AI落地案例介绍原创

PVP大咖说。大家好啊，我是腾讯TV per.今天很幸为大家来介绍一些A的，有线上也有线下的，然后第二个。跟大家介绍的是里面的瑕疵，然后第三个跟大家说明介绍一下语音语一些。啊，我们可以看到这是一个传统。档案数字化录入的商业情景。它是一个信用卡下的单。事实上，不管线下或线上。都可以的，就。那我们可以看到，在整个过程当中，从商场过来的文档到中心啊，基本上你要给他设定好一个编码的原则。

然后每一个的编码原则下面还会有不同的编码。然后呃，你可以看到红色的这个地方，就是你可以拿来做深度学习，或者是用O来辨，或透过NLP，呃文整个流程动。那我们看一下卷积神经网络啊。那你可以看到这是一个input。就变成这么大一再取一块。又变成一个池子，所以就不断的化，之后再变成磁化，在化，再磁化好。就越到后面就越精准。是一个高层的神经网络的，它的好处是什么？用户界面比较友好，模组化，易扩展，还有与yon作，它等于是在pencil外面再包一层。

那的实。当然你也可以针对这个。格子里面的文字去做图像的辨识也是可以做得到的。那训练数据337，有值147，无值190，测试数据80，有值40，无值40，套用内神经网络与卷积神经网络来做验证。呃，单层经络大概50%的准确率，卷积神经网络大概97.5的准确率。那我们来看一下深度学习的一个项目的演示。这是一个车牌号。可以看到有很多空白的。他再把空白的往右边送。然后不是空白的往左边走。

然后你还可以看到这个下面还有不清楚的，你还可再往下再去做切分，再去分类。那我们再看下一个。这是一个。其中一个模块啊，它是什么呢。他是婚姻状态。未婚，已婚其他。然后再将未婚已婚跟其他的把它框起来。

然后把它当做像去。然后最后可以看到结果就是010。就是就是那个打勾的。接着我们再来看。物件侦测此类的模型由物体的物体定位两个分来组成啊，Fast r cn目标测的4个基本步骤，基本上有4个基本步骤就是候选区域的生成。然后特征的提取、分类、精修。然后统一到一个深度学习的框架内，然后我们举个瑕疵检测的例子，瑕疵是采用人工影像度学习。舌上的一些特征，那做像做这个有医生专门做舌的label的。

一个月2万块的额外收入。另外还有譬如说像农业上面，你也可以用，用来侦测什么有没有非法的作物啊，或者是有没有重东西啊，这个都可以来在像标都可以做，像的上面可以以做用。我们看一下瑕疵检测的流程。基本上会有分几个模块，开发模部署定的。那离线模组是可以自行专属AI模型。那我们可以看到这个是一个瑕疵检测，这是面板啊，可以看到左边跟右边，左边是空白，右边就是。有，有百分比，然后还有4个坐标，这些组成什么？还有这张图，Image.

组成了一个的。所以。自定义是后，然后你的定义有可能是之后。出来。4个。然后最后是什么，然后啊是这个的分数有多少，然后这是多点瑕疵。呃，给大家看一下瑕疵的一个范例。

这是个船还是还是。他启动服务。所以第一张图会特别久。开始了。其他都0.2秒。可以看到右边绿色的那个是已经框起来了，就有没有。多点的时候是传的几率有多高？飞船的几率又有多高？这就是个物件。接着我们再来看一下语，还有啊等等，这像这个的话，在这个模型中所有的都是由共享参数R。

在利用交错的时间中不同的R状来区分说话，所以你可以看到这些的话，基本上你在不同人在讲话时候，它都已经能够你区分出来，基本上你这个这个波段的声文它已经是可以辨识的。那像过去的语义分析，用RN简单来讲一句话做语义的分析，从第一个字开始会产生一个权重传给第二个字啊，第二个字会加权自己跟第一个字的权重，再往后传，一路传下去，因为它是一个传一个，所以无法并行。所以之后呢，后来就推出能够并行的模型self，那self的输入输出跟R一样，都是阵列，在输出的时候就已经看过输入的整个阵列，并且可以平行计算。

因为它是阵列对阵列的输入与输出，所以把图片拿来应用的时候也是可以的，以上谢谢大家，我是腾讯TV。啊。