方案1：全基因組測序分析及醫(yī)療影像分析方案Health Nucleus每周三期，詳解人工智能產業(yè)解決方案，讓AI離你更近一步。
解決方案均選自機器之心Pro行業(yè)數(shù)據(jù)庫。
解決方案簡介：
該方案結合了全基因組測序分析和 MRI 醫(yī)療影像分析的結果，能幫助用戶了解自身的遺傳疾病風險、對食物和藥物的過敏情況、膚色、眼睛虹膜顏色、身高的情況，并獲得關于癌癥、心血管疾病、神經疾病、代謝疾病等疾病的健康建議。
目前，企業(yè)已經集合了超過一百萬人的 DNA 數(shù)據(jù)與其臨床病理數(shù)據(jù)。
該企業(yè)的數(shù)據(jù)還能為醫(yī)療保險公司提供決策參考，創(chuàng)建合適的保險產品。
解決方案詳解：
該公司通過利用亞馬遜的云服務管理大數(shù)據(jù)，構建人類基因組、對應的表型，以及對應醫(yī)療診斷病例的數(shù)據(jù)庫。利用機器學習方法進行大規(guī)模計算，分析基因組數(shù)據(jù)預測出生命特征和衰老趨勢，并通過早期診斷與改變生活方式等方法幫助用戶達到健康長壽的目的。
方案2：人工智能風控引擎I.C.E.解決方案簡介：
I.C.E. 是用錢寶以人工智能技術為核心的風控引擎。I.C.E.是人工智能基本邏輯 Identify（識別）、Calculate（計算）、Evaluate（評估）的縮寫，分別對應了「柯南特征工程」、「Anubis 大數(shù)據(jù)計算架構」、「D-AI 機器學習模型」三個智能風控組成部分。
基于人工智能技術的風控引擎提供了新風控方式，可以幫助金融機構從弱特征數(shù)據(jù)層面更加全面的對用戶進行風險評估與定價。解決中國大部分人群無法獲得傳統(tǒng)金融服務的問題。具體可實現(xiàn)：
1. 拓寬金融服務邊界：通過人工智能技術讓之前不能獲取金融服務的人群獲得與之想匹配的金融服務與金融能力；
2. 提高服務效率：可 7x24 小時純線上完成；
3. 無道德風險，反作弊能力強。
解決方案詳解：
其人工智能風控引擎的技術方案由以下構成：
1. 數(shù)據(jù)上：基于用戶在互聯(lián)網上的行為軌跡；
2. 樣本上：基于「用錢寶」海量的金融樣本；其中被標注的樣本已經超過千萬；
3. 特征上：基于常見的特征工程，研發(fā)了 Conan 特征工程體系，目前已經挖掘產生有效弱特征超過 2,200 維；除了常見特征工程算法以外，還引入了特征自動挖掘和衍生算法；
4. 模型上：基于傳統(tǒng)機器學習模型，針對金融場景下的復雜環(huán)境問題，研發(fā)了 D-AI 機器學習模型；D-AI 機器學習模型依據(jù)具體的金融場景問題嘗試不同的機器學習模型，包括但是不限于 LR、GBDT、深度學習、LR+GBDT、Boosting 融合模型、Blending 融合模型等；
5. 架構上：為了能夠支撐海量數(shù)據(jù)特征的計算和模型迭代，自主研發(fā)了 Anubis 大數(shù)據(jù)計算架構。計算架構由常見的分布式計算框架、實驗流量框架和大數(shù)據(jù)存儲框架構成。
方案3：自適應學習引擎AI（H）解決方案簡介：
用 AI 技術模擬個人投遞和企業(yè)簡歷初篩過程，幫助招聘企業(yè)和求職者實現(xiàn)精準高效的需求匹配。
能實現(xiàn)以下優(yōu)勢：
1. 更高效。簡歷、求職者歷史行為數(shù)據(jù)搜索匹配，有效降低 HR 簡歷獲取、初篩的成本，提升招聘效率，解決中小企業(yè)投遞量不足及大企業(yè)篩選困難的問題；
2. 更精準。使用歷史錄用員工簡歷、績效考核、評價等個性化標注數(shù)據(jù)訓練模型，滿足企業(yè)個性化招聘需求。
解決方案詳解：
使用自然語言處理（NLP）技術和門禁卷積神經網絡（Gated CNN）算法，綜合企業(yè)歷史投遞、面試、招聘、績效考核和評價等標記數(shù)據(jù)，和求職者的檔案信息、簡歷/職位文本內容、招聘和投遞等歷史行為數(shù)據(jù)，實現(xiàn)企業(yè)與求職者雙方需求的高效率匹配。
方案4：先進駕駛輔助系統(tǒng)以及自動駕駛技術平臺Zenuity解決方案簡介：
公司擁有 Level 1 的獨特經驗技能，從傳感器到控制均有涉獵，提供工業(yè)汽車先進駕駛輔助系統(tǒng)（ADAS）以及自動駕駛技術解決方案。公司正在為完整的 ADAS 和 AD 系統(tǒng)構建模塊化平臺，提供完整的軟件堆棧，包括計算機視覺、傳感器融合、決策和車輛控制的算法，以及在云中運行的應用程序。希望其軟件能與各個公司的傳感器、計算硬件兼容，實現(xiàn)不同車型，不同自主駕駛程度的車輛之間的擴展。平臺結合傳統(tǒng)的信號處理技術與新興的深度學習技術分析從傳感器中得到的大量數(shù)據(jù)。
解決方案詳解：
沃爾沃汽車公司是一家發(fā)祥于瑞典，并逐漸走向全球各大汽車市場的汽車制造商。目前在全球各地銷售的「XC60」、「S60」以及「S90」等系列都是該公司推出的優(yōu)秀乘用車。2017 年 1 月 3 日，該公司對外發(fā)布消息表示為了推進自動駕駛的研發(fā)進程，會與瑞典奧托立夫公司（AUTOLIV）全新設立一家名為「Zenuity」的合營公司。AUTOLIV 是向全球各大汽車制造商提供主動及被動安全系統(tǒng)的世界頂級供應商。
方案5：數(shù)據(jù)智能解決方案解決方案簡介：
創(chuàng)新奇智數(shù)據(jù)智能解決方案基于擁有自主知識產權的自動化機器學習平臺，以MLaaS的服務方式為用戶提供從底層基礎環(huán)境配置到算法應用輸出的端到端機器學習服務， 通過對數(shù)據(jù)深入挖掘，最大程度激活數(shù)據(jù)價值 ，助力企業(yè)優(yōu)化流程、促進創(chuàng)新、提升商業(yè)價值（降本增收提效）。 創(chuàng)新奇智數(shù)據(jù)智能方案適用于多個應用場景：零售行業(yè)的智能推薦、智能補貨，制造行業(yè)的質檢、預測性運維，金融行業(yè)的智能風控、智能核保，還有應用于大型數(shù)據(jù)中心的運維能效管理（PUE）。
解決方案詳解：
市場背景數(shù)據(jù)智能是指基于大數(shù)據(jù)引擎，通過大規(guī)模機器學習和深度學習等技術，對海量數(shù)據(jù)進行處理、分析和挖掘，提取數(shù)據(jù)中所包含的有價值的信息和知識，使數(shù)據(jù)具有“智能”，并通過建立模型尋求現(xiàn)有問題的解決方案以及實現(xiàn)預測等。為使各行各業(yè)數(shù)據(jù)得到很好應用，數(shù)據(jù)智能產品應運而生。所針對的行業(yè)痛點以瑪氏為例，瑪氏公司是全球最大的食品生產商之一，擁有眾多世界知名的品牌。在這 些品牌中，價值超過十億美元的品牌就包括德芙、瑪氏、M&M’S、士力架、 UNCLE BEN’S、傲白、寶路、皇家、偉嘉和特趣?，斒显谥袊?100多 家分銷商，現(xiàn)由瑪氏銷售人員依據(jù)個人經驗每天耗費大 量時間對所負責的分銷商進行補貨決策，因相關限制條件過多，往往不能做出 最優(yōu)化的補貨決策，造成訂單滿足率較低，過期倉與臨期倉數(shù)量過高具體解決的業(yè)務場景問題零售行業(yè)的供應鏈優(yōu)化包括智能推薦、需求預測、智能補貨，智能選址等，制造行業(yè)的質檢、預測性運維，金融行業(yè)的智能定價、智能風控、智能核保，還有應用于大型數(shù)據(jù)中心的運維能效管理（PUE）。應用現(xiàn)狀及市場前景任何行業(yè)背后都有大數(shù)據(jù)的支撐，而在海量的數(shù)據(jù)中挖掘價值，都需要數(shù)據(jù)智能技術，因此市場前景非常廣闊。相對其他同類產品的競爭優(yōu)勢擁有面向特定場景的自研算法，對場景的深入了解。產品/解決方案具體功能和功能架構創(chuàng)新奇智數(shù)據(jù)智能方案基于擁有自主知識產權的自動化機器學習平臺，目標是幫助用戶快速構建企業(yè)級的機器學習應用，降低部署門檻，提升開發(fā)效率。自動化機器學習平臺包含數(shù)據(jù)核心、算法核心和生產核心三個部分。數(shù)據(jù)核心具有海量數(shù)據(jù)處理能力，建立數(shù)據(jù)閉環(huán)，集成管理客戶數(shù)據(jù)。算法核心多種算法支持，自動化特征抽取和選擇，自動化算法訓練，快速定義算法能力。生產核心以MLaaS的方式將數(shù)據(jù)能力與算法能力結合，通過生產核心部署企業(yè)級機器學習應用，快速支持企業(yè)AI能力輸出。技術方案設計流程及思路銷量預測算法選型：
需求預測，可以是一個分布，也可以是對特定業(yè)務目標優(yōu)化的期望值。需求預測通過對銷量等于庫存情形優(yōu)化建模方式，有效緩解了庫存限制銷量的影響；銷量評級，可以通過對在架商品的銷量評級建模，推廣到所有倉庫商品，從而對商品上下架和進貨提供參考。TreeDNN具有以下優(yōu)勢：
1） 動態(tài)連接網絡單元既減緩噪音影響，也起到特征選擇和特征交叉的作用；
2） 樹形神經網絡單元既有決策樹條件判斷的形式，又通過概率路由的設計避免了非左即右的決策樹判斷形式，對弱特征數(shù)據(jù)效果顯著優(yōu)于傳統(tǒng)決策樹算法；
3） 動態(tài)剪枝訓練壓縮了神經網絡大小，同時減去了多余的表達力。使得對于任意機器學習任務，給定充分大網絡，即可通過動態(tài)剪枝訓練達到或接近最優(yōu)網絡結構超參數(shù)的測試效果；
4） 該神經網絡結構可微可導，可以針對各類業(yè)務目標設計特定損失函數(shù)做端到端訓練。
需概率分布的預測，同樣包括均值預測和商品層級優(yōu)化。技術特點上：需要支持分布預測，為補貨提供更充分信息；支持特定目標預測，例如百分點位預測，或者整體合格率最優(yōu)；通過商品之間的內在關聯(lián)，對商品的預測做進一步修正，精度更高。例如飯類所有商品的銷量預測值的總和與飯類整體銷量預測值接近，整體的銷量是比較穩(wěn)定的。
1） 均值預測方法
樹形神經網絡、Boosting決策樹預測需求均值，在損失函數(shù)里對銷量等于庫存的額外處理；
利用商品層級對均值進行優(yōu)化修正，類別的未來需求更穩(wěn)定，將類別的需求預測作為商品預測的需求作為約束進行優(yōu)化。
2） 需求概率分布預測方法
高斯分布；對數(shù)正態(tài)分布。
智能補貨算法選型
同樣考慮不確定因素（到貨延期，需求波動等），通過構建隨機優(yōu)化模型，以改善周轉率和提高現(xiàn)貨率為目標，并考慮具體業(yè)務中的限制，從而求得各SKU的最優(yōu)補貨量。
隨機優(yōu)化是處理數(shù)據(jù)帶有隨機性的一類數(shù)學規(guī)劃，它與確定性數(shù)學規(guī)劃最大的不同在于其系數(shù)中引進了隨機變量，這使得隨機規(guī)劃比起確定性數(shù)學規(guī)劃更適合于實際問題，例如在預測產品需求量時，由于預測誤差的存在，實際的需求量與預測的需求量會有出入，考慮這方面影響時隨機規(guī)劃更加合適，并且隨機優(yōu)化模型能輸出在業(yè)務約束條件下的最優(yōu)結果，補貨隨機優(yōu)化模型對計算能力要求較高。下圖為隨機優(yōu)化補貨模型示意，針對不同的場景選用不同模型算法（自研算法或啟發(fā)式算法）。
所需技術和模型
技術：機器學習、運籌優(yōu)化
算法：TreeDNN、對偶深度回歸、置信區(qū)間預測、需求概率分布預測、拓展性更強的隨機優(yōu)化模型、模擬仿真環(huán)境
