人工智能如何操縱經(jīng)濟(jì)學(xué)創(chuàng)造升值資產(chǎn)

是 否 +2 論壇幣

k人 參與回答

經(jīng)管之家送您一份

應(yīng)屆畢業(yè)生專屬福利!

求職就業(yè)群

趙安豆老師微信：zhaoandou666

經(jīng)管之家聯(lián)合CDA

送您一個全額獎學(xué)金名額~ !

立即領(lǐng)取

感謝您參與論壇問題回答

經(jīng)管之家送您兩個論壇幣！

+2 論壇幣

人工智能如何操縱經(jīng)濟(jì)學(xué)創(chuàng)造升值資產(chǎn)
“如果您今天購買特斯拉，我相信您購買的是增值資產(chǎn)，而不是折舊資產(chǎn)�！� –伊隆·馬斯克（Elon Musk）
想一想那句話……您要購買的是升值資產(chǎn)，而不是折舊資產(chǎn)。 推動該資產(chǎn)升值的因素是什么？ 這可能是由特斯拉的FSD（全自動駕駛）深度強(qiáng)化學(xué)習(xí)自動駕駛大腦提供的。 特斯拉汽車變得“更智能”，因此，每行駛40萬輛配備自動駕駛儀的汽車，每行駛一英里，其價值就會更高。
想象一下將“深度強(qiáng)化學(xué)習(xí)”與新的運(yùn)營數(shù)據(jù)結(jié)合起來以創(chuàng)建因使用而獲得贊賞的產(chǎn)品（車輛，火車，起重機(jī)，壓縮機(jī)，冷卻器，渦輪機(jī)，鉆機(jī)）的心態(tài)，因?yàn)楫a(chǎn)品變得更加可靠，更具預(yù)測性，更高效，更有效，更安全，因此更有價值。太好了！
通過使用和學(xué)習(xí)來增值的資產(chǎn)是領(lǐng)先企業(yè)如何利用數(shù)字資產(chǎn)獨(dú)特特征的又一個示例，該數(shù)字資產(chǎn)不僅不會耗盡或磨損，而且可以在幾乎零的數(shù)量的用例中使用邊際成本。
讓我們談?wù)勥@對您的組織意味著什么！
自動駕駛汽車需要移動物聯(lián)網(wǎng)平臺
自動駕駛汽車通過面向外部的攝像頭，雷達(dá)，激光雷達(dá)，超聲傳感器和GPS 生成大量數(shù)據(jù)。 因此，自動駕駛汽車基本上需要支持物聯(lián)網(wǎng)邊緣分析以及核心分析的現(xiàn)代物聯(lián)網(wǎng)（IoT）技術(shù)架構(gòu)，在該核心分析中，機(jī)器學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)的結(jié)合將制定指導(dǎo)車輛成功運(yùn)行的決策（請參見圖1）。
圖 1： 自動駕駛車輛物聯(lián)網(wǎng)架構(gòu)
自動駕駛汽車由多個邊緣設(shè)備組成，這些邊緣設(shè)備在子系統(tǒng)級別（制動，導(dǎo)航，氣候控制，變速器，發(fā)動機(jī)，懸架）捕獲和分析實(shí)時時間序列數(shù)據(jù)。 然后是集中式高級分析模型（例如Tesla的FSD），該模型實(shí)時匯總和集成來自不同邊緣子系統(tǒng)的數(shù)據(jù)，以優(yōu)化自動駕駛汽車的性能，可靠性，成本，排放和安全性。
新的獲利機(jī)會
自動駕駛車輛的實(shí)時對象檢測功能不僅是確保車輛安全高效運(yùn)行所必需的，而且還提供了新的機(jī)會，可以利用自動駕駛車輛與環(huán)境之間的互動過程中收集到的客戶，產(chǎn)品和運(yùn)營洞察力貨幣化（請參閱圖2）。
圖 2：自動駕駛汽車的環(huán)境視圖
想象一下基于自動駕駛汽車與其環(huán)境之間的相互作用，利用新的客戶，產(chǎn)品和運(yùn)營洞察力獲利的新機(jī)會。特斯拉從中了解到其運(yùn)行的環(huán)境是什么？ 特斯拉在正常運(yùn)營過程中會學(xué)到什么樣的客戶，產(chǎn)品和運(yùn)營洞察力？
以下是來自我的舊金山大學(xué)大數(shù)據(jù)MBA課程的一些獲利想法：
實(shí)時交通擁堵，事故和導(dǎo)航建議
道路養(yǎng)護(hù)建議
跨多個人口和地理范圍的熱門目的地
在其周圍行駛的品牌車輛及其狀況
商店，辦公室或工廠停車場中的汽車數(shù)量
可用停車位的位置
廢棄和/或被盜車輛的位置
非法垃圾或廢物傾倒
和更多…
作為一項(xiàng)家庭作業(yè)，請給我發(fā)送您的獲利想法（twitter @schmarzo）。
實(shí)時物體檢測的基本介紹[1]
自動駕駛汽車的一項(xiàng)關(guān)鍵功能是能夠利用視頻分析進(jìn)行實(shí)時物體檢測，從而識別周圍物體的位置和移動。 最近的一則商業(yè)廣告展示了Microsoft如何使用對象檢測（AI）來識別雪豹（請參見圖3）。
圖 3： Microsoft電視廣告使用雪豹來演示AI的業(yè)務(wù)案例
對象檢測使用稱為Mask R-CNN（區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）的神經(jīng)網(wǎng)絡(luò)技術(shù)識別視圖中對象的位置和運(yùn)動。遮罩R-CNN在圖像中建議一堆盒子，并檢查這些盒子（或區(qū)域）中是否有一個物體。 遮罩R-CNN是實(shí)例分割模型，可在將場景或視圖分割成單個對象（例如，單個汽車，行人，停車燈，路牌，自行車手）時啟用像素級分析位置。
圖4是對象檢測算法如何工作的示例。從人到風(fēng)箏，圖像中的每個對象都已被定位并以一定的精度進(jìn)行了識別。
圖 4：對象檢測示例
遮罩R-CNN是進(jìn)行對象檢測（類+邊界框）的Faster R-CNN與進(jìn)行像素邊界分析的FCN（完全卷積網(wǎng)絡(luò)）的組合（請參見圖5）。
圖 5： 更快的R-CNN處理流程
我們將圖像傳遞到網(wǎng)絡(luò)，然后通過各種卷積和池化層將其發(fā)送。最后，我們以對象類的形式（行人，車輛，交通信號燈，自行車手等）獲得輸出。
開發(fā)學(xué)習(xí)的經(jīng)濟(jì)價值
埃隆·馬斯克（Elon Musk）的報價是該公司利用數(shù)據(jù)和分析的獨(dú)特經(jīng)濟(jì)特征的又一個示例-資產(chǎn)不僅永不磨損或耗盡，而且可以以接近零的邊際成本在無限數(shù)量的用例中使用，而資產(chǎn)通過使用獲得更多價值-變得更具預(yù)測性，準(zhǔn)確性，完整性。
正如我在開創(chuàng)??性的博客“ 在數(shù)字化轉(zhuǎn)型中，學(xué)習(xí)的經(jīng)濟(jì)能力比...更強(qiáng)大 ”中所討論的那樣，“學(xué)習(xí)經(jīng)濟(jì)”比“規(guī)模經(jīng)濟(jì)”更強(qiáng)大，因?yàn)樗�具有�?gòu)建強(qiáng)大的AI模型的能力。在數(shù)字資產(chǎn)中更快地學(xué)習(xí)和重新部署這些學(xué)習(xí)，并且風(fēng)險更低（請參見圖6）。
圖 6： Schmarzo經(jīng)濟(jì)數(shù)字資產(chǎn)評估定理
“ Schmarzo經(jīng)濟(jì)數(shù)字資產(chǎn)定理 ”產(chǎn)生了三個關(guān)鍵的經(jīng)濟(jì)“效應(yīng)”：
效果1：邊際成本趨于平緩。 由于數(shù)據(jù)永遠(yuǎn)不會耗盡，永遠(yuǎn)不會磨損并且可以以接近零的邊際成本進(jìn)行重用，因此共享和重用“精選”數(shù)據(jù)和打包的分析模塊（解決方案核心）的邊際成本趨于平緩。
效果2：經(jīng)濟(jì)價值增長。 共享和重用數(shù)據(jù)以及打包的分析模塊（解決方案核心）可以縮短實(shí)現(xiàn)價值的時間，并降低后續(xù)用例的風(fēng)險。
效果3：經(jīng)濟(jì)價值加速增長。通過對打包的分析模塊（解決方案核心）的累積欣賞（學(xué)習(xí)），可以提高所有相關(guān)用例的價值，從而提高先前用例的經(jīng)濟(jì)價值。我現(xiàn)在將其稱為“伊隆·馬斯克·特斯拉效應(yīng)”！
摘要
“如果您今天購買特斯拉，我相信您購買的是增值資產(chǎn)，而不是折舊資產(chǎn)。” –伊隆·馬斯克（Elon Musk）
這個理想的聲明很可能是我在這個數(shù)字轉(zhuǎn)型時代聽到的最有力的見解。 不僅數(shù)據(jù)和分析資產(chǎn)永遠(yuǎn)不會耗盡，永不磨損，而且可以以接近零的邊際成本在無限數(shù)量的用例中使用，而且還能通過欣賞（而不是折舊）使用來推動數(shù)字轉(zhuǎn)換。 怎么會這樣  因?yàn)橹С謹(jǐn)?shù)字化轉(zhuǎn)型的模型（例如Google的TensorFlow或Tesla的FSD）實(shí)際上通過使用和學(xué)習(xí)增加了價值；這些獨(dú)特的數(shù)字資產(chǎn)實(shí)際上會變得更加可靠，更具預(yù)測性，更有效，更有效，更安全，因此，隨著它們通過每次交互和交易不斷學(xué)習(xí)，它們變得更有價值。
“ 學(xué)習(xí)經(jīng)濟(jì)比規(guī)模經(jīng)濟(jì)更強(qiáng)大 ” –比爾·施馬佐（Bill Schmarzo）
是的，我可以感覺到諾貝爾經(jīng)濟(jì)學(xué)獎的這一天越來越近了！
順便說一句，結(jié)束了與舊金山大學(xué)的Mouwafac Sidaoui教授（又不是UCSF�。┻M(jìn)行的又一次啟發(fā)性的教學(xué)年。學(xué)生們熱情，好奇和無所畏懼。我還能問什么呢。這些是明天的商業(yè)和社會領(lǐng)袖！ 我們掌握得很好。
圖 7： 2019年舊金山大學(xué)大數(shù)據(jù)MBA訪問日立的班級
[1]要了解有關(guān)RCNN和對象檢測的更多信息，請查看以下資源：
使用SlimYOLOv3進(jìn)行實(shí)時對象檢測-詳細(xì)介紹
基本對象檢測算法的逐步介紹（第1部分）

關(guān)注 CDA人工智能學(xué)院 ，回復(fù)“錄播”獲取更多人工智能精選直播視頻！

掃碼加我 拉你入群

請注明：姓名-公司-職位

以便審核進(jìn)群資格，未注明則拒絕

分享0 收藏0 回帖

關(guān)鍵詞：人工智能 經(jīng)濟(jì)學(xué) Microsoft 諾貝爾經(jīng)濟(jì)學(xué)獎 twitter