主講老師: 李勇（培訓費：2-2.5萬元/天）
工作背景：
山東大學研究生 計算機專業華為高級項目督導百度產品經理上海鯨工COO易車VP互聯網產品及運營專家
主講課程：
一、數字化（思想、經濟&商業、工具）認知篇：01 數字化底層邏輯及思想：數字化底層邏輯、企業數字化思維、企業數字化落地的思維方法論；02 數字化經濟&商業：數字化經濟及趨勢發展、數字化商業模式...
《人工智能概述及未來技術發展趨勢》課程大綱詳細內容
課程分類： 人工智能
課程目標：
培訓完結后，學員能夠：
學習如何培養AI時代下的商業邏輯創新思維
學習如何將AI技術成功商業化并帶領企業創新發展
了解AI科技創新前沿成果與未來發展趨勢
課程對象：產品中心，運營中心，技術中心，客服中心等管理運營相關人士
課程時間：1天 (6小時）
單元一 人工智能的本質
1.深度學習的技術本質
1）海量信息下比人類感官更優秀的信息分類器
2.AI的商業本質
1） AI+提升生產過程中的生產效率
2）互聯網+提升生產過程中的信息傳遞效率
3.90%的腦力工作是基礎性和重復性的工作可被替代
單元二 人工智能的結構框架
1.計算機視覺解析及應用介紹：
1）圖像分類
2）目標檢測
3）語義分割
4）視頻分析
5）其他：人體姿態識別，目標追蹤，SLAM,OCR
2.語音識別解析及應用介紹：
1）聲紋識別
2）語音合成
3.自然語言處理NLP解析及應用介紹：
1）機器翻譯
2）閱讀理解
3）自動摘要
4）文本分類
5）中文分詞
4.推薦系統及專家系統解析及應用介紹
單元三 AI+行業應用案例
1．交通運輸業
1)核心生產效率問題：如何能更快，更省油，人工成本更低，交通事故更少
2)AI解決方案：無人機、智能導航減少時間成本和燃油成本，無人駕駛降低人工成本和事故成本
應用案例：滴滴派車的算法，Google無人駕駛系統，DJI無人機，Amazon自伺服倉儲
2. 傳統制造業
1) 核心生產效率問題：如何能生產周期更短，人工成本更低，良品率更高
2) AI解決方案：可以24小時不停歇的精密作業工業機器人
應用案例：生產特斯拉的KUKA機械手臂，用于維修高空電纜為QKM機械手臂
3．高端制造業
1）核心生產效率問題：如何能更高效的設計出更優秀的產品方案
2）AI解決方案：通過學習歷史數據，更快的找到更好的設計方案
應用案例：國內某芯片制造巨頭通過AI算法將芯片模具設計時間大幅縮短，AI還能大幅提升藥物晶體選型速度。
4 . 教育
1）核心生產效率問題：如何能快速提高學習成績，如何能個性化培養出更優秀的人才
2）AI解決方案：自適應考試，自適應學習，個性化生涯規劃
應用案例：Knewton通過自適應評測精確診斷學生對知識點掌握的情況，并制定有針對性的學習方案。
5 . 法律
1）核心生產效率問題：如何能更準確的斷案，預測案情走勢和匹配法律資源
2）AI解決方案：案情分析，案情推理，律師背景分析，法律文書寫作
應用案例：基于IBM Watson開發的ROSS?
6 . 財務
1）核心生產效率問題：如何能提升對賬、盤點、審計合規的效率
2）AI解決方案：數據錄入，異常行為監測，自動文書寫作
應用案例：德勤全球率先將人工智能引入會計、稅務、審計等工作中，代替人類閱讀合同和文件
7. 金融
1）核心生產效率問題：更短資金周期內，如何得到更高的投資回報
2）AI解決方案：財報新聞解讀，投資回報預測，財報新聞寫作
應用案例：高盛旗下Kensho分析大量數做智能投顧分析，某券商用機器人代替數據錄入員
8 . 醫療
1) 核心生產效率問題：如何能更快速準確低成本的診斷，并給出治療方案
2) AI解決方案：疾病診斷，結合基因技術的精準醫療
應用案例：IBM Watson的腫瘤診斷模塊，騰訊的肺癌診斷，國防科大的肺結核診斷，碳云的精準醫療
9. 文字工作
1)核心生產效率問題：如更快的寫作，更精妙的文筆，更吸引人的情節構思
2)AI解決方案：標準文書寫作，….
應用案例：百度機器人寫古詩，今日頭條寫作機器人報道體育賽事
10. 藝術創作
1) 核心生產效率問題：如何獲得更多更優質的靈感，如何構思更精妙的作品，如何降低制作成本
2) AI解決方案：靈感生成器，輔助制作
應用案例：Google繪畫機器人，Google譜曲機器人Magenta
11. 新零售
1)核心生產效率問題：如何能提升銷售利潤率
2) AI解決方案：智能招商運營系統，智能定價系統，智能推薦系統，智能廣告投放系統
應用案例：萬達用AI提升商鋪坪效，沃爾瑪用AI做動態定價，寶潔用AI輔助品牌廣告投放
單元四 如何制定企業的AI+方案
1、各行業的核心AI+需求
1）各種信息和行業資訊智能檢索和分析。
2）行業生產流程的AI優化。
3）取代公司內從事單調重復腦力勞動的人。
2、AI+升級四步法（大型購物中心AI+案例）
1）診斷阻礙生產效率的最大問題：對核心問題進行拆解
2）評估公司的數據基礎：根據拆解出的問題列出理想的BI（商業智能）架構，檢視目前公司的數據缺陷
3）解決方案：完善數據基礎?
4）方案評估與實施
