Coursera Course AI for Everyone Chinese Slide

1. 使用说明
该幻灯片基于 AI for Everyone 课程
课件整合修改而成，版权归属
deeplearning.ai 你可以自由地使用
或修改它，唯需遵循：
• 给出作者署名与内容出处
• 二次分发时只可使用 PDF 格式
• 禁止用于商业用途
参考讲义链接（更新中）：
[第一周] [第二周] [第三周] [第四周]
Accepted Doge [GitHub]
acdoge.cao@gmail.com
发送邮件获取 pptx 格式文件或反馈错误
2019/3/23 Ver 1.0

2. 相关建议
对于演讲者：
• 根据听众实际情况添加更多的相关内容（手写、分步呈现等）
• 为听众可能提出的问题提前准备好补充页面
• 你可以修改幻灯片字体等样式（包括右上角的 Logo）
• 你甚至可以基于此幻灯片录制视频（仅限非商业用途）
对于学习者：
• 英文尚还薄弱，可以参考前面链接提供的讲义学习
• 英文能力过关，前往 Coursera 学习最完整的内容

3. AI for Everyone
（一）揭秘人工智能

4. 人工智能的潜在价值
• 到2030年，人工智能每年将创
造 13 万亿美元的价值
• 超过三分之二的情景，可以通
过人工智能极大提升性能
• 大量的价值将来自于零售、旅
游、交通、汽车、材料、制造
等行业
• （互动）尝试列举无法被人工
智能明显影响的行业

5. 人工智能的类型
专用人工智能（弱人工智能）
Artificial Narrow Intelligence
智能扬声器、自动驾驶汽车、
网页搜索，或是一些能够在
农场和工厂中见到的应用
通用人工智能（强人工智能）
Artificial General Intelligence
能够做任何人类可以做的事情
超级人工智能（超人工智能）
Artificial Superintelligence
比人类还要强大

6. 接下来学习的内容
• 揭秘人工智能
• 什么是机器学习
• 什么是数据
• 人工智能常见术语
• 如何成为人工智能公司
• 机器学习的可行性分析
• 深度学习的非技术性解释（可选）
• 开发 AI 项目
• 组建 AI 团队
• 融入 AI 社会

7. What is Machine Learning?
什么是机器学习？

8. 监督学习（Supervised Learning）
输入 → 输出
输入（A） 输出（B） 应用
电子邮件 垃圾邮件？（0/1） 垃圾邮件过滤器
音频片段 文本转录 语音识别
英文 中文 机器翻译
广告、用户信息 是否点击？（0/1） 在线广告投放
图像、雷达信息 车辆位置 自动驾驶
手机图片 受损？（0/1） 可视化检测
问：这一概念几十年前就被提出，为什么现在才变得热门起来？

9. 数据（Data）推进着技术的发展
大数据时代

10. What is Data?
什么是数据？

11. 表格数据（数据集）举例
房子大小
（平方英尺）
卧室数量
价格
（1000美元）
523 1 115
645 1 150
708 2 210
1034 3 280
2290 4 355
2545 4 440
图像 标签
猫
非猫
猫
非猫

12. 数据的获取
• 人工标注
• 观察行为
• 从网站/合作伙伴下载
猫 非猫 猫 非猫
用户ID 时间 价格（美元） 购买
4783 1月21日 08:15.20 7.95 是
3893 3月3日 11:30.15 10.00 是
8384 6月11日 14:15.05 9.50 否
0931 8月2日 20:30.55 12.90 是
机器 温度（℃）压力（psi） 机器故障
17987 60 7.65 否
34672 100 25.50 否
08542 140 75.50 是
98536 165 125.00 是

13. 数据的使用
• 尽早为你的人工智能团队提供数据集
• 不要随手将数据丢给人工智能团队，并假设这些数据有用
• 数据往往是脏乱的
• 缺失数值
• 错误标签
• 数据类型
• 非结构化数据：图像、音频等
• 结构化数据
ITAI
房子大小
（平方英尺）
卧室数量
价格
（1000美元）
523 1 115
645 1 0.001
708 未知 210
1034 3 未知
未知 4 355
2545 未知 440

14. The terminology of AI
人工智能常见术语

15. 机器学习的定义
房子大小
（平方英尺）
卧室数量 浴室数量 是否翻新
价格
（1000美元）
523 1 2 否 115
645 1 3 否 150
708 2 1 否 210
1034 3 3 是 280
2290 4 4 否 355
2545 4 5 是 440
输入 A 输出 B
“机器学习是一种使
计算机不用通过显式
编程就能进行学习的
研究领域。”
“Field of study that
gives computers the
ability to learn without
being explicitly
programmed.”
-Arthur Samuel (1959)
产物：运行着的人工智能系统或软件

16. 数据科学的定义
• 数据科学是从数据中提取出知识和理解的一门科学
• 产物往往是一张幻灯片，包含一些结论：
• “有三个浴室的房子一般比有两个浴室但面积小些的房子更贵。”
• “经过翻新的房子价格一般会提升 15 %”
• 帮助指导决策
• 某个公司同时有
数据科学团队
机器学习团队
并不稀奇
房子大小
（平方英尺）
卧室数量 浴室数量 是否翻新
价格
（1000美元）
523 1 2 否 115
645 1 3 否 150
708 2 1 否 210
1034 3 3 是 280
2290 4 4 否 355
2545 4 5 是 440

17. 深度学习
神经元 “复杂的数学方程”
神经网络的发明受
到脑结构的启发，
但其工作原理和生
物学的脑工作原理
几乎没有联系。

18. 人工智能有着许多工具
• 机器学习和数据科学
• 深度学习/神经网络
• 其它流行技术：无监督学习、强化学习、图模型、知识图谱等。
人工智能
机器学习
深度学习/
神经网络 数据科学

19. What makes an AI company?
如何成为人工智能公司

20. 互联网崛起的启示
互联网时代
商店 + 网站 ≠ 互联网公司
• A/B 测试
• 短迭代周期
• 决策权下放给
工程师和专业人员
人工智能时代
任一公司 + 深度学习
≠ 人工智能公司
• 强大的数据获取能力
• 统一的数据仓库
• 发现自动化机会的能力
• 良好合理的公司结构
（新的角色职位）

21. 人工智能转型指南
• 执行试点项目以激发动力
• 形成内部的 AI 团队
• 提供广泛的人工智能培训
• 制定 AI 相关策略
• 调整内部和外部沟通
https://landing.ai/ai-transformation-playbook/

22. What machine learning can and cannot do?
机器学习的可行性分析

23. 监督学习（Supervised Learning）
输入 → 输出
输入（A） 输出（B） 应用
电子邮件 垃圾邮件？（0/1） 垃圾邮件过滤器
音频片段 文本转录 语音识别
英文 中文 机器翻译
广告、用户信息 是否点击？（0/1） 在线广告投放
图像、雷达信息 车辆位置 自动驾驶
手机图片 受损？（0/1） 可视化检测
任何你能够在 1s 内思考完成的事情
都能在现在或不久的将来被自动化完成

24. 机器学习能做什么，不能做什么
玩具迟到了两天，我无法将它送给我的
侄女作为生日礼物，可以申请退货吗？
“退款请求”
输入文本 → 退款/配送/其它问题
“很抱歉听到这个消息，我们
可以帮助您退货，希望您的侄
女生日过得愉快…”

25. 不妨尝试一下…
输入（A）
用户邮件
1000 个样本
“我的包裹坏了。”
“我该在哪里写评价？”
“退款政策在哪儿？”
“包裹什么时候到？”
输出（B）
自动生成的 2-3 段回复
“感谢你的来信。”
“感谢你的来信。”
“感谢你的来信。”
“谢谢好的现在你…”

26. 让机器学习变得简单的情况
• 学习“简单”的概念
• 有着大量可用的数据

27. 更多例子：自动驾驶
能做到 很困难
1.数据
2.高精度需求

28. 更多例子：X 光诊断
能做到 很困难
从大约 10,000 张标记好
的图片中诊断肺炎
从10 张解释肺炎的医学教科
书章节的图像中诊断肺炎

29. 机器学习擅长和不擅长的事情
发挥良好的情况：
1. 学习“简单”的概念
2. 有着大量可用的数据
发挥失常的情况：
1. 从小数据集中学习复杂概念
2. 在新类型的数据上运行

30. Non-technical explanation of deep learning
深度学习的非技术性解释

31. 举例：需求量预测

32. 复杂点的例子：人脸识别

33. 复杂点的例子：人脸识别

34. 测试时间

35. Coursera 测试题（一）
1. 如今使用的垃圾邮件过滤器、语音识别和其它类似应用最符合
哪种人工智能类型的定义？
⚪专用人工智能（ANI） ⚪通用人工智能（AGI）
2. 最常用的学习输入（A）到输出（B）映射的 AI 技术叫作什么？
⚪监督学习 ⚪无监督学习
⚪强化学习 ⚪通用人工智能
3. 想要使用监督学习构建语音识别系统，理想选择是？（多选）
一个大型数据集（由音频文件和对应的文本转录构成）
一个小型数据集（由音频文件和对应的文本转录构成）
一个大型神经网络
一个小型神经网络

36. Coursera 测试题（二）
4. 人工标注是为监督学习算法获取数据的唯一途径吗？
5. 下面关于数据获取的哪项陈述是正确的？
⚪将数据给人工智能团队用途不大，因为他们总是能做出自己想要的东西
⚪一些类型的数据相较于其它数据更有价值，人工智能团队能够帮助你搞清
楚什么样的数据是值得获取的
⚪只有结构化的数据是有用的；人工智能无法处理非结构化数据
⚪数据从何而来无关紧要，总之越多越好
6. 你运营着一家摩托车生产公司，下列哪些是非结构化数据？
摩托车图片 每辆摩托车的最大速度
摩托车引擎的音频文件 去年每周摩托车销售数量

37. Coursera 测试题（三）
7. 假设你运营着一家卖猫粮的网站，下列哪些是数据科学项目成果？
一种与猫的大脑工作原理极为相似的神经网络
了解如何更有效地根据猫的品种销售猫粮
展示了如何修改价格以提高销量的幻灯片
一个标记为“猫”和“非猫”的图像大型数据集
8. 根据人工智能术语的定义，下列哪些陈述是正确的？
术语“机器学习”和“数据科学”几乎可以互换使用
术语“深度学习”和“神经网络”几乎可以互换使用
人工智能是深度学习的一种（即所有的人工智能算法都是深度学习算法）
深度学习是机器学习的一种（即所有的深度学习算法都是机器学习算法）

38. Coursera 测试题（四）
9. 人工智能公司应当在哪些方面做得很好？
⚪强大的数据获取能力 ⚪投资统一的数据仓库
⚪发现自动化机会的能力 ⚪以上全部都是
10.假设你想输入一张人脸面部图片（A），输出他们是否在微笑
（B），因为这是一项大多数人都能在一秒内完成的任务，所以监
督学习可以学习这种 A 到 B 的映射。对吗？

39. AI for Everyone
（二）开发 AI 项目

40. 接下来学习的内容
• 揭秘人工智能
• 开发 AI 项目
• 机器学习项目工作流
• 数据科学项目工作流
• 每个职能部门都需要学会如何使用数据
• 如何选择 AI 项目
• 与 AI 团队工作
• AI 团队的技术工具（可选）
• 组建 AI 团队
• 融入 AI 社会

41. Workflow of a machine learning project
机器学习项目工作流

42. 举例：语音识别

43. 机器学习项目的关键步骤
亚马逊 Echo / Alexa
1. 收集数据
2. 训练模型（迭代很多次直到效果令人满意）
3. 部署模型（获取反馈数据，维护/更新模型）

44. 机器学习项目的关键步骤
自动驾驶汽车
1. 收集数据
2. 训练模型（迭代很多次直到效果令人满意）
3. 部署模型（获取反馈数据，维护/更新模型）
图像 → 其它车辆位置

45. Workflow of a data science project
数据科学项目工作流

46. 举例：优化销售渠道

47. 数据科学项目的关键步骤
优化销售渠道
1. 收集数据
2. 分析数据（迭代很多次获得良好见解）
3. 作出假设与行动（开展变化后，重新分析新数据）
用户 ID 国家 时间 网页
2009 西班牙 08:34:30 1月5日 home.html
2897 美国 13:20:22 5月18日 redmug.html
4893 菲律宾 22:45:16 6月11日 mug.html

48. 数据科学项目的关键步骤
流水线生产
1. 收集数据
2. 分析数据（迭代很多次获得良好见解）
3. 作出假设与行动（开展变化后，重新分析新数据）
粘土批次 供给商 混合时间（分钟）
001 ClayCo 35
034 GooClay 22
109 BrownStuff 28
杯子批次 空气湿度 温度（F） 加热时间
301 0.002% 1410° 22
302 0.003% 1520° 24
303 0.002% 1420° 22

49. Every job function needs to learn how to use data
每个职能部门都需要学会
如何使用数据

50. 销售人员
数据科学 机器学习
姓名 职位 公司规模 邮箱 优先级
Taylor CEO 3050 tay@a.. 高
Janet 主管 230 jan@b.. 中
David 实习 30 dave@c.. 低
优化销售渠道 自动优先级排序

51. 流水线管理人员
数据科学 机器学习
优化流水线 自动可视化检测

52. 招聘人员
数据科学 机器学习
优化招聘流程 自动筛选简历
邮件
通知
电话
面试
现场
面试
Offer
Xiaowei Cao
• 个人信息
• 教育背景
• 专业知识
• 工作经验
录用
Xiaojuan Liu
• 个人信息
• 教育背景
• 专业知识
• 工作经验
拒绝

53. 市场营销人员
数据科学 机器学习
A/B 测试 定制产品推荐
A B

54. 农业人员
数据科学 机器学习
农作物分析 除草剂量预测

55. 如何选择 AI 项目？
How to choose an AI project?

56. 人工智能知识与领域知识
跨职能团队

57. 头脑风暴框架
• 考虑自动化任务（tasks）比考虑自动化工作（jobs）更有用
例如：呼叫中心路由、放射科工作
• 商业价值的主要驱动力在哪儿？
• 业务中的主要痛点是什么？
即使没有大数据，即使没有海量数据，你也能取得进展。
• 拥有更多的数据几乎没有坏处
• 数据使得一些业务（如网络搜索）站稳脚跟
• 即使是小数据集，也可以取得进展

58. 项目尽职调查

59. 项目尽职调查细节
技术调查：
• 人工智能系统是否满足预期性能
• 需要多少数据
• 工程时间表
业务调查：
• 当前业务
• 降低成本
• 提升收入
• 新的业务
• 推出新的产品或者业务

60. 自主研发 vs 对外承包
• 机器学习项目可以是自研的，也可以是外包的
• 数据科学项目通常是内部完成的
• 避免研发将要成为行业标准的项目

61. 与 AI 团队工作
Working with an AI team

62. 指定验收标准
良品
良品
残次品
目标：以 95% 的准确率检测出残次品
为人工智能团队提供数据集
以度量系统的算法性能

63. 人工智能团队如何看待数据
良品
良品
残次品
训练集 测试集
良品
良品
残次品

64. 陷阱：期望 100% 准确率
良品
良品
残次品
测试集
残次品
良品
良品
• 机器学习局限性
• 数据量不足
• 误标记的数据
• 模糊的标签

65. AI 团队的技术工具
Technical tools for AI teams

66. 人工智能技术工具
机器学习框架：
• Tensorflow
• PyTorch
• Keras
• MXNet
• CNTK
• Caffe
• PaddlePaddle
• Scikit-learn
• R
• Weka
研究出版：
• Arxiv
开源代码：
• GitHub

67. CPU vs GPU
• CPU：计算机处理器（中央处理单元）
• GPU：图形处理单元
• 云端 vs 本地

68. 测试时间

69. Coursera 测试题（一）
1. 机器学习是一个“迭代”的过程，这意味着人工智能团队通常
必须尝试许多想法，然后才能提出足够好的东西，而不是一次
性就能成功，对吗？
2. 假设你想使用机器学习来帮助销售团队进行自动优先级排序。
即输入 A（销售预期），输出B（是否优先考虑）。工作流程的
三个步骤打乱如下：
I. 部署训练好的模型并从用户那儿获取新数据
II. 同时收集 A 和 B 数据
III. 训练机器学习系统使得输入 A 能够输出B
正确的顺序应该是什么？

70. Coursera 测试题（二）
3. 数据科学项目的关键步骤有哪些？
⚪ 收集数据 ⚪ 分析数据 ⚪ 作出假设与行动 ⚪ 以上都是
4. 机器学习程序可以帮助完成：
 自动筛选简历  自动优先级排序（销售）
 自动视觉检测（流水线）  定制产品推荐
5. 除非有巨型的数据集（“大数据”)，否则通常不值得尝试机器学
习或数据科学项目来解决问题，对吗？
6. 自动筛选简历的人工智能系统中，下列哪些步骤是“技术调查”？
 确保项目的业务价值  确保项目达到预期性能
 确保提供足够的数据  定好工程的整体时间表

71. Coursera 测试题（三）
7. 下列关于“业务调查”的陈述哪一项是正确的？
⚪ 它是确保开发人工智能技术后，能为你的业务提供价值的过程
⚪ 它通常可以在不到一天的时间内完成
⚪ 它是确保所设想的人工智能技术可行的过程
⚪ 它只适用于正在推出的新产品或业务
8. 假设使用监督学习来自动筛选简历，关于训练集，下列哪个陈述
是正确的？
 训练集和测试集可以是相同的数据集
 它提供的样本需要包括输入 A （简历）和期望输出 B （是否作为候选）
 它提供的样本需要包括输入 A （简历），期望输出 B 是不必要的
 人工智能团队将使用它来训练监督学习算法

72. Coursera 测试题（四）
9. 对于自动简历筛选应用程序，现在提供了一个测试集。关于测试
集，下列哪个陈述是正确的？
 训练集和测试集可以是相同的数据集
 它提供的样本需要包括输入 A （简历）和期望输出 B （是否作为候选）
 它提供的样本需要包括输入 A （简历），期望输出 B 是不必要的
 人工智能团队将使用它来评估算法的性能
10.期望机器学习系统能有 100% 的准确率是不现实的，原因是
⚪ 可能没有足够的数据
⚪ 数据可能被误标记
⚪ 数据可能是模糊的
⚪ 以上全是

73. AI for Everyone
（三）组建 AI 团队

74. 接下来学习的内容
• 揭秘人工智能
• 开发 AI 项目
• 组建 AI 团队
• 复杂 AI 产品案例研究：智能音箱
• 复杂 AI 产品案例研究：自动驾驶汽车
• AI 团队中的角色举例
• AI 转型指南
• 应避免的人工智能陷阱
• 采取第一步 AI 行动
• 融入 AI 社会

75. Case study: Smart speaker
案例研究：智能音箱

76. 智能音箱
“嘿小家伙，给我讲个笑话。”

77. “嘿小家伙，给我讲个笑话。”
指令处理步骤：
1. 触发词/唤醒词检测 音频 -> “嘿小家伙”？（0/1）
2. 语音识别 音频 -> “给我讲个笑话”
3. 意图识别 “讲笑话”-> 讲笑话？报时？播放音乐？
4. 执行功能（讲笑话） 打电话？查询天气？
触发词检测 语音识别 意图识别 执行功能
流水线（pipline）

78. “嘿小家伙，设置10分钟计时器。”
指令处理步骤：
1. 触发词/唤醒词检测 音频 -> “嘿小家伙”？（0/1）
2. 语音识别 音频 -> “设置10分钟计时器”
3. 意图识别 “设置10分钟计时器”-> 计时器
4. 执行功能
a) 提取时间信息
“设置10分钟计时器”
“10分钟后提醒我”
b) 开始计时并设置好时间

79. 其它功能
• 播放音乐
• 调节音量
• 打电话
• 播报时间
• 单位换算
• 回答简单的问题
• …
关键步骤：
1. 触发词/唤醒词检测
2. 语音识别
3. 意图识别
4. 专门程序来执行指令

80. Case study: Self-driving car
案例研究：自动驾驶汽车

81. 自动驾驶的决策步骤
图像/
声波雷达/
激光雷达
车辆检测
行人检测
运动规划 转向/加速/刹车

82. 关键步骤
1. 车辆检测
2. 行人检测
3. 运动规划

83. Example roles of an AI team
AI 团队中的角色举例

84. 角色举例
• 软件工程师
• 例如：实现讲笑话、确保自动驾驶安全性
• 机器学习工程师
• 实现机器学习算法
• 机器学习研究员
• 拓展最先进的机器学习技术
应用机器学习科学家

85. 角色举例
• 数据科学家
• 检查数据并提供想法，向团队和高管做演示
• 数据工程师
• 组织管理数据，确保数据易获取、安全与成本划算
• 人工智能产品经理
• 帮助选择可行且有价值的开发项目

86. 从小规模团队开始
• 一名软件工程师，或者
• 一名机器学习工程师/数据科学家，或者
• 除你以外没有其他人

87. AI Transformation Playbook
AI 转型指南

88. 人工智能转型指南
1. 执行试点项目以激发动力
2. 形成内部的人工智能团队
3. 提供广泛的人工智能培训
4. 制定相关的人工智能战略
5. 建立内部和外部沟通渠道

89. 执行试点项目以激发动力
• 重点是：让它们获得成功，而不是成为最有价值的项目。
• 在 6 至 12 个月的时间内挑选出有吸引力的东西
• 可以在内部完成，也可以外包

90. 形成内部的人工智能团队
新的人工智能业务部门可以由
首席技术官（CTO）、首席信
息官（CIO）、首席数据官
（Data Officer）或首席数字官
（Digital Officer）管理，也可
以由新的首席人工智能官管理

91. 提供广泛的人工智能培训
职位 应该学习的内容
主管与高级商业领袖 • 人工智能能为企业做什么
• 人工智能策略
• 资源配置
人工智能项目的部门领导 • 设定项目方向（技术调查和业务调查）
• 资源配置
• 进度监控
实习人工智能工程师 • 开发部署人工智能软件
• 收集数据
• 交付特定的人工智能项目
好的首席学习官应该管理这类内容，
并激励团队完成这些学习活动，而不是创建成本更高的内容

92. 制定相关的人工智能战略
• 利用人工智能为你所在的行业创建特定的优势
• 设计符合“人工智能良性循环”的策略
更多的
用户
更多的
数据
更棒的
产品

93. 制定相关的人工智能战略
• 考虑数据策略
• 战略性数据获取
• 统一的数据仓库
• 建立网络效应和平台优势
• 采用“赢者通吃”模式，
• 在人工智能帮助下加速成长

94. 建立内部和外部沟通渠道
• 投资关系
• 政府关系
• 消费者/用户教育
• 人才招聘
• 内部沟通

95. AI pitfalls to avoid
应避免的人工智能陷阱

96. 应避免的人工智能陷阱
不要去：
• 期望人工智能项目一次成功
• 指望人工智能解决所有问题
• 仅仅雇佣几个工程师
• 设想传统流程在没有采取变化
的情况下也能适用
• 认为需要超级人工智能工程师
而是应当：
• 多次计划、尝试与迭代
• 与人工智能团队一起建立时间
表评估、里程碑、KPI 或有意
义的度量

97. Taking your first step in AI
采取第一步 AI 行动

98. 一些在最开始可以采取的行动
• 与朋友们一同了解人工智能
• 这门课程
• 阅读小组
• 开始头脑风暴
• 没有项目是微不足道的
• 雇佣几名机器学习/数据科学领域的人帮助你
• 雇佣或任命人工智能领导（人工智能副总裁，首席人工智能官等）
• 与 CEO 或董事会讨论人工智能转型可能性
• 如果投入人工智能领域，是否会变得更有效且更有价值？

99. 测试时间

100. Coursera 测试题（一）
1. 智能音箱可以做很多事情（讲笑话、打电话、播放音乐等等），
所以这是通用人工智能（AGI）的一个例子。对吗？
2. 实现智能音箱功能的步骤是？
⚪ 语音识别 → 触发词检测 → 语义识别 → 执行指令
⚪ 触发词检测 → 语义识别 → 语音识别 → 执行指令
⚪ 触发词检测 → 语义识别 → 语音识别 → 执行指令
⚪ 触发词检测 → 语音识别 → 语音识别 → 执行指令
3. 自动驾驶系统中的行人检测通常使用什么技术实现？
⚪ 运动规划算法 ⚪ 有监督学习
⚪ 生成对抗网络（GANs） ⚪ 强化学习

101. Coursera 测试题（二）
4. 假设你正在开发触发词检测系统，想要利用现有的技术学习从输
入（音频片段）到输出（是否出发）的映射，应该招聘什么人？
⚪ 机器学习研究员 ⚪ 数据工程师
⚪ 机器学习工程师 ⚪ 人工智能产品经理
5. 帮助人工智能公司转型的第一步是什么？
⚪ 制定相关人工智能战略 ⚪ 形成内部人工智能团队
⚪ 提供广泛人工智能培训 ⚪ 执行试点项目激发动力
6. 你的第一个人工智能试点项目最重要的特征应该是什么？
⚪ 在6至10个月成功并获得关注
⚪ 为业务带来尽可能高的价值驱动
⚪ 由内部团队进行开发
⚪ 以上都不对

102. Coursera 测试题（三）
7. 假设你正在构建一个智能音箱，并希望通过拥有许多用户来产品
积累数据。哪个代表了这个产品的“AI的良性循环”?
⚪ ⚪
⚪ ⚪
更好的智
能音箱
更多的音
箱用户
更多的用
户数据
更好的智
能音箱
更多的用
户数据
更多的音
箱用户
更好的智
能音箱
更多的指
令支持
更多的音
箱用户
更好的智
能音箱
更多的音
箱用户
更多的指
令支持

103. Coursera 测试题（四）
8. 为什么制定人工智能战略不是转型指南的第一步？
⚪没有实际知识和开发经验，公司通常不知道如何制定一个合理的战略
⚪找不到理由，制定人工智能战略就该是转型的第一步
⚪战略应该是利用人工智能的良性循环，应当在开发产品之后
⚪当一家公司转型为人工智能公司时，不需要战略，所以这不是第一步
9. 根据人工智能转型指南，不仅需要向工程师提供广泛的人工智能
培训，还需要向高管/高级业务领导人和从事人工智能项目的部门
领导人提供培训。对吗？
10.以下哪些是要避免的人工智能陷阱？
 期望基于人工智能的项目一次奏效
 期望传统的规划流程不需要任何改变就能应用
 期望人工智能解决所有问题
 将工程人才与商业人才配对，以确定可行和有价值的项目

104. AI for Everyone
（四）融入 AI 社会

105. 接下来学习的内容
• 揭秘人工智能
• 开发 AI 项目
• 组建 AI 团队
• 融入 AI 社会
• 从现实角度看 AI
• 歧视与偏见
• 对 AI 的对抗攻击
• AI 的不良用途
• AI 与发展中经济体
• AI 与工作
• 总结

106. A realistic view of AI
从现实角度看 AI

107. 人工智能的金发姑娘原则
• 过于乐观：通用人工智能/超人工智能杀手机器人即将出现
• 过于悲观：人工智能什么事都干不了，人工智能的冬天即将到来
• 两者之间：人工智能不能完成所有的事情，但可以改变行业

108. 人工智能的局限性
• 性能局限性
• 可解释性差（但有时可以）
• 存在偏差的数据会让人工智能具有偏见
• 针对人工智能的对抗性攻击

109. Discrimination / Bias
歧视与偏见

110. 人工智能学习过时观念
• 男人对女人 就像 父亲对母亲
• 男人对女人 就像 国王对王后
• 男人对程序员 就像 女人对家庭主妇 程序员√
男人 （1，1）
程序员 （3，2）
女人 （2，3）
家庭主妇（4，4）
男人
女人
程序员
家庭主妇
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
0 1 2 3 4 5

111. 偏见问题值得重视
• 招聘系统歧视女性简历
• 相较于黑肤色群体，人脸识别系统对浅肤色群体更加友好
• 银行贷款利息
• 加剧了刻板过时的错误印象带来的毒害

112. 对抗偏见
• 技术方案：
• 将进行词语表示的数组进行归零
• 使用存在较少偏差和（或）更具包容性的数据
• 良好透明的审计流程
• 多样化的劳动力
• 创造存在更少偏见的应用

113. Adversarial attacks on AI
对 AI 的对抗攻击

114. 对人工智能的对抗性攻击
微小的扰动
微小的扰动
蜂鸟 锤子
野兔 桌子

115. 物理攻击
“Milla Jovovich” 看不到停车标志 香蕉

116. 物理攻击
[Sharif et al. (2016). Accessorize to a Crime: Real and Stealthy Attacks on State-of-the-Art Face Recognition.]
[Eykholt et al. (2018), Phvsical Adversarial Examples for Object Detectors.]
[Brown et al. (2018). Adversarial Patch.]

117. 针对性防御
• 防御是存在的，但也提升了成本
• 类似于垃圾邮件与反垃圾邮件，在一些应用存在着军备竞赛

118. Adverse uses of AI
AI 的不良用途

119. AI 的不良用途举例
• 深度赝品伪造
• 合成人们做他们从未真正做过的事情的视频
• 破坏民主和隐私
• 压迫性监测
• 生成虚假评论
• 垃圾邮件 vs 反垃圾邮件 欺诈 vs 反欺诈

120. AI and developing economies
AI 与发展中经济体

121. 发展中经济体
“蹦床式”超越
• 移动电话
• 移动支付
• 在线教育

122. 发展中经济体如何建设 AI
• 美国和中国处于领先地位，但整个人工智能社区还不成熟
• 集中力量加强一个国家的垂直产业
• 加快公私伙伴关系的发展
• 投资教育领域

123. AI and jobs
AI 与工作

124. 人工智能对全球岗位的影响
[Source: McKinsey Global Institute.]
400-800 亿 400-800 亿
到 2030 年
消失的工作岗位
到 2030 年
提供的工作岗位

125. 人工智能对全球岗位的影响

126. 一些应对方案
• 有条件的基本输入：提供安全网，鼓励学习
• 终生学习
• 政治解决方案

127. Conclusion
总结

128. 你已经学习的内容
• 揭秘人工智能
• 开发 AI 项目
• 组建 AI 团队
• 融入 AI 社会
• 继续学习！
• 在线课程、书籍、博客
• deeplearning.ai 订阅列表

129. 测试时间

130. Coursera 测试题（一）
1. 人工智能技术目前的局限性有哪些？
 人工智能技术不存在局限性
 人工智能技术可能存在其实
 人工智能技术的解释性较差
 人工智能技术可能存在偏见
 人工智能技术容易受到对抗性攻击
2. 人工智能的金发姑娘法则是什么？
⚪ 不应该对人工智能技术过于乐观或过于悲观
⚪ 应该分配很多资源来保护世界免受巨型杀手机器人的伤害
⚪ 人工智能的冬天即将来临
⚪ 人工智能的技术将继续发展，而且只会造福社会

131. Coursera 测试题（二）
3. 假设你正在开发一个人工智能系统，通过 X 射线扫描做出诊断。
关于人工智能的可解释性，你同意以下哪一种说法?
⚪ 人工智能系统本质上是一个“黑匣子”，无法对其输出做出任何解释
⚪ 可解释性通常是通过机器人与用户对话来解释其输出来实现的
⚪ 缺乏可解释性会阻碍用户信任和采用人工智能系统的主观意愿
⚪ 大多数人工智能系统都是高度可解释的，这意味着医生很容易找出人
工智能系统给出特定诊断的原因
4. 如果机器学习系统从存在过时观念与偏差的文本中学习，生成
的人工智能软件也可能表现出类似的过时观念与偏见。对吗？
5. 如果机器学习系统只从完全中性的文本中学习，不反映任何性
别偏见，那么我们预计系统不会或尽可能小概率出现性别偏见。

132. Coursera 测试题（三）
6. 下面哪些是解决人工智能偏见的有效方法？
 使用系统的审计程序，以检查偏见
 使用技术解决方案如“归零”偏差
 使用更包容/更少偏见的数据
 使用对人工智能系统的对抗性攻击，来更改其输出，以减少偏差
7. 下面哪些例子是对人工智能系统的对抗性攻击？
 利用人工智能合成假视频，视频中政客说了一些他们从未说过的话
 巧妙地改变图像使人工智能系统错误地将狗识别为猫
 巧妙地修改音频剪辑，使语音识别系统认为有人说“是，授权”，而实
际上他们说“不，拒绝”
 在停车标志上添加贴纸会使人工智能系统无法检测到它

133. Coursera 测试题（四）
8. 如果一个发展中经济体拥有一个强大而繁荣的咖啡豆制造业
（或其他一些垂直产业），那么它在将人工智能应用于咖啡豆
制造业（或其他垂直产业）方面就具有优势。对吗？
9. 未来几年人工智能最有可能取代的工作是什么？
⚪ 大部分办公室工作（白领工作）
⚪ 主要由日常重复性工作组成的工作
⚪ 所有的工作岗位都将被取代
⚪ 主要由非常规性、非重复性工作组成的工作
10.恭喜你！修完这门课应该得到表扬~