方案1：企业服务云平台——京东金融每周三期，详解人工智能产业解决方案，让AI离你更近一步。
解决方案均选自机器之心Pro行业数据库。
解决方案简介：
基于大量用户数据和优秀的分析能力，该云平台可助企业实现智能营销，在平台上线测试中，京东金融在已经很强的营销获客能力基础上，依然使得整个外部投放的点击率在原来的效果上提升了 25%，且投放成本下降 20%。
而对于尚无大数据运营经验的企业来说，使用该平台所达成的营销效率提升和成本降低比例会更高。
解决方案详解：
京东金融已经累计服务 3.6 亿个人用户，每天能够获取超过 200TB 的数据，基于深度学习的方法，搭建出 3,0000 多个用户标签。标签涵盖用户的互联网行为、消费行为、金融行为等等，故能能够服务多行业的企业客户。
京东金融云 FaaS 服务有两大特点。
1. FaaS 服务层的所有模块都是从京东金融自身的金融科技业务中解耦出来，例如智能营销、智能风控、智能客服、智能投顾、智能支付、智能交易、智慧农业、资产证券化等，故更贴近金融业务核心，场景和用户，符合金融机构业务迭代，模式升级的需求；
2. 企业将核心金融科技能力进行标准化、模块化、积木式、嵌入式的输出，服务于金融机构的场景拓展、获客、客户运营、反欺诈、风险定价、资产交易等环节，不仅能为客户降低成本、提高效率，改善用户体验，还能够随需组合，与客户自身的优势相辅相成。
截至 2018 年初，市场云服务模式以 IaaS（基础设施即服务）、PaaS（平台即服务）、SaaS（软件即服务）三大类型为主，企业针对金融行业特点，推出了独有的 FaaS（金融科技即服务）服务，以希望满足金融机构以及其他企业在金融业务上提升核心价值的需求。
方案2：金融人工智能一站式解决方案——ICORATING
解决方案简介：
Shannon.AI 团队的白皮书概述了一种机器学习方法，可以将诈骗与合法项目区分开来:通过分析 2251 个 ICO 项目，我们将数字货币的生存期和价格波动与它的 ICO 各级信息相关联，包括其白皮书、创始团队、GitHub 库、网站等。在最佳设置情况下，该系统能够识别的 ICO 骗局项目精度为 0.83，F1 得分为 0.80。
F1 ，是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。
解决方案详解：
与人类设计的评级系统相比，ICORATING 有两个关键优点：
1. 客观性：机器学习模型涉及的对世界的先验知识较少，它是从数据中学习因果关系，相反，人类设计的系统需要大量的人类专家参与，这不可避免地会引入偏见。
2. 不法行为者操纵困难：信用评级结果是由通过黑箱训练的机器学习模型输出。这个过程只需要较少的人工干预。
在实际应用场景和业务需求的引导下，深瞐科技一步步构建起了车辆综合平台 视频结构化平台 智能摄像机 嵌入式分析器的完整产品布局。
目前还没有一种有效的方法来判断首次代币发售 (ICO) 是否是个骗局，但基于机器学习的研究方法可以让人们更容易规避那些明显的骗局。
方案3：信息技术安全和工业操作云端技术APP——SparkSecure
解决方案简介：
SparkSecure 通过收集大量结构化和非结构化数据（无论是来自云端的 SparkCognition Honeypot 还是从客户自己的数据），应用正在申请专利的机器学习和 AI 算法、自然语言处理技术和自动化技术，来分析日志中活动，预测威胁，来查找趋势、模式和异常。
一旦发现威胁，先使用各种技术自动研究威胁，以减少误报。每个威胁得到一个评分，以供安全分析师参考。然后，以适用的 Linux 安全配置（包括 Web 服务器策略，远程登录策略等）的形式生成并应用防御策略。自动适应和改进策略和规则。
结合 IBM Watson 的自然语言处理技术，提供符合语境的自然语言对话服务与客户交互，使用大量安全内容及相关产品数据这些可靠的文献训练 Watson 被训练完毕后，能有逻辑地回答客户问题。
SparkSecure可完成人力安全分析师能做的大部分工作，但是在速度和可处理数据规模方面占有优势。为能源、石油和天然气等领域的客户提供关键业务解决方案；将机器学习更深入地部署到公用事业、金融服务、航空航天和国家安全等领域。
解决方案详解：以下是产品中包含的两种专有算法：
1. Artemis可以自主地构建，测试和识别来自数千种组合的有意义的关系。 Artemis 背后的技术特别适合发现异常现象。不仅仅是单变量异常，而是基于变量组合的异常；
2. Pythia是一种自动化建模算法。它可以开发从数据源「学习」底层系统或资产的物理学的功能。 Pythia 使用各种机器学习技术来最初区分更明显的噪声与「信号」。在第一阶过滤之后，该算法结合深度学习和遗传算法来开发模型，以预测机器何时可能失败。
在美国，循环式资产（Rotating Asset）（如发电机、执行器、涡轮机和电机）的轴承故障是造成机械故障的主要原因之一。根据麻省理工学院的一项研究，每年因停机和维修的损失超过 2,400 亿美元。
方案4：智能外科手术机器人——STAR
解决方案简介：
华盛顿儿童国家健康系统的研究团队新研制的 STAR 机器人，全称 Smart Tissue Autonomous Robot，意为智能组织自动机器人。
该机器人可用于外科手术，与人类相比，机器人在皮肉切割中更为精准。机器人通过可视化地跟踪其预定的切割路径和切割工具，不断调整切割调整计划以适应移动。
解决方案详解：
STAR 机器人上装有一条机器手臂和各种手术工具，其中包括力传感器，能够感应到缝合线上的拉力。上面还装了一台热成像设备，用来区分外貌相近的组织。团队编写的计算机程序会对该机器手臂进行控制。STAR 通过可视化地跟踪其预定的切割路径和切割工具，并不断调整其调整计划以适应移动。在这种视觉跟踪中，机器人依赖于其近红外照相机上显示的微小的标记，而这正是研究人员事先在组织上标记的位置。
如果将 STAR 机器人同人类医生和现有的机器人辅助技术相比较，STAR 在三者中更优，它缝合的间隙更加均匀，渗漏情况也更少。唯一不足的是，STAR 机器人缝合的时间确实比人类医生要长，平均每台手术耗时 50 分钟，人类只需要 8 分钟。
研究人员表示，下一步是训练该机器人处理具有复杂三维形状的肿瘤，研究将需要新的摄像机来进行视觉跟踪和更复杂的外科规划软件。例如：机器人和外科医生都被要求剪出一条 5 厘米长的直线。因为外科医生被训练在已知的地标之间切割组织，所以在皮肤上画了参考线。机器人和人类的判断依据是它们偏离理想长度的理想切割线，以及在切口周围有多少焦炭 (受损的肉)。结果：机器人的切割长度更接近 5 厘米，焦炭也较少。
方案5：从原始图像到驾驶策略的端到端学习系统
解决方案简介：
该端到端学习系统希望实为汽车自动驾驶提供策略。公司首先在搜集数据的车辆的挡风玻璃后安装三个摄像机，捕获路况的图像数据以及驾驶员的转向角度。将搜集到的数据训练卷积神经网络，使得卷积神经网络能识别路面特征。在卷积网络的训练完成后，该系统能够分析实时图像并为无人车辆发送转向指令。当仿真效果较为理想时，公司使用测试车携带着该系统进行道路测试，为自动驾驶进行技术积累。
解决方案详解：
该系统的数据收集过程与神经网络训练细节具体如下所述：
1. 数据搜集：公司使用人工驾驶并携带摄像机的车辆收集了伊利诺伊、密歇根、宾夕法尼亚和纽约的高速公路数据以及新泽西中部的地面街道数据。道路类型包括（有以及没有车道标线的）双车道公路、带有停泊车辆的小区道路、隧道和未铺好的道路。天气类型包括晴朗、多云、有雾、下雪和下雨。数据在昼夜均有采集；道路类型、天气状况和司机的活动（保持车道、转换车道、转弯等）等特征用于标注数据。数据以每秒 10 帧（FPS）的速度从视频取样得到，因为高采样率会收集到高度相似的图片，对训练没有帮助。仅使用测试车辆表现的道路的数据，训练系统的神经网络；
2. 卷积网络架构：使用 9 层卷积神经网络架构，其中包括一个归一化层（normalization layer）、5 个卷积层和 3 个完全连接的层。输入图像被分割成 YUV 平面并被传递到网络中。归一化器（normalizer）是硬编码的,在学习过程中不变。在网络中执行归一化允许归一化方案被网络架构更改，并通过 GPU 处理得到加速。卷积层被设计用于进行特征提取，并通过一系列多样化层配置的实验被经验性地选择。然后在头三个卷积层中使用带有一个 2×2 步幅（stride）和一个 5×5 核（kernel）的步幅卷积（strided convolutions），在最后的两个卷积层中使用一个有着 3×3 核大小的非步幅卷积。在这五个卷积层后面加三个全连接层（fully connected layer），得到一个最终的输出控制值，也就是逆转弯半径（inverse-turning-radius）。这个全连接层被设计用作一个转向控制器的转向功能；
3. 模型增强：为了减少系统转向命令输出之间的均方误差（mean－squared error），研究者通过添加人工偏移和转动来增加数据，教网络如何从一个不利位置或方向中恢复；
4. 仿真：将模拟器从连接到一辆人类驾驶的数据采集车的前向车载摄像机，或者获取预先录制的视频。视频被输入模拟器的神经网络，判断应给出的转向指令。模拟器记录偏心距（从车到车道中心的距离）、偏航和虚拟汽车的行程。当偏心距超过一米，就会触发一次虚拟人类干预，而虚拟车辆的位置和方向会被重置。
