每周三期，詳解人工智能產業解決方案，讓AI離你更近一步。
解決方案均選自機器之心Pro行業數據庫。
方案1：全球人口分布地圖和密度系統
解決方案簡介：
該系統利用深度學習分析衛星圖像數據，目標是打造全球人口分布的地圖，以此指導公司的無人機項目，幫助更多的人接入互聯網。以相對較少的照片（約 8,000 張在印度上空拍攝的圖片）的信息訓練其模型，訓練得到的神經網絡能鑒別出拍攝自其它 20 個國家的照片中人類生活的證據。
解決方案詳解：
目前，該系統已總共分析了代表 2,160 萬平方千米地球土地的 1,560 萬張圖片。識別人造物的錯誤率低于 10%。之后打算再結合其它數據，生成準確的人口密度系統。
項目由 Facebook 工程師兼光學物理學家Tobias Tiecke 及 Facebook Connectivity Lab 負責人 Yael Maguire 牽頭。
研究者僅簡單判斷樣本照片中是否有人居住并進行標注，將標注后的圖訓練神經網絡，只在「是與否」之間進行簡單的二選一，而不用標注房屋、汽車等人造物證據。訓練結束后，能得到一個簡單的分類器（Classifier），此時該系統被部署，它自動分析地表的衛星圖像，判斷圖像中是否有人造物地痕跡，再結合普查等數據進行分析，最終能生成較為準確的人口密度圖。
方案2：大數據清理軟件服務
解決方案簡介：
自動進行數據清理的數據轉換平臺，可創建可供多個不同平臺（傳統的關系式數據庫、Hadoop 集群）使用的接口。Trifacta 可以創建可在多個實體數據存儲及處理系統上運行的 SQL 查詢或 map reduce 代碼。
該平臺是在底層設計時考慮到用戶的體驗，提供的服務能讓數據科學家從數據凈化的臟累活中解脫出來，讓數據分析師能專注于數據的處理，而無需開發復雜的管道去清理數據和把它們放入數據倉庫。是第一家是將后端數據技術與直觀的前端用戶可視化界面成功結合起來的大數據公司。
解決方案詳解：
從大數據集中自動化采樣數據，使用可視化的方式讓分析師在很短的時間發現有趣的模式。
應用機器學習算法為重新組織信息和整理提供建議。分析師可以將數據集分組為信息的邏輯部分，每次將其規范化，并在其工作過程中以友好的界面方式顯示。歸納概括整個數據集合是最后一個步驟，這將最終形成半結構化的數據集并最終成形。
Trifacta 有超過 50 個企業用戶，其中包括思科、運動相機廠商 GoPro、Juniper、醫療保健系統集保險公司 Kaiser Permanente、供給、信息和保健管理產品及服務供應商麥克森（McKesson）、百事公司、輝瑞制藥公司（ Pfizer）和寶潔公司等知名大公司。Trifacta 的收費標準是按機構的數據體量計算的，費用從 10 萬美元到 15 萬美元不等。
2015 年 10 月份，Trifacta 還推出了一款免費的簡化版大數據清理軟件，這款免費軟件目前擁有超過 5,000 個用戶，遍布全球 105 個國家的 3,000 家公司里。
方案3：智能試衣間
解決方案簡介：
智能試衣間通過帶觸摸屏的鏡子及燈光調整，幫助用戶找到適合自己尺碼、顏色和消費場景的服裝。主要希望通過智能化的手段和親身體驗效果，來提升線下實體店服務的體驗，創建線下服務相對于線上電商的差異化競爭力。
解決方案詳解：
消費者進入商店，通過鏡子瀏覽店鋪中所有商品，提交試穿申請，衣服就會被導購員擺放在試衣間。顧客可以調整燈光亮度和顏色模擬使用場景，鏡子感應衣服上的 RFID 標簽并顯示在屏幕上，然后鏡子給出搭配建議。
如果需要試其他顏色或尺碼的衣服，也能通過屏幕下指令，讓導購員送來。
當顧客試穿滿意后，可以直接在鏡子上通過 Paypal 付款，試穿過的衣服會保存在個人賬戶中。試衣間里還安裝了 Kinect，可以記錄追蹤試衣者的動作。
方案4：惡意軟件防范軟件—CylancePROTECT 系列
解決方案簡介：
現有的網絡威脅旨在繞開已有的保護措施，而簡單的事后檢測難以保障安全。該公司利用數學模型為每個文件給出其風險因素，基于該風險因素，通過機器學習算法辨別「好」文件與「壞」文件。使用可擴展的大數據架構，從中識別文件模式。
解決方案適用于不同行業，比如關鍵基礎設施、教育、能源、金融、健康、零售、聯邦政府等。
解決方案詳解：
機器學習共需要四階段過程：收集、提取、學習和分類。
1. 學習利用各行業的涵蓋各種格式、作者的文件進行手動訓練，文件被分成已知且驗證有效、已知且驗證惡意、未知三部分，這些文件的分類需要保證正確，否則會帶來偏差；
2. 提取利用機器的計算能力和數據處理技術來識別文件的最有可能的特征集。 根據其文件類型（.exe、.dll、.com、.pdf、.java、.doc、.xls、.ppt等）提取文件的唯一特征。消除手動分類的偏差。使用成千上萬個特征來確定惡意文件，這大大提升了惡意軟件制作者的成本；
3. 學習屬性被搜集，歸一化后，利用矢量化和機器學習排除其中不甚相干的特征，以加快分析速度，數學家根據分類效果建立統計模型，計算每個文件風險因素；
4. 分類基于統計模型得到的文件風險因素對其進行判斷，對文件所屬的用戶得到可信度的分析，實現優化。
方案5：數據建模平臺——DataBrain
解決方案簡介：
DataBrain 數據建模平臺包含了機器學習技術，根據其數據分析服務體系，建立了數據科學工作流，幫助數據分析師、數據工程師、業務分析師提升建模能力。
平臺提供適用于信用風控、精準營銷、個性化推薦、定投策略、客戶分群等模型，可幫助銀行、金融機構管理業務，提高運營效率。
解決方案詳解：
DataBrain 數據分析體系共分以下七步：
1. 問題定義：選擇適合用數據模型解決的問題，將特殊的業務問題轉化為數據科學問題；
2. 數據準備：從多個數據源抽取關鍵數據，對關鍵數據進行清洗、處理和加工；
3. 算法調優：選擇適用于特定數據的算法，自動尋找最優參數，建立高效率的數據模型；
4. 知識發現：將數據模型轉化為決策依據，從數據中發現業務經驗以外的新知識；
5. 效果分析：基于不同的效果衡量指標分析模型效果及計算效率，評估模型的業務價值；
6. 線上部署：規范模型輸入輸出+，讓模型與業務系統無縫對接，從海量數據中自動學習；
7. 模型更新：監控模型穩定性、模型效果、模型邏輯與數據變化，收集反饋數據，持續更新模型。
而數據建模平臺內置了自動化調參機器人 Atom，在建模時會去尋找不同算法對應的參數，找到最優的算法和參數組合，提高調參的效率，Atom 通過分布式計算，把調參數及挑算法的任務自動分發到多臺計算節點上，大幅縮短計算時間，并實時監控模型效果并在線迭代。此外，平臺還能從多個數據源自動提取數據特征，將數據分析結果轉化為業務知識，為客戶決策提供依據。
