据的导出。利用算法，将数据处理分配到每一个节点上进行。另外，SQL 方面也是一大利用点。SQL on Hadoop，Spark SQL等。

【AI规模化落地 英特尔至强的七重助力】

企业AI的规模化应用落地，如何选择AI技术架构和平台？既有平台好还是专用平台好？算法工程师、AI 开发者们百家争鸣，从性能、数据预处理、可扩展性、内存、模型部署、大数据分析、跨平台部署7大维度阐述你应该选择哪一AI落地平台。

精彩回复

  • 四个房间：2018年，英特尔开源了 Analytics Zoo，构建一个端到端的大数据分析 + AI的平台。今天很多的科学家做了非常多的深度学习、机器学习的有效工作，但是如何将新技术、新创新应用到现实环境中，特别是在一些非常大规模、大数据生产系统中，从软硬件架构上有非常大的一个断层。这就是为什么我们会去开源 Analytics Zoo 平台， 不管是用 TensorFlow 还是用Keras，能将这些不同模块的程序能够无缝运行在端到端流水线上，大大提升开发效率。 并且，Analytics Zoo也兼容 OpenVINO在AI应用上的加速的特性。我们之所以构建Analytics Zoo 这样的统计大数据分析 +AI平台，就是希望能够让用户在现实的生产环境中可以更方便架构深度学习的应用，将各种不同的模块、不同的框架下统一到一个端到端流水线上，大大提高客户开发部署大数据分析和深度学习的能力。
  • 业余草：这是一个复杂的问题。但是，也不是没有办法。比如，我们可以将开发平台和测试平台打通。软硬件环境统一。现实开发中，往往因为环境不统一，造成了很多因为搭建环境等耽误了开发时间。所以，在开发和测试等环境统一方面，其实我们可以节约很多时间。Intel 至强出生自大家都熟知的因特尔，因此在深度学习完整解决方案，缩短开发时间、提高效率方面具有巨大的优势！

【AI规模化落地 英特尔至强的七重助力】

企业AI的规模化应用落地，如何选择AI技术架构和平台？既有平台好还是专用平台好？算法工程师、AI 开发者们百家争鸣，从性能、数据预处理、可扩展性、内存、模型部署、大数据分析、跨平台部署7大维度阐述你应该选择哪一AI落地平台。

Intel AI 实践者之声夏令营

Intel AI 实践者之声夏令营——第四范式
大数据、AI时代，在实现智能化转型的道路上，各行业企业面临着海量数据处理、机器学习和深度学习技术支撑、高昂计算成本以及技术人才紧缺带来的挑战。
企业一直在寻求可以不断提高效率、降低成本的生产线，这就需要开发者不断增长技能，紧跟技术发展，帮助企业解决工程实践中的挑战，从而完成转型之路。为此，英特尔将联合第四范式为广大开发者们准备一场AI技术交流沙龙，帮助开发者们在企业AI转型中掌握核心技能，成为新一代AI架构师。
本次技术沙龙，我们将带领开发者走进第四范式，了解核心 AI 技术，让开发者们掌握最新的技术与工具，更有英特尔技术专家亲自带领现场开发者进行两小时的技术实操，助力开发者炼就硬核技能。干货满满，不容错过！

时间: 2019年8月2日

地址: 第四范式公司

直播回放

Intel AI实践者之声夏令营——南京大学
8月31日，由英特尔发起的 AI实践者之声夏令营来到南京大学，该技术沙龙旨在打破技术理论、产品、场景边界，促进人工智能规模化落地。
众所周知，在实现智能化转型的道路上，各行业企业面临着海量数据处理、机器学习和深度学习技术支撑、高昂计算成本以及技术人才紧缺带来的挑战。企业一直在寻求可以不断提高效率、降低成本的生产线，这就需要开发者不断增长技能，紧跟技术发展，帮助企业解决工程实践中的挑战。
此次AI实践者之声夏令营活动一如既往有重磅演讲嘉宾莅临，分别是南京大学人工智能学院教授俞扬教授、英特尔（中国）人工智能行业客户总监孙宇以及创新工场南京国际人工智能研究院执行院长冯霁。
基于上述讲师丰富的产学研经验，他们将帮助开发者们在企业AI转型中掌握核心技能及工具，解析AI技术实践中遇到的挑战。本次技术沙龙，更有英特尔技术专家亲自带领现场开发者进行两小时的技术实操，从模型训练到部署，助力开发者练就上手硬核技能。干货满满，不容错过！

时间: 2019年8月31日
地址: 南京大学仙林校区

直播回放

Intel AI实践者之声夏令营——平安科技
大数据、AI时代，在实现智能化转型的道路上，各行业企业面临着海量数据处理、机器学习和深度学习技术支撑、高昂计算成本以及技术人才紧缺带来的挑战。
金融行业作为目前AI技术落地最重要的行业之一，一直在寻求可以不断提高效率、降低成本，加强数据隐私保护的生产线，这就需要开发者不断增长技能，紧跟技术发展，帮助企业解决工程实践中的挑战，从而完成转型之路。为此，英特尔将和平安科技为广大开发者们准备一场AI技术交流沙龙，帮助开发者们在企业AI转型中的最新技术，掌握核心技能。
本次技术沙龙，我们将带领开发者了解 AI 技术与区块链技术、联邦学习技术在金融行业的最新应用，让开发者们掌握最新的技术与工具，更有英特尔技术专家亲自带领现场开发者进行两小时的技术实操，助力开发者炼就硬核技能。干货满满，不容错过！

时间: 2019年9月17日
地址: 深圳市南山区科技南十二路20号平安科技一层

直播回放

相关文章