方案1：全基因组测序分析及医疗影像分析方案Health Nucleus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：
该方案结合了全基因组测序分析和 MRI 医疗影像分析的结果，能帮助用户了解自身的遗传疾病风险、对食物和药物的过敏情况、肤色、眼睛虹膜颜色、身高的情况，并获得关于癌症、心血管疾病、神经疾病、代谢疾病等疾病的健康建议。
目前，企业已经集合了超过一百万人的 DNA 数据与其临床病理数据。
该企业的数据还能为医疗保险公司提供决策参考，创建合适的保险产品。
解决方案详解：
该公司通过利用亚马逊的云服务管理大数据，构建人类基因组、对应的表型，以及对应医疗诊断病例的数据库。利用机器学习方法进行大规模计算，分析基因组数据预测出生命特征和衰老趋势，并通过早期诊断与改变生活方式等方法帮助用户达到健康长寿的目的。
方案2：人工智能风控引擎I.C.E.解决方案简介：
I.C.E. 是用钱宝以人工智能技术为核心的风控引擎。I.C.E.是人工智能基本逻辑 Identify（识别）、Calculate（计算）、Evaluate（评估）的缩写，分别对应了「柯南特征工程」、「Anubis 大数据计算架构」、「D-AI 机器学习模型」三个智能风控组成部分。
基于人工智能技术的风控引擎提供了新风控方式，可以帮助金融机构从弱特征数据层面更加全面的对用户进行风险评估与定价。解决中国大部分人群无法获得传统金融服务的问题。具体可实现：
1. 拓宽金融服务边界：通过人工智能技术让之前不能获取金融服务的人群获得与之想匹配的金融服务与金融能力；
2. 提高服务效率：可 7x24 小时纯线上完成；
3. 无道德风险，反作弊能力强。
解决方案详解：
其人工智能风控引擎的技术方案由以下构成：
1. 数据上：基于用户在互联网上的行为轨迹；
2. 样本上：基于「用钱宝」海量的金融样本；其中被标注的样本已经超过千万；
3. 特征上：基于常见的特征工程，研发了 Conan 特征工程体系，目前已经挖掘产生有效弱特征超过 2,200 维；除了常见特征工程算法以外，还引入了特征自动挖掘和衍生算法；
4. 模型上：基于传统机器学习模型，针对金融场景下的复杂环境问题，研发了 D-AI 机器学习模型；D-AI 机器学习模型依据具体的金融场景问题尝试不同的机器学习模型，包括但是不限于 LR、GBDT、深度学习、LR+GBDT、Boosting 融合模型、Blending 融合模型等；
5. 架构上：为了能够支撑海量数据特征的计算和模型迭代，自主研发了 Anubis 大数据计算架构。计算架构由常见的分布式计算框架、实验流量框架和大数据存储框架构成。
方案3：自适应学习引擎AI（H）解决方案简介：
用 AI 技术模拟个人投递和企业简历初筛过程，帮助招聘企业和求职者实现精准高效的需求匹配。
能实现以下优势：
1. 更高效。简历、求职者历史行为数据搜索匹配，有效降低 HR 简历获取、初筛的成本，提升招聘效率，解决中小企业投递量不足及大企业筛选困难的问题；
2. 更精准。使用历史录用员工简历、绩效考核、评价等个性化标注数据训练模型，满足企业个性化招聘需求。
解决方案详解：
使用自然语言处理（NLP）技术和门禁卷积神经网络（Gated CNN）算法，综合企业历史投递、面试、招聘、绩效考核和评价等标记数据，和求职者的档案信息、简历/职位文本内容、招聘和投递等历史行为数据，实现企业与求职者双方需求的高效率匹配。
方案4：先进驾驶辅助系统以及自动驾驶技术平台Zenuity解决方案简介：
公司拥有 Level 1 的独特经验技能，从传感器到控制均有涉猎，提供工业汽车先进驾驶辅助系统（ADAS）以及自动驾驶技术解决方案。公司正在为完整的 ADAS 和 AD 系统构建模块化平台，提供完整的软件堆栈，包括计算机视觉、传感器融合、决策和车辆控制的算法，以及在云中运行的应用程序。希望其软件能与各个公司的传感器、计算硬件兼容，实现不同车型，不同自主驾驶程度的车辆之间的扩展。平台结合传统的信号处理技术与新兴的深度学习技术分析从传感器中得到的大量数据。
解决方案详解：
沃尔沃汽车公司是一家发祥于瑞典，并逐渐走向全球各大汽车市场的汽车制造商。目前在全球各地销售的「XC60」、「S60」以及「S90」等系列都是该公司推出的优秀乘用车。2017 年 1 月 3 日，该公司对外发布消息表示为了推进自动驾驶的研发进程，会与瑞典奥托立夫公司（AUTOLIV）全新设立一家名为「Zenuity」的合营公司。AUTOLIV 是向全球各大汽车制造商提供主动及被动安全系统的世界顶级供应商。
方案5：数据智能解决方案解决方案简介：
创新奇智数据智能解决方案基于拥有自主知识产权的自动化机器学习平台，以MLaaS的服务方式为用户提供从底层基础环境配置到算法应用输出的端到端机器学习服务， 通过对数据深入挖掘，最大程度激活数据价值 ，助力企业优化流程、促进创新、提升商业价值（降本增收提效）。 创新奇智数据智能方案适用于多个应用场景：零售行业的智能推荐、智能补货，制造行业的质检、预测性运维，金融行业的智能风控、智能核保，还有应用于大型数据中心的运维能效管理（PUE）。
解决方案详解：
市场背景数据智能是指基于大数据引擎，通过大规模机器学习和深度学习等技术，对海量数据进行处理、分析和挖掘，提取数据中所包含的有价值的信息和知识，使数据具有“智能”，并通过建立模型寻求现有问题的解决方案以及实现预测等。为使各行各业数据得到很好应用，数据智能产品应运而生。所针对的行业痛点以玛氏为例，玛氏公司是全球最大的食品生产商之一，拥有众多世界知名的品牌。在这 些品牌中，价值超过十亿美元的品牌就包括德芙、玛氏、M&M’S、士力架、 UNCLE BEN’S、傲白、宝路、皇家、伟嘉和特趣。玛氏在中国有 100多 家分销商，现由玛氏销售人员依据个人经验每天耗费大 量时间对所负责的分销商进行补货决策，因相关限制条件过多，往往不能做出 最优化的补货决策，造成订单满足率较低，过期仓与临期仓数量过高具体解决的业务场景问题零售行业的供应链优化包括智能推荐、需求预测、智能补货，智能选址等，制造行业的质检、预测性运维，金融行业的智能定价、智能风控、智能核保，还有应用于大型数据中心的运维能效管理（PUE）。应用现状及市场前景任何行业背后都有大数据的支撑，而在海量的数据中挖掘价值，都需要数据智能技术，因此市场前景非常广阔。相对其他同类产品的竞争优势拥有面向特定场景的自研算法，对场景的深入了解。产品/解决方案具体功能和功能架构创新奇智数据智能方案基于拥有自主知识产权的自动化机器学习平台，目标是帮助用户快速构建企业级的机器学习应用，降低部署门槛，提升开发效率。自动化机器学习平台包含数据核心、算法核心和生产核心三个部分。数据核心具有海量数据处理能力，建立数据闭环，集成管理客户数据。算法核心多种算法支持，自动化特征抽取和选择，自动化算法训练，快速定义算法能力。生产核心以MLaaS的方式将数据能力与算法能力结合，通过生产核心部署企业级机器学习应用，快速支持企业AI能力输出。技术方案设计流程及思路销量预测算法选型：
需求预测，可以是一个分布，也可以是对特定业务目标优化的期望值。需求预测通过对销量等于库存情形优化建模方式，有效缓解了库存限制销量的影响；销量评级，可以通过对在架商品的销量评级建模，推广到所有仓库商品，从而对商品上下架和进货提供参考。TreeDNN具有以下优势：
1） 动态连接网络单元既减缓噪音影响，也起到特征选择和特征交叉的作用；
2） 树形神经网络单元既有决策树条件判断的形式，又通过概率路由的设计避免了非左即右的决策树判断形式，对弱特征数据效果显著优于传统决策树算法；
3） 动态剪枝训练压缩了神经网络大小，同时减去了多余的表达力。使得对于任意机器学习任务，给定充分大网络，即可通过动态剪枝训练达到或接近最优网络结构超参数的测试效果；
4） 该神经网络结构可微可导，可以针对各类业务目标设计特定损失函数做端到端训练。
需概率分布的预测，同样包括均值预测和商品层级优化。技术特点上：需要支持分布预测，为补货提供更充分信息；支持特定目标预测，例如百分点位预测，或者整体合格率最优；通过商品之间的内在关联，对商品的预测做进一步修正，精度更高。例如饭类所有商品的销量预测值的总和与饭类整体销量预测值接近，整体的销量是比较稳定的。
1） 均值预测方法
树形神经网络、Boosting决策树预测需求均值，在损失函数里对销量等于库存的额外处理；
利用商品层级对均值进行优化修正，类别的未来需求更稳定，将类别的需求预测作为商品预测的需求作为约束进行优化。
2） 需求概率分布预测方法
高斯分布；对数正态分布。
智能补货算法选型
同样考虑不确定因素（到货延期，需求波动等），通过构建随机优化模型，以改善周转率和提高现货率为目标，并考虑具体业务中的限制，从而求得各SKU的最优补货量。
随机优化是处理数据带有随机性的一类数学规划，它与确定性数学规划最大的不同在于其系数中引进了随机变量，这使得随机规划比起确定性数学规划更适合于实际问题，例如在预测产品需求量时，由于预测误差的存在，实际的需求量与预测的需求量会有出入，考虑这方面影响时随机规划更加合适，并且随机优化模型能输出在业务约束条件下的最优结果，补货随机优化模型对计算能力要求较高。下图为随机优化补货模型示意，针对不同的场景选用不同模型算法（自研算法或启发式算法）。
所需技术和模型
技术：机器学习、运筹优化
算法：TreeDNN、对偶深度回归、置信区间预测、需求概率分布预测、拓展性更强的随机优化模型、模拟仿真环境
