找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索

与京东智能、科大讯飞战略合作,健康有益用AI技术破解健康管理难题

2018-1-12 22:42| 发布者: 一朵小礼花| 查看: 232| 评论: 0

简介:近日,健康有益与京东智能、科大讯飞在京正式签署合作协议。将整合在健康管理、智能电商平台、人工智能等方面的资源和技术优势,合力打造多场景下的健康生活,推动精准健康产业的发展。具体而言,健康有益与京东智能 ...

近日,健康有益与京东智能、科大讯飞在京正式签署合作协议。将整合在健康管理、智能电商平台、人工智能等方面的资源和技术优势,合力打造多场景下的健康生活,推动精准健康产业的发展。

具体而言,健康有益与京东智能将对未来双方探索精准健康管理领域打造更优用户体验的发展空间。此次合作为健康有益AI精准健康管理系统ego与京东Alpha智能服务平台的强强联手。ego系统基于在精准健康管理领域的沉淀,通过底层数据灌入、平台筛选、用户交互搭建智能问答库,将此模块嵌入到京东Alpha智能服务平台,合力传播健康理念与意识。

科大讯飞方面,通过底层数据灌入、平台筛选、用户交互搭建智能问答库,将健康智能问答、运动及饮食评测记录推荐、健康日程管理等多项技能模块嵌入到科大讯飞的AIUI开放平台,以帮助人们更清晰地了解自己的生命信息、体适能信息及生活轨迹信息,更好地实现健康生活,降低疾病发生的可能性。

与京东智能、科大讯飞战略合作,健康有益用AI技术破解健康管理难题

健康有益创始人李宇欣称,随着互联网和大数据的普及、人工智能的兴起,个性化健康管理需求受到越来越多的重视,精准健康管理成为未来发展趋势。人工智能平台的出现将根据用户与企业的需求,基于数据和场景进行组合开放,为消费者构建场景化健康生活体验。

公开资料显示,健康有益成立于2014年9月,利用人工智能与生命科学等技术,专注于探索和创新健康领域的研究实践、应用落地与解决方案,打造AI精准健康管理开放平台。希望人们科学管理生命,重健康而轻医疗,通过饮食、运动、生活方式及心理调节即能实现健康生活,降低疾病发生的可能性。

自然语言处理:

自然语言处理领域主要包含开放域聊天对话技术、基于任务的单轮多轮对话技术、机器翻译技术和舆情监控技术等。健康有益研发人员在健康管理领域主要是利用基于任务的单轮、多轮对话技术,基于该技术实现用户的健康语音记录和健康咨询服务。

基于该技术,团队构建了基于健康管理任务驱动的对话框架,具体如下:

与京东智能、科大讯飞战略合作,健康有益用AI技术破解健康管理难题

第一步语音识别,主要通过深度学习LSTM将声音转化成文字。

第二步自然语言理解,这个部分简单来讲就是将一段文字进行结构化表示,所谓结构化表示就是建立slot-value pair的过程。例如“我将在11点30分吃午饭”。这个句子中就包含了两个slot, 分别是时间和动作。时间对应的value是11点30分,动作对应的value是吃午饭。

第三步对话管理,这个部分主要实现的是意图识别,以及某个意图所对应的对话行为。状态跟踪就是意图的识别,slot里面的value有可能对应的是一个意图。比如“我想吃饭”,吃饭作为

value,对应的意图有可能是希望查询周边的用餐信息,也有可能是希望直接推荐餐单进行订餐,对应value就会有多个意图。而每个意图又对应了产生的动作。查询周边的意图对应的动作就是推荐周边的餐馆信息,订餐意图对应的动作就是提供订餐功能。那么什么时候用户会选择查询,什么时候用户会选择订餐,如何确定,这就是对话策略。

第四步,确定好应对策略后,结合数据库中的知识,自动生成相应的对话,与用户进行交互,这就是自然语言生成。

第五步,语音合成,就是将生成的自然语言文字,转化成语音播放出来。

以上就是健康管理任务驱动的完整框架。

机器视觉:

机器视觉主要包含了图像、视频识别、三维重建、运动检测等相关技术。健康有益团队目前主要采用了图像识别技术和三维重建技术,图像识别技术主要用于食物识别。

食物识别主要采用CNN中的ResNet(残差网络),主要分为卷积层,池化层,全连接层,分类层。卷积层主要实现的是特征提取,通过不同的卷积核来提取图片的不同纬度的特征。池化层主要解决的是特征向量过多导致过拟合的问题,所以要进行降维,降维的原则是将高频分量保留,低频分量删除。经过池化后的特征向量,再进行第二次,第三次,第N次的卷积和池化,最后得到的特征向量,经过全连接层和分类层,进行特征的识别。分类层主要是对图片进行分类的方法,目前主要包含softmax和SVM两种,用的最多的是softmax。

知识图谱:

知识图谱主要分为四步,分别是信息抽取,知识融合,知识加工,知识更新。

信息抽取:主要是根据健康领域专家提供的专业信息进行分析,抽取其中的实体信息、关系信息、属性信息。实体抽取,即从专业信息中集中自动识别出命名健康领域的专业实体;关系抽取,即为了得到语义信息,还需要从相关语料中提取出实体之间的关联关系,将实体通过关系联系起来;属性抽取,即属性抽取的目标是从不同信息源中采集特定实体的属性信息。

知识融合:数据层的融合包括实体的指称、属性关系以及所属类别等。主要的问题是如何避免实例以及关系的冲突问题造成不必要的冗余。

知识加工:首先对信息进行本体构建,也就是模型建立。利用这些本体,结合实体关系进行相关知识推理,以此发现新的信息关系,以扩展和修正知识图谱的结构和内容。

知识更新:人类所拥有的信息和知识量都是时间的单调递增函数,因此知识图谱的内容也需要与时俱进。其构建过程是一个不断迭代更新的过程。

当前人工智能在健康领域已经全线爆发,但医疗占据仍较大比例。健康有益作为将人工智能与健康管理进行结合的科技公司,探索创新人类个性化健康管理的新方式。未来健康有益还会与更多的行业巨头企业进行合作,通过技术与健康管理的深度融合,帮助人类更好地量化生命。

收藏 分享 邀请
晕倒
晕倒
口水
口水
大哭
大哭
惊呆
惊呆
感动
感动
已有 0 人参与

会员评论

推荐阅读

返回顶部