每周三期，詳解人工智慧產業解決方案，讓AI離你更近一步。解決方案均選自機器之心Pro行業資料庫。
方案1：智能設計雲平臺——人工智慧建築師小庫
解決方案簡介：
建築師只需聯網登陸，輸入基地條件和容積率等參數，小庫就會利用機器學習和深度學習的成果，通過生成和評估模型，將合適的設計方案以三維空間模型的形式推薦給建築師，建築師每次調整也能實時獲得小庫的反饋，所見即所得的方式可以進一步縮短工期。
解決方案詳解：
建築領域，特別是住宅，在前期設計階段，需要大量強排方案。在中國的地產業，政府在向開發商轉讓土地的使用權時，會提出容積率、建築密度、限高、日照間距等關鍵的規劃指標，開發商在保證這些關鍵指標的同時，以獲取最大利潤的角度，來排布建築的總圖，在強排過程中，建築師需要反覆計算、布局，並反覆調整，過程費時費力。
建築領域封閉的特性會造成工作低效。例如，A 項目的公共場所需要擺放椅子，並已完成椅子的設計。此後，B 項目的公共場所同樣需要椅子，但並不知道 A 項目已有設計好的椅子，只得重新設計。
人工智慧設計雲平臺通過智能設計，實時快速排量、設計、修改精確輔助設計師進行方案設計，同時小庫能通過梳理不同的知識體系，形成類知識圖譜，將無形的經驗轉化成知識庫。
建築師使用小庫時，小庫也會記錄其喜好，建立相應類知識圖譜，並根據該建築師的喜好推薦方案。
方案2：AI 心電圖自動分析診斷系統——樂普醫療
解決方案簡介：
樂普醫療自主研發的國內首個心電圖人工智慧自動分析和診斷系統——AI-ECG Platform 是國內首項實現新一代心電圖自動分析診斷研究開發和產業化的人工智慧心電醫用技術，其診斷項目覆蓋了主要心電圖診斷事件，在心律失常事件，特別是早搏、心動過速、逸搏、傳導阻滯和房顫房撲等方面，較傳統心電圖分析診斷方法，有比較大的優勢，準確性達到 95.0% 以上。
解決方案詳解：
樂普醫療人工智慧心電團隊從 30 萬例患者的心電圖檢查數據中，獲取了約 2500 萬份心電圖的大數據樣本，用以訓練深度卷積神經網絡模型。不同於史丹福大學著名人工智慧專家吳恩達在 2017 年 7 月發表在 arXiv 網站的工作，樂普 AIECGPlatform 使用了一系列的卷積神經網絡模型分別對心電圖幹擾信號、心律失常事件、心臟激動、傳導阻滯、心房心室肥大、心肌梗塞進行了廣泛精準的訓練學習，從而在心電圖自動診斷種類和準確性兩方面，都具有更加顯著的優勢。
AI-ECG Platform 可用於常規靜態心電圖的分析診斷和動態心電圖的實時監護及預警，在臨床檢查、監護和家庭監測等多個方面具有應用價值。心電圖傳統算法限於對 P 波、T 波識別有局限性，無法將 P-QRS-T 波作為一個完整波群進行分析；而人工心電圖分析很大程度依賴於醫師的專業水平、經驗及多種因素的影響，因此，樂普 AIECGPlatform 較二者的優勢則更加明顯，尤其是在特殊類型心血管疾病，它可以非常準確的識別出傳統方法比較困難的心房撲動-心房顫動伴完全性右束支阻滯，二度房室阻滯文氏和莫氏類型。
AI ECGPlatform 已經於 2017 年 8 月在優加利公司應用，經過半年實踐，證明 AIECGPlatform 在心律失常事件和心臟激動傳導異常事件的診斷能力已經達到專業醫生水平，對一些複雜病例的分析診斷，甚至超過專科醫生水平。
基於AI-ECG Platform心電圖人工智慧自動分析和診斷系統的醫療機械已經獲得美國食品藥品監督管理局（FDA）註冊受理，並已通過一期RTA審核。
方案3：創意生成引擎——Yossarian
解決方案簡介：
Yossrian 於 2011 年在英國倫敦成立，該公司的主要工作正是突出搜索算法中的 「 Catch-22」 理念，幫助人們通過現有的知識而獲得新的知識。
解決方案詳解：
Yossarian 是一個隱喻搜尋引擎。公司的主旨是希望用戶可以生產和創造新的知識，而非已被眾所周知的知識內容。
Yossarian 通過機器學習的技術和自然語言解析的技術，將關鍵詞所代表的含義進行多層挖掘聯想，以向用戶返回不同，關聯概念相關的信息，從而幫助用戶產生新的想法。
該引擎可以提供各種類型的側面見解，試圖拓展用戶的知識邊緣。Yossarian 的創意引擎方案旨在幫助想要產生新想法或希望以全新的方式看待問題的用戶。
方案4：工業機器人3D視覺系統——Kinema Pack
解決方案簡介：
Kinema Pack 是行業第一個應用深度學習的工業機器人 3D 視覺系統，其使用計算機視覺和機器學習方法來判斷如何用最有方法吸起和擺放貨件。系統能夠自動校準和學習貨件擺放，不需要倉庫人員額外的編程。
解決方案詳解：
大部分的零售商，倉庫，物流公司都花費大量人力和時間整理和擺放貨件。過往大部分機械臂在吸起貨件這一工序上往往表現不佳，難以識別貨件上的標籤和包裝帶，因此很難正確地吸住貨件的中心。
Kinema Pack 使用 2D 和 3D 視覺技術，為每一個貨件進行建模並判斷最佳吸取位置，並記下此貨件吸取數據。Kinema Pack 的系統需要數秒計算如何吸起一個新的貨件，而在下一次遇到同一個貨件的技術過程則縮到一秒以下，而人類則平均需要 6 秒來抓取一個貨件。
方案5：可通過html進行可視化展示的加載在伺服器上的算法——WeAITech
解決方案簡介：
採用天空圖像與雲識別特徵提取，為雲層分布進行像素級別的識別，準確度超過 90%；同時，使用多層感知器神經網絡，搭建電流預測系統。
解決方案詳解：
1. 地表太陽光強受氣象影響，會在短時間尺度上（15 分鐘）影響電站產能的穩定性，影響併網安全。因此 CEC 要求運行電站按時報送產能預測數據；
2. 同時，太陽光強具有明顯的長周期（天文周期）和高頻波動（雲影影響），天文周期較易模擬，受天氣影響的雲影因子需要外部輸入增強模型表現；
3. 單純的物理模型結構複雜誤差較大，而單純的數據模型過於依賴數據，因此結合人工智慧預測引擎的混合模型可以有效結合兩類的模型的優點，提高預測準確度；
4. WeAI Tech 採用了天空圖像與雲識別特徵提取，為常用相機搭建的智能圖像處理系統，可以為圖像中雲層分布進行像素級別的識別。準確度在不同地點的不同氣象環境下都穩定超過 90%；
5. 同時，開發設計的直射輻射超短期預測系統安裝在美國加利福尼亞 Ivanpah 塔式光熱電站（ISPF:383MW），基於多層感知器神經網絡，響應解析度小於 5 分鐘，解決了該電站對於電網併網的需求，已穩定運行 3 年。
其算法具備以下優勢：
1. 本身深度學習在準確度，靈活性，抗噪音和發展潛力方面顯著優於其他物理、統計、一般機器學習模型。比如此前太陽能預測 IBM 之前也只是用統計類 ARMA 模型，深度學習的準確度可以提高 10-15%；
2. 模型搭建：可以從底層架構，不是簡單的抓一個算法包餵數據，可以自定義很多底層算法（激活方程成本方程等）從而不斷的優化迭代；
3. 模型訓練：不再是黑匣子，而是灰匣子，能很大程度上理解人工智慧在做什麼，例如根據precision,recall 調整側重點；
4. 搭建模型+訓練模型可以在一般抓包的基礎上再提高表現 20%-50%。