每周三期，详解人工智能产业解决方案，让AI离你更近一步。

解决方案均选自机器之心Pro行业数据库。

方案1：智能设计云平台——人工智能建筑师小库

解决方案简介：

建筑师只需联网登陆，输入基地条件和容积率等参数，小库就会利用机器学习和深度学习的成果，通过生成和评估模型，将合适的设计方案以三维空间模型的形式推荐给建筑师，建筑师每次调整也能实时获得小库的反馈，所见即所得的方式可以进一步缩短工期。

解决方案详解：

建筑领域，特别是住宅，在前期设计阶段，需要大量强排方案。在中国的地产业，政府在向开发商转让土地的使用权时，会提出容积率、建筑密度、限高、日照间距等关键的规划指标，开发商在保证这些关键指标的同时，以获取最大利润的角度，来排布建筑的总图，在强排过程中，建筑师需要反复计算、布局，并反复调整，过程费时费力。

建筑领域封闭的特性会造成工作低效。例如，A 项目的公共场所需要摆放椅子，并已完成椅子的设计。此后，B 项目的公共场所同样需要椅子，但并不知道 A 项目已有设计好的椅子，只得重新设计。

人工智能设计云平台通过智能设计，实时快速排量、设计、修改精确辅助设计师进行方案设计，同时小库能通过梳理不同的知识体系，形成类知识图谱，将无形的经验转化成知识库。

建筑师使用小库时，小库也会记录其喜好，建立相应类知识图谱，并根据该建筑师的喜好推荐方案。

方案2：AI 心电图自动分析诊断系统——乐普医疗

解决方案简介：

乐普医疗自主研发的国内首个心电图人工智能自动分析和诊断系统——AI-ECG Platform 是国内首项实现新一代心电图自动分析诊断研究开发和产业化的人工智能心电医用技术，其诊断项目覆盖了主要心电图诊断事件，在心律失常事件，特别是早搏、心动过速、逸搏、传导阻滞和房颤房扑等方面，较传统心电图分析诊断方法，有比较大的优势，准确性达到 95.0% 以上。

解决方案详解：

乐普医疗人工智能心电团队从 30 万例患者的心电图检查数据中，获取了约 2500 万份心电图的大数据样本，用以训练深度卷积神经网络模型。不同于斯坦福大学著名人工智能专家吴恩达在 2017 年 7 月发表在 arXiv 网站的工作，乐普 AI ECG Platform 使用了一系列的卷积神经网络模型分别对心电图干扰信号、心律失常事件、心脏激动、传导阻滞、心房心室肥大、心肌梗塞进行了广泛精准的训练学习，从而在心电图自动诊断种类和准确性两方面，都具有更加显著的优势。

AI-ECG Platform 可用于常规静态心电图的分析诊断和动态心电图的实时监护及预警，在临床检查、监护和家庭监测等多个方面具有应用价值。心电图传统算法限于对 P 波、T 波识别有局限性，无法将 P-QRS-T 波作为一个完整波群进行分析；而人工心电图分析很大程度依赖于医师的专业水平、经验及多种因素的影响，因此，乐普 AI ECG Platform 较二者的优势则更加明显，尤其是在特殊类型心血管疾病，它可以非常准确的识别出传统方法比较困难的心房扑动-心房颤动伴完全性右束支阻滞，二度房室阻滞文氏和莫氏类型。

AI ECG Platform 已经于 2017 年 8 月在优加利公司应用，经过半年实践，证明 AI ECG Platform 在心律失常事件和心脏激动传导异常事件的诊断能力已经达到专业医生水平，对一些复杂病例的分析诊断，甚至超过专科医生水平。

基于AI-ECG Platform心电图人工智能自动分析和诊断系统的医疗机械已经获得美国食品药品监督管理局（FDA）注册受理，并已通过一期RTA审核。

方案3：创意生成引擎——Yossarian

解决方案简介：

Yossrian 于 2011 年在英国伦敦成立，该公司的主要工作正是突出搜索算法中的 “ Catch-22” 理念，帮助人们通过现有的知识而获得新的知识。

解决方案详解：

Yossarian 是一个隐喻搜索引擎。公司的主旨是希望用户可以生产和创造新的知识，而非已被众所周知的知识内容。

Yossarian 通过机器学习的技术和自然语言解析的技术，将关键词所代表的含义进行多层挖掘联想，以向用户返回不同，关联概念相关的信息，从而帮助用户产生新的想法。

该引擎可以提供各种类型的侧面见解，试图拓展用户的知识边缘。Yossarian 的创意引擎方案旨在帮助想要产生新想法或希望以全新的方式看待问题的用户。

方案4：工业机器人3D视觉系统——Kinema Pack

解决方案简介：

Kinema Pack 是行业第一个应用深度学习的工业机器人 3D 视觉系统，其使用计算机视觉和机器学习方法来判断如何用最有方法吸起和摆放货件。系统能够自动校准和学习货件摆放，不需要仓库人员额外的编程。

解决方案详解：

大部分的零售商，仓库，物流公司都花费大量人力和时间整理和摆放货件。过往大部分机械臂在吸起货件这一工序上往往表现不佳，难以识别货件上的标签和包装带，因此很难正确地吸住货件的中心。

Kinema Pack 使用 2D 和 3D 视觉技术，为每一个货件进行建模并判断最佳吸取位置，并记下此货件吸取数据。Kinema Pack 的系统需要数秒计算如何吸起一个新的货件，而在下一次遇到同一个货件的技术过程则缩到一秒以下，而人类则平均需要 6 秒来抓取一个货件。

方案5：可通过html进行可视化展示的加载在服务器上的算法——WeAITech

解决方案简介：

采用天空图像与云识别特征提取，为云层分布进行像素级别的识别，准确度超过 90%；同时，使用多层感知器神经网络，搭建电流预测系统。

解决方案详解：

1. 地表太阳光强受气象影响，会在短时间尺度上（15 分钟）影响电站产能的稳定性，影响并网安全。因此 CEC 要求运行电站按时报送产能预测数据；

2. 同时，太阳光强具有明显的长周期（天文周期）和高频波动（云影影响），天文周期较易模拟，受天气影响的云影因子需要外部输入增强模型表现；

3. 单纯的物理模型结构复杂误差较大，而单纯的数据模型过于依赖数据，因此结合人工智能预测引擎的混合模型可以有效结合两类的模型的优点，提高预测准确度；

4. WeAI Tech 采用了天空图像与云识别特征提取，为常用相机搭建的智能图像处理系统，可以为图像中云层分布进行像素级别的识别。准确度在不同地点的不同气象环境下都稳定超过 90%；

5. 同时，开发设计的直射辐射超短期预测系统安装在美国加利福尼亚 Ivanpah 塔式光热电站（ISPF:383MW），基于多层感知器神经网络，响应分辨率小于 5 分钟，解决了该电站对于电网并网的需求，已稳定运行 3 年。

其算法具备以下优势：

1. 本身深度学习在准确度，灵活性，抗噪音和发展潜力方面显著优于其他物理、统计、一般机器学习模型。比如此前太阳能预测 IBM 之前也只是用统计类 ARMA 模型，深度学习的准确度可以提高 10-15%；

2. 模型搭建：可以从底层架构，不是简单的抓一个算法包喂数据，可以自定义很多底层算法（激活方程成本方程等）从而不断的优化迭代；

3. 模型训练：不再是黑匣子，而是灰匣子，能很大程度上理解人工智能在做什么，例如根据precision,recall 调整侧重点；

4. 搭建模型+训练模型可以在一般抓包的基础上再提高表现 20%-50%。