
人工智能时代 云和大数据到底有多重要
第1页:数字经济和工业4.0少不了云助力
60年前的某个夏天,麦卡锡、明斯基等年轻的科学家们举办了一次聚会,共同研究用机器模拟智能的问题,也是在那时,“人工智能(AI)”的理念正式被提出。如今,人工智能已经应用于语音识别、图像处理器、计算机视觉、机器人等多个领域,甚至击败了围棋九段李世石,这种进步是难以置信的。而这一系列成绩的背后,是海量数据的积累与学习,在没有云的时代,是无法想象的。
人工智能时代 云和大数据到底有多重要?
人工智能涉及的领域非常广泛,工业、航天、商业都有应用,并且已经深入人们的生活,打开手机中的Cortana或者Siri,这就是AI的产物。要知道,在几十年前,这种超前的技术是不受认可的,教授相关课程的学校也是寥寥无几。究其原因,主要就是数据的积累和应用。高容量存储设备丰富了数据量的留存,随着数据的不断增加,人们开始在其中发现某种规律,引发了分析的需求。
分析让大量的数据有了价值,机器开始懂得用户想要什么,可以预测未来的天气和球赛的比分,这种人工智能与场景的结合,要实现的就是改变生活方式和解放生产力。具体来说,很多过去只有人能做的事情,现在更多的情况下能够通过机器实现,典型的例子包括语音助手、无人驾驶汽车。更重要的是,当硬件性能逐渐提升、计算资源越来越强大时,成本却越来越低廉。
微软全球执行副总裁陆奇曾指出,如果大数据被充分利用,全球企业将额外获得1.6万亿美元的数字红利。当然,前提是要对海量信息进行分析,无论是深度学习还是神经网络,最终都要转换为产品或服务惠及用户。数字经济、分享经济、工业4.0...背后都少不了大数据和云计算的支持。
不过,要想在人工智能时代分一杯羹,绝非易事。AI的基础是大数据,这些资源通常掌握在巨头手中,这也是为什么你会看到,这个领域的头条总是被微软、谷歌、IBM、苹果、亚马逊、Facebook这些公司抢去。在国内,BAT、京东这样的企业同样拥有足够的用户基础,并且已经开展了应用。
在今年的中国大数据产业峰会上,腾讯公司董事会主席兼CEO马化腾主要就讲了一件事:大数据。通过18年的运营,腾讯数据中心的存储总量超过1000个PB。日常使用方面,用户每天在微信朋友圈和QQ空间上传的图片达到10亿张,腾讯视频(含微信公众号H5视频)每天播放量达20亿次,除夕当天红包支付超过25亿笔,每天移动支付超过5亿笔。围绕这么多的数据资源,腾讯也开发了一系列技术和功能。
第2页:在人工智能领域 腾讯做了哪些事?
海量数据时代,搜索的重要性可想而知。基于在搜索领域多年的技术积累,腾讯云搜TCS通过对腾讯微信、QQ等各大垂直业务搜索需求进行高度抽象,把搜索引擎组件化、平台化、服务化,为移动应用开发者和网站站长提供了一站式搜索服务。云搜TCS支持分词和建立索引功能,搜索封装和技术门槛较低,具有可视化的数据预处理和离线排序定制能力,允许用户自主配置,检索耗时毫秒计算。
腾讯云搜TCS
此外,腾讯云搜还建立了自然语言处理技术团队,整合“文智”NLP开放平台,提供中文分词、智能纠错、同义词识别、意图识别等能力。针对准确性,该服务还支持高级纠错、按域检索、分词定制、智能联想词等功能。开发方面,开发者可以对搜索结果的排序自主灵活控制,云搜还具有文档求交、相关性排序、排序表达式等策略。
搜索到的数据怎么使用,能否安全可靠,所提供的数据服务是否有针对性,是用户关心的问题。为此,腾讯大数据处理套件TBDS提供一键式部署能力,降低了大数据系统部署运维门槛,统一的控制台可以对集群进行配置、启停,通过DashBoard集中监控各组件实时运行指标,还支持多种数据接入以及输出方式,提供统一的数据源以及元数据的管理。
值得一提的是,腾讯还借助QQ、微信等产品建立了10亿级别覆盖度的基础库,对范围内的人群进行统计和分析,能够实现动态跟踪区域内人群流动、评估人流拥挤等级、捕捉开放社交网络的情况、分析目标客户群轨迹,让客户更精准的定位目标人群。这么多的隐私信息,泄露了怎么办?我们了解到,所有通信及数据存放都建立在腾讯云合规独立的机房,以保障用户数据资产安全。
区域人流检测
机器学习是人工智能的核心要素,主要就是研究计算机如何模拟或实现人类的学习行为,以获取新的知识或技能。应用过程中,并行计算可以利用多个处理器解决一个大问题,提升了计算效率,这也是腾讯机智机器学习TML正在做的,其是简化用户对算法的接口调用、可视化、参数调优等自动化任务管理的开放平台。
卷积神经网络实例,卷积层→子抽样层→卷积层→子抽样层之后→全连接后输出
该平台搭载了万兆网卡的大量CPU实体机,集成分类、聚类、搜索/排序、推荐等机器学习和深度学习领域的算法,针对在性能、效果等方面的特殊需求,可以一对一深度定制。功能方面,机智机器学习TML支持LDA(非监督机器学习)技术,可以用来识别大规模文档集或语料库中潜藏的主题信息。通过训练,能够把对文本内容的处理简化为K维向量空间中的向量运算,而向量空间上的相似度可以用来表示文本语义上的相似度。此外,CNN(卷积神经网络)能用来解决图像高层特征提取、分类、识别等计算机视觉难题,LR(逻辑回归)则具有易训练、易并行、泛化能力强等特性,适用于高维度海量数据的二分类任务。
子抽样层(左图为全连接,右图为局部连接)
每一项技术的最终目标都是惠及大众,人工智能也是如此。要说AI领域最接地气的应用,应该就是图像和语音识别了。先说语音,国内厂商已经可以保证稳定性和准确率,以腾讯为例,通用领域的识别率能达到93.8%,可以做到情绪识别、区分说话人、云存储弹性扩容等功能。不过,要想进入更深层次的语音识别,还要有对情境的理解,这方面有很大的努力空间。至于图像,人脸识别算是最常用的技术之一,腾讯提供了“人脸检测与分析”、“人脸比对”、“人脸验证”、“人脸识别”等一整套技术方案。其中,人脸检测技术准确率和召回率分别超过99%和95%,人脸验证技术准确率为99.65%。
用户洞察分析产品结构
第3页:云和大数据指引人工智能改变未来
无论是搜索、智能识别,还是机器学习,BAT在人工智能领域的覆盖面已经很广,背后的技术实力也与谷歌、微软等逐渐缩小。在数据规模上,国内企业的资源并不输海外,需要加强的就是如何更有效地利用这些数据,从而改善人们的生活。
得益于大数据和云计算的支持,互联网正在向物联网扩展,人工智能则是升级体验、解放生产力的重要手段。迈克尔·戴尔称,今天的处理能力、带宽、存储正以每年10倍的速度成倍增长,未来15年的技术将比现在强大1000倍。
如今,大数据影响着各个行业,创造了巨大的商业价值。通过结合大数据和云计算,人工智能将更好地服务于人们的生活,推动时代进步。这一发展过程中,巨头企业已经开始利用数据规模和技术优势深耕布局,腾讯就是其中之一。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30