开发人工智能需要哪些东西
如何搭建自己的人工智能系统?像很多事情一样，答案是“视情况而定”。如果我们将深度学习作为一个日益流行的人工智能的例子。工作负载，为数据集的深度学习训练构建AI系统在很大程度上取决于您可以轻松访问的资源、专业知识和基础设施数量。例如，您可能作为独立开发人员或在较小环境中作为研究人员使用的系统看起来与支持大型组织努力“支持”与客户的业务交互所需的系统有很大不同，或者提高临床护理质量，或检测大量金融交易数据中的欺诈行为。最终，这变成了您是设计和构建自己的系统，还是针对您的问题采用专门构建的解决方案的问题。
对于前者，当今消费市场中常见的GPU技术往往会进入“自己动手”的人工智能领域。系统非常强大，并且提供比基于CPU的系统明显更好的性能。可以在当今的GPU上实现通用并行计算的现成工具包，结合支持流行深度学习框架所需的编程技能，可以产生很好的结果，正如AlexKrizhevsky的“AlexNet”首次证明的那样，该工具包赢得了ImageNetLarge规模视觉识别挑战。
[[430157]]
2012年，使用在GPU和NVIDIACUDA上运行的卷积神经网络。
对于后者(大规模深度学习，对于大型组织)——有两个重要的考虑因素会影响你实施人工智能的方法。系统：
1.你需要多快开始看到结果?如果您正在进行探索之旅，并且喜欢玩各种硬件和软件配置的智力挑战和有时“侦探工作”，那么您很可能没有按照老板设定的时间表进行操作，或者某种商业或研究势在必行。在这种情况下，当您将您感兴趣的包括GPU、驱动程序、库和深度学习框架在内的系统拼凑在一起时，沿着一条曲折的道路走下去可能完全没问题，并在您承担角色时筛选可能有数百页的文档“系统集成商”。
但是，如果您的努力受到从数据中获取洞察力的首要需求的引导，那么您可能需要一条更简单、更快速的路径来实现这一目标。在这种情况下，您需要利用“解决方案化”平台或设备，例如NVIDIADGX-1或DGXStation。
集成您需要的所有组件，并通过已发布的基准测试进行验证，在您关心的框架上提供可量化的性能。此类设备应根据它们的“即插即用”程度以及开通体验是否直观、引导您完成易于导航的简单管理界面、管理数据集、分配资源、并安排工作。这种部署模式使您不必戴上“IT管理员”的帽子，并让您尽快开始训练神经网络，在短短一天内启动并运行。
获得更快洞察的另一个方面是协同工作的硬件和软件的性能。GPU优化的深度学习软件堆栈的好处是能够在深度学习训练中达到比单独使用GPU硬件更高的加速因子。与使用相同TeslaV100GPU构建但缺乏集成、优化的深度学习软件的其他系统相比，NVIDIADGX系统的深度学习性能提高了30%。这里重要的一点是，即使你构建了一个A.I.您自己的系统，使用绝对最新的GPU技术，相对于集成的硬件和软件系统，该系统仍然处于性能劣势，该系统经过全面优化和软件工程，以实现每个深度学习框架的最大性能。
2.我准备花多少时间管理和优化基础设施?类似于“探索之旅”路线，您的AI系统可能看起来非常不同，具体取决于您遵循的路线。如果您热衷于花时间微调您的软件堆栈，使用不同的框架和支持库组合，并且不介意在社区论坛中寻求故障排除支持，那么构建您自己的系统可能是您的最佳选择。现实情况是，要调整“完美”的深度学习堆栈，从框架到GPU，通常需要大量的软件工程技能支出驱动程序，以及中间的每一层。还要考虑到框架本身通常是开源的，并且在不断发展。因此，确保您的堆栈以最佳性能运行意味着承诺在工时进行调整和重新调整，并可能在持续的基础上重新构建您的堆栈。如果这是您的章程，那么这可能不是问题，但如果您正在资助其他人来完成这项工作，则可能意味着数十万美元的软件工程运营支出，以确保您最大限度地提高人工智能的投资回报率。
或者，AI像NVIDIA的DGX这样的设备，包括访问流行的深度学习框架，如TensorFlow、Caffe2、MXNet等，以及支持库，所有这些都与硬件集成，可以节省大量时间和金钱。此类产品具有预先优化的堆栈，由解决方案提供商定期(最好是每月)更新。这使您免受开源软件的流失和不确定性的影响，同时如果您对硬件和软件中的任何元素有问题，还可以为您提供企业级支持。
此外，由于数据科学和人工智能的实验性质，开发人员经常发现他们自己(或他们的团队)需要同时对系统资源和软件配置的不同组合进行实验，以确定哪种模型可以最快地获得洞察力。基于Docker的容器能够支持深度学习堆栈的多个版本的共存，每个版本彼此隔离，并具有自己的支持驱动程序和库的实例。这使系统操作系统的基本映像保持“干净”，并避免在实验者想要尝试不同的配置排列时必须重新映像设备的可能性。容器与正确的管理和调度设备相结合，还可以使研究人员团队同时使用该平台，并在他们正在开发的模型上进行协作，从而提高系统的利用率，推动您部门的人工智能获得更高的投资回报。
所有这一切都可以为您(试图利用人工智能力量的数据科学家)提高生产力。在您的企业中。所以，你真的有两条途径来构建人工智能。系统，每个系统都适合您可能正在处理的一组不同的时间表、业务目标和运营设置。选择最终将归结为您是否有自由扩展您的章程以包括系统集成商和IT管理员的角色，或者您的职责是否让您始终专注于数据科学并为您的组织获取洞察力。
人工智能编程：4个最流行的人工智能编程语言
人工智能编程是一种技术的提升，它为不同公司的运营和人们的生活带来了效率和最佳利益。人工智能为不同行业带来了另一个层次的智能技术，其潜力的前景仍在增长，有望达到人类智能。本文旨在阐明合适的人工智能编程语言，以及人工智能编程如何为各个行业带来优势
什么是人工智能编程开发人员愿意探索、试验和实施AI功能，以满足更多的人类和组织需求。毕竟，需求是开发之母。因此，由于人工智能编程的广泛采用，我们可以体验到令人印象深刻的技术进步。人工智能已经覆盖了众多领域的需求（虽然目前国内的企业、生活中大多还没有使用这些）。
个人虚拟助手的可用性，提供有关个人日常生活的信息，从而促进他们的日常目标和需求。多个基于语音的小工具的可用性。这就是定制汽车和电视等大多数基本物品的地方，以允许他们倾听并为个人提供解决方案。借助生物识别功能，用面部识别技术取代信用卡。人工智能创建了媒体平台，观众或听众可以在其中选择他们需要的规格，例如要收听的音乐类型。有同理心的计算机，即所谓的智能设备，不再提供单一、简单的问题和离散的回答；相反，他们提供类似人类的反应。这些是对查询和问题的全面反馈，甚至是明智的解决方案。提供医疗保健的人工智能；医疗保健采用人工智能系统，例如，在诊断专业。人工智能提供新闻和其他报道；这就是系统为个人提供所需的全面信息工作的地方。越来越多的公司计划在各个业务领域采用人工智能。他们有机会提出新的解决方案并更新现有方法。随着产品的创建，他们有机会优化开发流程、简化规划、获取新知识并改善用户体验。这无疑会带来更高的生产率、更高的质量和更快的速度。
就像在定制开发，开发人员可以使用多种语言来编写AI。但是，没有完美的编程语言可以指出人工智能中使用的最佳编程语言。开发过程取决于开发的AI应用程序所需的功能。人工智能已经实现了生物识别智能、自动驾驶汽车的自动驾驶仪，以及其他需要不同人工智能编码语言开发项目的应用。因此，让我们一起继续探索最流行的AI编程语言。
流行的人工智能编程语言关于人工智能最佳编程语言的争论从未停止。因此，我们比较人工智能项目常用的语言，以概述每种语言的优缺点。
Java、Python、Lisp、Prolog和C++是用于人工智能的主要AI编程语言，能够满足开发和设计软件的不同需求。开发人员可以选择哪些AI语言可以满足应用程序要求的所需功能和特性。
PYHTONPython由于其语法简单和通用性，它是开发人员最喜欢的开发中的AI编程语言之一。Python非常适合开发人员进行机器学习，因为与C++和Java相比，它不那么复杂。它也是一种在包括Linux、Windows、MacOS和UNIX在内的平台上使用的非常便携的语言。它的可交互性、解释性、模块化、动态性、可移植性、高级性等特点使它比Java更具特色。
此外，Python是支持面向对象、过程和函数式编程风格的多范式编程。PythonAI编程支持神经网络和NLP解决方案的开发，这得益于其简单的函数库和理想的结构。
优点
Python有各种各样的库和工具。支持算法测试，无需实现。支持面向对象设计的Python提高了程序员的生产力。与Java和C++相比，Python的开发速度更快。缺点
习惯于使用Python的开发人员在尝试使用其他语言进行AI编码时，很难适应完全不同的语法。与C++和Java不同，Python是在解释器的帮助下工作的，这使得AI开发中的编译和执行速度较慢。不适合移动计算。Python不适合用于移动应用程序的AI，因为它的移动计算语言较弱。C++C++是最快的计算机语言。对于时间敏感的AI编程项目，它的速度受到赞赏。它提供更快的执行速度和更少的响应时间，适用于搜索引擎和计算机游戏的开发。此外，C++允许广泛使用算法，并且可以高效地使用统计AI技术。另一个重要的因素是C++由于继承和数据隐藏而支持开发中程序的重用，从而节省时间和成本。C++适用于机器学习和神经网络。
优点
适合为复杂的AI问题寻找解决方案。丰富的库函数和编程工具集合。C++是支持面向对象原则的多范式编程，因此有助于实现有组织的数据。缺点
多任务处理能力差；C++只适用于实现核心或特定系统或算法的基础。它遵循自下而上的方法，因此非常复杂，使得新手开发人员很难使用它来编写AI程序。JAVAJAVA是另一种编程语言来回答“哪种计算机语言用于人工智能？” Java也是一种多范式语言，遵循面向对象的原则和一次编写，随处可读(WORA)的原则。它是一种无需重新编译即可在任何支持它的平台上运行的人工智能编程语言。
Java是最常用的语言之一，而不仅仅是在AI开发中。除了较少的工具外，它的大部分语法都源自C和C++。Java不仅适用于NLP和搜索算法，也适用于神经网络。
优点
非常便携；由于虚拟机技术，它很容易在不同的平台上实现。与C++不同，Java易于使用甚至调试。Java有一个自动内存管理器，可以简化开发人员的工作。缺点
然而，Java比C++慢；它的执行速度较慢，响应时间较长。尽管具有高度可移植性，但Java需要对软件和硬件进行重大更改才能在旧平台上提供便利。Java是一种普遍不成熟的编程AI语言，因为仍有一些开发正在进行中。LISPLISP是另一种用于人工智能开发的语言。它是一个计算机编程语言家族，是仅次于Fortran的第二古老的编程语言。随着时间的推移，Lisp已经发展成为一种强大而动态的编码语言。
一些人认为Lisp是AI的最佳编程语言，因为它为开发人员提供了便利的自由。Lisp之所以被用于AI，是因为它具有快速原型设计和实验的灵活性，这反过来又促进了Lisp成长为一种标准的AI语言。例如，Lisp有一个独特的宏系统，便于探索和实现不同层次的IntellectualIntelligence。
与大多数AI编程语言不同，Lisp可以更有效地解决特定问题，因为它可以适应开发人员正在编写的解决方案的需求。它非常适合归纳逻辑项目和机器学习。
优点
编码快速高效，因为编译器而不是解释器支持它。为Lisp发明了一个自动内存管理器；因此，它有一个垃圾收集。Lisp提供对系统的特定控制，从而最大限度地利用它们。缺点
很少有开发人员熟悉Lisp编程。作为一种古老的人工智能编程语言，Lisp需要配置新的软件和硬件来适应它的使用。人工智能编程给软件开发带来什么好处？随着企业对人工智能编程语言越来越感兴趣，人工智能肯定会对软件开发产生影响。毫无疑问，它会影响团队构建应用程序的方式以及用户与应用程序交互的方式。AI帮助开发人员处理各种活动并建立新技能来改进产品。明显的好处仍然是支持开发人员高效工作的机会。
探索AI如何为开发人员带来优势以及它如何帮助应对常见的软件开发挑战将会很有趣。
准确的项目估算软件开发中的常见挑战之一是提供准确的估计。它需要丰富的专业知识、上下文意识和项目熟悉度。因此，AI允许开发人员应用以前项目的历史数据，并促进预算和截止日期的估算。考虑到各种场景和可能的挑战，他们能够包括更好的评估、用户故事、功能描述等。它使开发人员能够预测所需的预算和工作量。
创新设计项目规划还需要专门的软件设计经验和知识。有时，将客户需求转化为具有出色用户体验的美观产品是一项挑战。然而，人工智能工具可以帮助自动化有关软件设计及其实施步骤的不同任务。例如，使用AI设计助手和其他技术创新可以更轻松地呈现可视化界面。它极大地帮助了解客户偏好并将其转化为功能强大且设计良好的软件。
质量代码代码的质量影响软件的实施及其长期维护。每个团队都意识到需要了解最新信息并应用最新的技术方法。人工智能编程绝对是这里的头把交椅。开发人员使用人工智能来生成更好的代码、优化操作并获得新知识。此外，人工智能解决方案非常适合提高编码过程的准确性和速度。例如，启用AI的编码支持在错误发生时进行错误检测。它可以提高生产力并增加软件价值。
自动化安全软件安全是许多开发团队关注的主要问题之一。他们寻找新的方法来辨别不当行为、避免延迟通知、发出提前警告等。因此，结合人工智能工具变得非常必要。由于更易于访问和更快地检测安全问题，它们被用于研究数据和推进AI编码。同时，它有助于节省查看可执行文件的时间。
质量评估重要的是要提到人工智能在软件测试中的重要性以及确保质量评估程序的能力。质量保证专家极大地受益于人工智能工具的参与。它大大提高了测试、错误查找和修复的质量。此外，它通常在产品投放市场之前完成。这使团队能够简化开发过程并展示高质量的产品。
分析自动化基于人工智能的技术还涵盖了数据分析的自动化。它帮助团队自动化、加速和简化数据分析过程。这支持有价值的数据洞察力和战略决策。AI/ML算法用于自主监控和分析大量数据。此外，它还为用户参与、软件优化和洞察生成提供了新的解决方案。
战略决策无论是创建新产品还是改进现有解决方案，团队都必须做出许多战略决策。为了提高效率，他们可以应用人工智能平台来积累以前的经验，以减少项目误解并确定需求的优先级。不断审查软件性能使他们能够增强软件性能以满足不断增长的业务需求。
人工智能编程已经成为软件行业不可避免的一部分。各种AI支持的工具有助于简化开发过程、与团队高效协作、获得有价值的见解并创造出色的市场产品。
结论学的头皮发麻，同行卷的我人麻，点赞吧~
本文正在参加人工智能创作者扶持计划