DeeCamp2020結束了,特別驚喜地看到同學們今年的作品,跟以往線下合作在水準上基本沒有區別。今天的活動評選出了兩個總冠軍獎項,但學生們做的每一個作品都非常優秀、用心。也希望參與的200多名學生有真正的收穫。
本文來自創新工場微信公眾號
………………………………
創新工場DeeCamp2020完美落幕,兩團隊並列總冠軍獎金翻倍,共克真實世界難題
過去的2個月裡,200餘名來自全球高校的學生,聆聽了李開復、張亞勤、吳恩達、張宏江、俞敏洪、周志華等12位AI學術界、產業界大師授課,透徹理解了科技與創投核心規律;分組挑戰開放命題AI創新大賽,用AI和創意向現在和未來人類世界面臨的真實難題問題發起挑戰。
2020年8月5日,DeeCamp2020人工智慧訓練營總冠軍答辯暨結營典禮,在創新工場北京總部隆重舉行。
經過節奏緊湊的立項、研發、測試,DeeCamp 2020開放命題AI創新大賽共37支團隊提交了振奮人心的AI Demo,其中6項入圍總冠軍答辯。他們現場展示了自己精彩的成果,角逐開放命題AI創新大賽的總冠軍和各賽道冠軍。
最終,兩支團隊並列奪得總冠軍,分屬自動駕駛賽道和創新賽道。總冠軍獎金翻倍,兩支隊伍各獲得10萬元獎勵,其餘五個項目獲得各賽道冠軍。
DeeCamp人工智慧訓練營是一項面向全球大學生的公益項目,專注培養應用型AI人才。自2017年暑期啟動以來已舉辦四屆,培養了上千名大學生。DeeCamp 2020 由創新工場聯合華為共同推出,在今年全球變局與挑戰的背景下,旨在召集科技領軍新人才,肩負時代新使命,用AI解決真實世界的難題。受蔓延全球的新冠疫情影響,DeeCamp2020大師課和開放命題AI創新大賽全部轉為線上進行。
創新工場董事長兼CEO李開復博士,創新工場人工智慧工程院執行院長王詠剛,創新工場運營合夥人黃蕙雯,華為雲首席戰略官餘虎,聯合國開發計畫署駐華代表白雅婷(Beate Trankmann),路孚特(中國)科技有限公司董事長兼總經理党曉青等嘉賓出席典禮現場,予以專案點評,並為優勝隊伍頒獎。
華為雲首席戰略官餘虎表示:“華為一貫非常注重AI人才的培養,我們在2018年就發布了沃土人才培養計劃;通過華為雲線上的ModelArts AI訓練平台,以及端側的Hilens kit等算力平台,在高校,跟學校一起,聯合開展教材設計,課程設計;並且舉行無人車大賽,聯合創新創業及科研合作。目前已經和超過50所雙一流高校,形成了良好的合作,培養了上萬名學生。這次華為雲ModelArts平台很好支撐了創新工場DeeCamp大賽,幫助全國各地參賽學生隊伍的實戰項目挑戰AI難題。大家的作品和創意都非常好。期望後面大家能基於本次大賽作為良好開端,更好的掌握AI技能,發揮想像力,基於AI工程化落地的視角,用AI解決真實的產業和生活難題,給社會和生活帶來更多的改變。”
聯合國開發計劃署駐華代表白雅婷表示:“人工智能以及其他新興技術的發展會改變我們的生活,甚至可以為氣候變暖、新冠肺炎等全球性問題提供解決方案,然而它們也會擴大數字鴻溝並造成新的不平等現象。希望各位學員在日後的研究中可以運用所學,促進變革,通過自己的努力為人類創造更可持續的未來。”
路孚特(中國)科技有限公司董事長兼總經理黨曉青表示:“從2019年開始,路孚特成為DeeCamp合作夥伴,為學員分享金融行業深厚的業務知識和豐富的專業數據,並提供學習並實踐相關課題的資源。作為路孚特戰略研發運營中心之一,北京研發運營中心希望能夠吸引國內優秀的AI專業人才,增強AI專業人才儲備和研發技術能力。”
▌6支 AI Demo競逐總決賽,兩支並列總冠軍,10萬獎金翻倍
DeeCamp2020入圍總冠軍答辯的6支項目團隊,分別來自創新賽道、自動駕駛賽道、教育賽道、醫療與公共衛生賽道、商業賽道。8月5日上午,通過雲端連線的方式,6支團隊各自展示了激動人心的Demo作品。
經過評委打分、討論,自動駕駛賽道的Faster&Better團隊和創新賽道的方仔照相館團隊,最終共同奪得總冠軍。總冠軍獎金翻倍,兩個團隊分別獲得10萬元獎勵。另有五個項目獲得了各賽道冠軍。
為什麼最終選出兩個冠軍?評委之一、創新工場董事長兼CEO李開復博士解釋說,這兩個項目評委打分相同,難分伯仲。“Faster&Better”團隊的技術讓人震撼,這說明在今天,黑科技創業的空間仍然存在。而“方仔照相館”團隊則以商業取勝,讓我們驚訝於積木居然可以與AI結合。他們的“方頭仔”產品讓人充滿購買欲望,幾乎是一項可以直接拿到融資的項目。“我們認為這兩個組,任何一個單獨奪冠,都不能完整表達DeeCamp代表的精神,所以最終決定評選出兩個總冠軍。”
▍總冠軍:方仔照相館 BrickMeStudio
所屬賽道:人工智慧的創新思考與前沿設計
挑戰賽題:自動積木建模
AI+積木?聽起來如此跨界的兩件事,會有什麼奇妙的組合?
來自北京航空航太大學、清華大學、香港中文大學、奧地利科學技術研究所的同學們組成的“方仔照相館”團隊,用AI玩轉積木,為創意插上了翅膀。
他們打造了一個AI積木創作平臺“方仔照相館”,簡單上傳一張頭像照片,就可以生成個性化定制的方頭仔玩偶頭像。未來,只需一鍵下單,百變趣味的方頭仔就可以郵送到家。
怎麼實現呢?他們先根據輸入的圖像,抽取特徵向量,比如髮型、劉海、鬍子、眼睛、下巴、膚色、上衣款式、衣服圖案、鞋子顏色、手的擺放、褲子紋理等,匹配相應的積木零件,然後生成積木模型和拼裝步驟。
“方仔照相館”團隊希望將自己對積木的熱情,傳遞給更多人。積木不只是孩子們的玩具,更是創造力的源泉,“AI時代,更要注重創造力培養”。
▍總冠軍:Faster&Better
所屬賽道:自動駕駛的技術突破與前沿設計
挑戰賽題:算符算力約束下的無人駕駛車輛檢測
自動駕駛是人工智慧中最具挑戰、最具有應用前景的方向之一。對於需要大規模落地量產的車輛檢測場景,神經網路模型只能在較為廉價的晶片上運行,這為檢測模型的效率帶來了巨大挑戰和約束。
Faster&Better團隊在滿足嚴格算符算力的約束下,設計了一種極為高效的anchor-free車輛檢測模型。該模型採用了backbone、後處理策略,將物體看作點,使用輕量的head來預測物體位置、類別和bounding box,在保障性能的同時大幅提升了速度。
Faster&Better團隊對項目的商業價值也進行了思考。該車輛檢測模型能夠很容易地部署在低成本的晶片上,實現產品的落地,帶來商業回報。模型反覆運算速度快,可以使用更低的功耗訓練和維護。模型精度高,能夠為無人系統的安全性和穩定性保駕護航。
未來,該車輛檢測模型也有廣闊的應用空間。一是可以部署到行車記錄儀等傳統硬體上,使其智慧化,具備行車預警功能;二是可以部署到安防監控中,使用模型自動過濾篩選,將視頻中有車輛的場景加以保存,節省存儲空間,也節省人員重播視頻的時間。
▍教育賽道冠軍:Teched U
所屬賽道:用AI驅動的教育新工具和新方法
挑戰賽題:網路公開課聚類、檢索、評價和推薦工具
線上教育是未來趨勢,但錄播課的用戶體驗不佳。大量的錄播課僅將一段長視頻從線下直接搬運到線上,難以避免冗餘重複,造成學生積極性差、完課率低等問題。
來自卡內基梅隆大學和沃頓商學院的同學組成了Teched U團隊,希望用AI技術賦能線上教育。他們通過自研原創神經網路 TopicNet,實現長視頻切割、大綱提取、知識搜索三項功能。
通過視頻切割,尋找知識結構中斷點,可以將一小時的教育視頻切割成5-10分鐘的短視頻,讓使用者利用碎片化時間學習;通過大綱提取,借助整理好的知識大綱進行跳轉,讓使用者快速瞭解知識內容的結構;通過知識搜索,可以精確尋找到相關視頻和精確到秒的視頻跳轉位置。
目前,線上教育巨頭主要通過人工標注做視頻切分,但對於缺乏人才和技術的中小型線上公司,這項低成本的視頻切割自動標注技術,可以説明他們豐富視頻內容,實現精准推薦,從而提升用戶體驗和轉化率。
▍醫療賽道冠軍:心靈捕手
所屬賽道:用AI應對醫療和公共衛生領域的新挑戰
挑戰賽題:通過深度學習識別生物電信號
在DeeCamp,AI+醫療也可以大顯身手!
由“心靈捕手”小組帶來的“聽醫聲AI 診斷專家”項目,是本屆DeeCamp項目中唯一一個軟硬結合的項目。硬體製作、小程式設計開發等工作,全部是在DeeCamp期間用兩個月的時間完成。
“聽醫聲”AI診斷專家通過電子聽診器採集心音、呼吸音、脈搏,並將電子化的信號傳遞給微信小程式及後臺雲端分析系統,進行定量分析判斷使用者的健康狀況,實現健康監護、疾病預警、輔助診斷。若檢測到身體異樣,可自動推薦附近的醫院。未來,“聽醫聲”既可以輔助醫生做疾病早期篩查、健康監測,也可以用在留守老人監護、殘疾人健康關愛等領域。
值得一提的是,“聽醫聲”的脈搏波資料集,通過與醫院、診所、體檢中心等工作單位合作,共採集了6000余例由中醫專家標定的脈象資料,把專家經驗轉化為臨床診斷量化標準,實現了中醫問診的客觀化、資訊化。
▍創新賽道冠軍:AI科幻世界
所屬賽道:人工智慧的創新思考與前沿設計
挑戰賽題:科幻小說自動/輔助生成
你能想像一個AI構建的科幻世界嗎?在DeeCamp2020,AI正在創造一個全新的寫作時代。
來自中科院、美國喬治梅森大學等高校的五位同學組成的“AI科幻世界”團隊,基於Open AI 的GPT-2模型,在百億級中文大規模語料上重新訓練,打造了一位神奇的“AI科幻小說作家”。
這位元“科幻作家”,可以根據設定好的故事主線、人物角色等,互動式生成科幻小說內容,不僅可以遣詞造句,還可以創作構思,讓普通人也可以化身“科幻文學大咖”。
“AI科幻世界”團隊在開發的過程中,借鑒作家創作小說的過程,受到認知心理學和文學理論啟發,提出情節大綱主導的、人機協同寫作的範式:用戶輸入第一句,機器輸出多個人稱一致、語句連貫、邏輯合理的下一句話候選,由用戶做篩選和修改,不斷重複形成情節閉環。
在人機協同的半自動模式下,AI科幻世界寫作故事大綱的速度每分鐘可達50-100字。而在無人干預的全自動模式下,可以在1秒鐘之內寫出一個曲折動人的兩千字故事,揭開了創作的神秘面紗。
未來,科幻小說自動/輔助生成可以應用在商業傳播場景中,提升內容的廣度和個性化,兼顧精准分發下的使用者需求和內容品質,滿足企業對海量資訊的搜集、分析、篩選、整理和發佈需求。
▍商業賽道冠軍:“Non-pretrain”
所屬賽道:AI 賦能的商業決策與商業流程優化
挑戰賽題:人工智慧在量化交易和投資中的決策輔助
量化交易是指以先進的數學模型替代人為的主觀判斷,利用電腦技術從龐大的歷史資料中海選能帶來超額收益的多種“大概率”事件以制定策略。
來自南京大學、復旦大學的“Non-pretrain”團隊,針對外匯量化交易的歷史資料,提出了一種資料依賴的相似性度量方法。對每一個分類,分別使用所提出的層次注意力LSTM模型對未來匯率進行預測。最後對多個類的預測結果進行集成,並結合挖掘出來的典型pattern制定交易策略。
此外,聯合國開發計畫署一直非常關注高新科技與人工智慧在可持續發展領域的應用,為了鼓勵各位學員積極探索用AI解決可持續發展問題,專門設立了“AI4SDG”獎項,頒發給西天取經團隊、AI倒爺團隊、Teched U團隊、Brainnova意念互聯團隊、心靈捕手團隊。
此外,DeeCamp還組織了學員互評,評選最受學員歡迎的作品,最終西天取經、You OnlyLook Us、AI科幻世界三個團隊獲此殊榮。
▍自動駕駛賽道冠軍:“西天取經”AwesomeDet
所屬賽道:自動駕駛的技術突破與前沿設計
挑戰賽題:算符算力約束下的無人駕駛車輛檢測
西天取經團隊由來自北理工、北航、新加坡國立、北大、麥吉爾大學的五位極客組成。他們希望在自動駕駛的漫漫長路上,經歷磨難,不斷成長探索。
團隊採用了業界先進的技術,從Backbone、Neck、Loss三個層面出發,設計了一系列滿足算符算符約束的目標檢測模型,並做出適配改進,進行算法針對性優化。
推理速度是衡量自動駕駛技術的關鍵指標,目前行業內對推理速度的最低要求是10fps, 而該團隊的產品推理速度最快達到了74.5fps。
同時,他們提出了基於數據分析提出特定的增強方法,改善了夜間難樣本的訓練。經過真實場景下的測試,無論側視、後視、前視、夜景,都表現出了良好的遷移效果,測速、性能表現較好,達到了簡單場景下的車輛檢測要求,滿足了商業落地的要求。
該項目另外一大亮點是在手機上集成了檢測產品,做到了產品級別的實時呈現。未來,產品將可以搭載到智能行車記錄儀車輛預警、車載手機預警APP、交通事故實時監測、實時治安情況監測等多個領域。
此外,聯合國開發計劃署(UNDP)一直非常關注高新科技與人工智能在可持續發展領域的應用,為了鼓勵各位學員積極探索用AI解決可持續發展問題,專門設立了“AI4SDG”獎項,頒發給西天取經團隊、AI倒爺團隊、Teched U團隊、Brainnova意念互聯團隊、心靈捕手團隊。
▌74所高校200余名學生參與,12位大師授課
DeeCamp2020採用開放報名+定向邀請的方式,通過激烈競爭,200余位學員最終入選。
他們來自清華大學、北京大學、中國科學院大學、南京大學、北京航空航太大學、復旦大學、中國人民大學等44所國內高校,以及卡內基梅隆大學、麻省理工學院、牛津大學、康奈爾大學等30所海外高校,分佈在86個國內城市及北美和歐洲的17個海外城市。
學員中,碩士生占比56%,本科生占比26%,博士生占比17%。另外還有1%的學員是優秀的高中生,他們的技術科研能力已經達到了大學本科生的水準。
DeeCamp2020獨創“大師課+開放命題AI創新大賽”模式,讓學員既可以近距離與科研及產業領域大師溝通交流,也可以與志同道合的小夥伴結隊,親身體驗 AI 技術如何轉化為產業應用、積累實踐案例經驗。
在大師課上,李開復、張亞勤、吳恩達、張宏江、俞敏洪、周志華等12位來自AI領域學術界、產業界的重量級嘉賓,為同學們分享了AI前沿理論、產業創新、行業發展、創業趨勢等領域的最新洞察,讓大家充分領略了學術大師的思維方式,感受知識的魅力。
不同於常見的 AI 領域競賽,DeeCamp2020 開放命題AI創新大賽不以完成某一具體指標為目的,而是讓同學們組隊完成一個完整的創新項目,鼓勵其用創意向現在和未來人類面臨的科技問題發起挑戰。
因此,在賽題的設置上,DeeCamp聚焦社會熱點,關注真實世界與人們生活,共設置五大賽道14個新穎賽題,允許學生自由組隊。五個賽道分別是:
•教育賽道:AI 驅動的教育新工具和新方法
•醫療賽道:用 AI 應對醫療和公共衛生領域的新挑戰
•創新賽道:人工智慧的創新思考與前沿設計
•商業賽道:AI 賦能的商業決策與商業流程優化
•自動駕駛賽道:自動駕駛的技術突破與前沿創新
據創新工場人工智慧工程院執行院長王詠剛介紹,這次的賽道賽題設計具有“更熱門”、“更真實”、“更接地氣”三大特點:
“更熱門”:2020年是特殊的一年,我們面對著最多的變化,最多的挑戰,也是最多的機會,因此賽題設置貼合當前社會最關注的熱點問題,如健康賽道關注仍在全球延燒的新冠疫情。
“更真實”:為了讓同學們最大限度地接觸真實世界,所有賽題提供的資料都來自各個合作企業的真實場景資料。例如在Momenta提供的自動駕駛賽道中,Momenta為同學們提供了一批獨家未公開的128線雷射雷達檢測資料集和十萬量級視覺資料集,希望同學們在科研人員帶領下一同解決行業中的各類技術問題。
“更接地氣”:賽題設置與同學們的學習生活息息相關。在教育賽道中,人工智慧對程式設計教育的應用占了很大的部分,因為參賽的同學大多來自數學、電腦專業,有自學程式設計的經歷,這能促使參加該賽題的同學發揮主觀能動性,更好的利用自身經驗提高項目完成品質。
最終,共有9支隊伍選擇了商業賽道,10支隊伍選擇了自動駕駛賽道,5支隊伍選擇了教育賽道,6支隊伍選擇了醫療賽道,7支隊伍選擇了創新賽道,向這些難題發起挑戰。
▌你想用AI改變什麼?——DeeCamp學員的AI願望
人工智慧是一項偉大的技術,我們有幸生活在這個時代,也應該努力讓人工智慧造福人類社會。
“你想用AI改變什麼?”在主辦方發起的一項徵集活動中,200多名同學用紙和筆,寫下了自己的AI願望:
o“我想用AI改變人們的出行方式”
o“我希望用AI改變人們的教育環境,為所有人帶來更加智慧化的教育方式”
o“我希望用AI解決量化投資及商業決策問題”
o“我想用AI改變遊戲設計”
o“我想用AI改變文學作品的表現方式,讓大家能更加淋漓盡致地表現所思所想”
o“我想用AI改變醫療診斷技術”
o“我想用AI改變我們觀察世界的方式”
………
創新工場人工智慧工程院執行院長王詠剛表示,DeeCamp是一個為學生服務、充分發揮學生自主精神的人工智慧訓練營,鼓勵所有來到DeeCamp的同學進行一段自我驅動的AI學習實踐之旅。
在專案期間,DeeCamp的同學們充分發揮了“自我組織、自我管理、自我表現”的精神:自發組織了13場分享會,涉及創業經驗、讀書感想、技術研討、項目交流。在官方組織的“飯?泛?FUN?”談會中,學員們積極與各位大師雲上約飯,探討AI產業發展、創業方向、職業選擇等話題。
DeeCamp人工智慧訓練營自誕生起,就以消弭中國AI應用人才鴻溝、培養和完善中國AI應用人才生態為初衷,堅持公益屬性,將知識課程與項目實踐相結合,引導學生體驗 AI 技術如何轉化為產業應用,積累實踐案例經驗。
自2017年暑期首次開辦以來,DeeCamp總計收到來全球 1000 餘所高校超過 20000 份報名申請,已有 1000 余名學員順利結業。
DeeCamp的最大期待,就是結業的學員們都能在方興未艾的 AI 產業浪潮中,真正解決來自真實世界的難題,將論文中的 AI 演算法打造成一個個成功的 AI 產品與解決方案,用AI創造更美好的人類未來!
未來,DeeCamp 將繼續砥礪前行,不遺餘力地在人工智慧人才培養上面挖掘新方法和新思路,為 AI 領域輸送最新鮮的血液、提供最堅實的力量。
「lstm多分類」的推薦目錄:
- 關於lstm多分類 在 李開復 Kai-Fu Lee Facebook 的最佳貼文
- 關於lstm多分類 在 雷司紀的小道投資 Facebook 的最讚貼文
- 關於lstm多分類 在 孫弘岳-人力資源管理的世界 Facebook 的最讚貼文
- 關於lstm多分類 在 [分享] 使用RNN,LSTM和GRU來作交易。 - 看板Stock - 批踢踢 ... 的評價
- 關於lstm多分類 在 基于pytorch进行文本多分类,主要模型为双向LSTM - GitHub 的評價
- 關於lstm多分類 在 07.4 线性多分类结果可视化- AI-EDU 的評價
- 關於lstm多分類 在 Pytorch深度学习7-3 LSTM进行中文文本分类 - YouTube 的評價
- 關於lstm多分類 在 Detectron2 cpu. – Github Detectron2. To use CPUs, set ... 的評價
- 關於lstm多分類 在 Lstm attention pytorch github. It claims to have a better ... 的評價
lstm多分類 在 雷司紀的小道投資 Facebook 的最讚貼文
在 AI 的領域中,會需要常常會學習很多不同種類的模型演算法,像是線性迴歸、決策樹、分群演算法、SVM、神經網路...
之所以會需要學習這些演算法,是因為每個演算法都有相對應的「適用條件」:當你的資料呈現線性時,用「線性迴歸」來解會最適合;當你的資料是分類問題時,可能選擇「羅吉氏迴歸、決策樹、SVM」來解較恰當;當你需要解釋模型為什麼會這樣預測時,用「決策樹、SHAP、LIME」的演算法能夠符合你的需求;當你遇到非結構化的資料時(如圖片、影音、文章),此時可能就會考慮用神經網路的變型(CNN, RNN, LSTM...)來解。
你會發現,世界上沒有一個完美的演算法/理論,有的只是在某些對應的「環境條件」下,能夠找到較適合的解法。
以更嚴謹的態度來說,每個理論往往都建立在某些「假設條件」之下。
但這時候問題就產生了:「現實中往往很難找到 100% 符合假設的情境,這時候該怎麼辦?」
若以 AI 建模的角度來說,一般的作法會是先看看能不能調整資料(資料處理),讓資料本身具有符合某些假設的特性,這樣套用該演算法時便會更具信心。
而另一種作法也很常用,就是「容許誤差」--
雖然現在現實狀況不滿足某些假設,但只要你能判斷,這件事所造成的影響誤差並不大,那便可以繼續套用該演算法,來解決現實中的問題。
-
上述概念,同樣可以套用到「理財」上。
在理財投資這條道路上,大家往往會去學習很多「理論」--價值主動投資、指數型被動投資、技術分析策略、當沖投資策略、槓鈴策略、子彈型策略、4%公式、選擇權投資理論...
不過大家是否曾經思考過,這些策略分別是基於在哪些「假設條件 (環境條件)」上呢?
有的人會說,自己依照 A 理論來進行投資實踐,但為什麼最後報酬率不如預期,甚至賠錢?更慘的是,他可能是經過20-30年後,才意識到這個問題。
答案很簡單,那是因為他沒意識到自己所使用的 A 理論,其實具備某些「假設條件」,但在現實中的市場可能並不符合這些條件,因此未考慮實際發展的狀況來修正。
很多理論在實踐上往往會無效化,就是因為實踐者並沒有意識到,該理論的限制及條件為何。
如果套在 AI,這就叫「Underfitting」;
如果套在教育,這就叫「學用落差」;
如果套在歷史,這就叫「歷史的做法框架,有時並不適合現在」。
-
這件事非常重要,建議大家無論在投資、工作、甚至人生判斷上,都要具備這樣的思維。
最近「巴菲特出清航空股」的事情,其實也是在傳達這樣的理念--
「你是否能依據現實發展的狀況,來修正調整投資策略?」
概念非常簡單、用說得也很輕易,但在思考跟實踐上,卻不是人人都能辦到。
「你目前所採取的理財策略,是否需要滿足某些假設條件呢?」
lstm多分類 在 孫弘岳-人力資源管理的世界 Facebook 的最讚貼文
AI如何預測人格特質?
Artificial Intelligence (AI)人工智能之所以受到曙目,不在於它能模擬人類的思考與學習,學人說話或下棋,而是它能接收複雜的資料,進行分析和預測,協助與提升人類作決策的品質 (這與Big Data大數據有異曲同工之妙)。
這也說明為何AI在人力資源領域的應用場景,目前大都用在人才甄選的功能。因為想要預測一個應徵者未來的績效表現或行為傾向,一直是實務界想要解決的問題。
許多研究指出,人格特質不但可以作為個人與工作適配性的指標,也可以用來預測個人與組織的適配性。而五大性格模型( Big Five factors)是目前同時廣被學術和實務界採用的分類法,包括親和性、勤勉審慎、情緒穩定、外向、以及開放性的特質。
要了解一個人的五大性格傾向或給人的印象,除了問卷外,還可以根據許多非口語訊息或肢體語言,例如面部表情、動作、聲音、語氣等。雖然是間接性的推測,但可以避免問卷作假的議題,也常被應用在臨床心理的領域。
一般人或面試者畢竟不是FBI,無法面試過程中觀察並記住應徵者所有的細節,並當下進行嚴謹的分析,就進行推測。此時,就是AI可以派上用場的機會。它不會失誤,一致性高,可以相對精準地記錄並分析應徵者所有的口語與非口語訊息。
目前相關研究證實,面試者的眼神表情可以預測其性格是否外向主動或神精質,而說話的口氣和音調,可以預測認真負責與細心的傾向。英國劍橋大學的兩位學者,在2017年IEEE發表的期刊論文中,運用遞歸神經網路和長短期記憶模型RNN & LSTM,加上信號處理(例如: Mel-Frequency Spectrum)的技術,同時整合分析被面談者的臉部表情、眼神、身體動作、口氣音調,能顯著預測一個人的五大性格。在他們的實驗研究中,AI對最能預測工作績效與組織公民行為的勤勉審慎性,預測力高達0.5 R平方。
而這樣的運算模型,必然會被整合到目前視頻或錄影面試的工具中 (例如 https://hrda.pro)。簡言之,當雇主應用錄影面試在進行人才篩選或會議時,AI也能透過分析影像與聲音,同步提供參與者在五大性格的分佈機率,作為甄選與任用決策的參考。以上也是我接下來近幾年在科技部計畫執行、學術研究、產學合作開發AI人工智能面試工具的重點,分享給大家參考。
https://www.computer.org/csdl/trans/ta/2017/01/07368886-abs.html
lstm多分類 在 基于pytorch进行文本多分类,主要模型为双向LSTM - GitHub 的推薦與評價
基于pytorch进行文本多分类,主要模型为双向LSTM,预测准确率83%. Contribute to tin-shine/TextClassification development by creating an account on GitHub. ... <看更多>
lstm多分類 在 07.4 线性多分类结果可视化- AI-EDU 的推薦與評價
7.4 多分类结果可视化⚓︎. 神经网络到底是一对一方式,还是一对多方式呢?从Softmax公式,好像是一对多方式,因为 ... ... <看更多>
lstm多分類 在 [分享] 使用RNN,LSTM和GRU來作交易。 - 看板Stock - 批踢踢 ... 的推薦與評價