[发明专利]一种便携式人工智能装置及其配置方法

说明书

本发明公开了一种便携式人工智能装置及其配置方法，该配置方法包括：将便携式人工智能装置连接至移动设备，并依据所述移动设备的类型安装客户端；在所述移动设备中启动所述客户端，从而于所述客户端中创建或登录企业账户；根据所述企业账户获取行业信息，并依据所述行业信息加载对应的组件；藉由摄像头获取图像，并依据所加载的组件对所述图像进行本地化准在线式处理或本地化离线式处理。该发明的有益效果为：通过离线深度学习功能，不依赖网络的智能独立性，也不需要庞大服务器的支持；通过与移动设备协同工作，具备提供精确服务的高智能性，而且可以即插即用，具有高扩展性。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种便携式人工智能装置及其配置方法。

背景技术

人工智能正以前所未有的态势汹涌而来，一方面是风投和创业创新，都把人工智能当做了下一个尚未被开垦的宝地；另一方面是应用，比起概念盛行的阶段，现在的无人车、AlphaGo等已经把人工智能技术带到了“看得到摸得着”的境地。

机器学习算法的一个关键应用就在于数据分析。视觉数据分析的进步以及速度的加快将会跨越不同的领域带来广泛的影响。人工智能在理解图像方面的技术大大加强，这包括对于例如目标、人和地点等特殊元素的文本和意义等。深度学习(Deep Learning)是关于自动学习要建模的数据的潜在(隐含)分布的多层(复杂)表达的算法。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。换句话来说，深度学习算法自动的提取分类需要的低层次或者高层次特征。高层次特征，一是指该特征可以分级(层次)地依赖其他特征，例如：对于机器视觉，深度学习算法从原始图像去学习得到它的一个低层次表达，例如边缘检测器，小波滤波器等，然后在这些低层次表达的基础上再建立表达，例如这些低层次表达的线性或者非线性组合，然后重复这个过程，最后得到一个高层次的表达。

深度学习的概念由Hinton等人于2006年提出，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。

现有技术中需要大型服务器运行的“机器深度学习”算法，而移动设备上部署“机器深度学习”在本方法出现之前，受到技术条件的制约，尚未实现。目前人工智能应用面临的主要挑战：

1、自主研发方面

设备庞大，架构复杂，CPU+GPU服务器和系统构架搭建耗资巨大；自主研发周期长，不能专注于应用开发；专业AI技术人员较少，自主开发AI模块耗时至少1年以上。

2、第三方应用

受制于第三方AI服务接口。三方AI服务接口一般是通用型，不能根据企业应用的具体需求单独提供定制化服务和优化，极大限制了应用的开发灵活性和功能的设计。第三方的硬件故障、软件故障和系统升级等因素也会对服务的提供造成严重影响；服务调用时延明显，不能满足实时服务的性能要求。随着AI服务的发展和普及，对性能的要求越来越高，目前物体或人脸识别普遍采用的在线式AI服务接口(包括第三方AI服务)调用服务返回时延都在2秒以上，无法满足很多应用的设计要求。

3、客户体验方面

完全依赖网络，使用户体验处于极大风险中。目前普遍采用的在线式AI服务接口，其服务提供完全依赖网络。无法预测的网络中断、延迟、拥堵、干扰和恶意攻击会时常影响服务提供，使用户体验大打折扣。不同行业需求差异显著，目前市场上没有为特定行业打造的帮助企业开发定制化服务以提升用户体验的产品。