返回

2019人工智能标准化与开源研究报告123页

搜索
推荐 最新 热门

2019人工智能标准化与开源研究报告123页

资料简介

第一章 概述 1 1.1 背景及目的 1 1.2 本报告的价值 2 1.3 本报告的脉络梳理与导读 3 第二章 AI 产业现状及开源面临的宏观问题 4 2.1 AI 产业现状及产业链 4 2.1.1 基础层 5 2.1.2 技术层 6 2.…

第一章 概述 1
1.1 背景及目的 1
1.2 本报告的价值 2
1.3 本报告的脉络梳理与导读 3
第二章 AI 产业现状及开源面临的宏观问题 4
2.1 AI 产业现状及产业链 4
2.1.1 基础层 5
2.1.2 技术层 6
2.1.3 行业应用层 7
2.2 AI 开源所存在的问题 9
2.2.1 法律道德问题 9
2.2.2 潜在锁定风险 10
2.2.3 安全问题 10
2.2.4 标准统一问题 10
2.2.5 版本兼容性问题 11
2.2.6 行业问题 11
第三章 AI 开源生态现状 12
3.1 AI 开源全栈(聚焦机器学习及深度学习) 12
3.1.1 芯片使能 13
3.1.2 分布式集群 15
3.1.3 大数据支撑 16
3.1.4 数据管理 17
3.1.5 模型格式 18
3.1.6 深度学习框架 18
3.1.7 机器学习框架 19
3.1.8 知识图谱(知识库) 20
3.1.9 强化学习 20
3.1.10 模型中间表示层 IR 21
3.1.11 端侧推理框架 22
3.1.12 高级 API 23
3.1.13 开放数据集 24
3.1.14 分布式调度 26
3.1.15 可视化工具 27
3.1.16 模型市场 27
3.1.17 应用类项目 28
3.2 开源组织 32
3.2.1 开源中国 32
3.2.2 开源社 33
3.2.3 OpenI 启智开源开放平台 35
3.2.4 Linux 基金会 36
3.2.5 OpenStack 基金会 37
3.2.6 Apache 基金会 38
3.3 组织/机构参与开源的角色及目的 39
第四章 AI 开源技术目前在落地中存在的问题与差距 40
4.1 AI 在应用时的总体工作流 41
4.1.1 概述 41
4.1.2 经过抽象的工作流实现 44
4.1.3 实际应用的 AI 工作流应具备的特点 47
4.2 当前 AI 技术在行业应用中的现状及问题 48
4.2.1 交通领域 48
4.2.2 油气领域 50
4.2.3 公共安全领域 52
4.2.4 工业领域 55
4.2.5 电力领域 58
4.2.6 金融领域 60
4.2.7 医疗领域 62
4.3 问题总结及应对思路 64
4.3.1 AI 开源软件的数据支持 65
4.3.2 AI 开源软件的算法 66
4.3.3 AI 开源软件的分布式基础设施 67
第五章 AI 数据开放及协同 69
5.1 AI 数据的关系和需求 69
5.1.1 面对的挑战 69
5.1.2 AI 数据开放和协同中的相关方 71
5.2 AI 数据开放和协同中相关行业分析 72
5.2.1 政府角度分析 73
5.2.2 医疗行业分析 74
5.2.3 金融行业分析 76
5.2.4 交通行业分析 77
5.2.5 物流行业分析 78
5.2.6 制造行业分析 80
5.2.7 教育行业分析 81
5.2.8 石油行业分析 82
5.3 AI 数据开放和协同的可行性 83
5.3.1 顶层设计 83
5.3.2 法律法规 84
5.3.3 数据治理 85
5.3.4 开源数据平台建设 85
5.4 潜在解决方案 86
5.4.1 中心化模式 87
5.4.2 混合型模式 89
5.4.3 去中心化模式 90
5.4.4 没有初始数据的模式 92
第六章 AI 领域开源与标准的关系 93
6.1 开源与标准联动的案例 93
6.1.1 容器 93
6.1.2 大数据文件格式 94
6.1.3 OPNFV(网络功能虚拟化) 95
6.2 AI 领域开源与标准联动的思考 96
6.3 本次标准机遇研究的范围与内容 97
6.3.1 行业应用标准 98
6.3.2 AI 平台标准 98
6.3.3 安全标准 104
6.3.4 应用智能化水平评估 105
6.4 制定人工智能标准中要考虑的因素 106
6.4.1 伦理与社会关注 106
6.4.2 监管与治理因素 107
6.4.3 把握开源与标准平衡,促进创新与产业发展 108
结 语 109
附录 A 110
表 A.1 AI 开源项目社区活跃度指标统计 110
附录 B 113
表 B.1 第五章技术术语表 113
表 B.2 第六章技术术语表 115