产学界人士齐聚KDD-AIoT研讨会，共话万物智联未来挑战与机遇
点击上方“蓝色字体”，选择“置顶公众号”
精彩内容，即刻送达
导语
美国当地时间8月4日至8日，国际数据挖掘顶会KDD在阿拉斯加安克雷奇市举行。由微软、滴滴出行和杜克大学、乔治亚理工等十几所大学及公司联合举办的首届AIoT研讨会 (The 1st International Workshop on Artificial Intelligence of Things) 于8月5日在KDD2019顺利召开，多维度地分享了AIoT在不同领域的应用、挑战与机遇。
研讨会部分参会人员现场合影
AIoT是人工智能技术与物联网科技在实际应用中的落地融合，即AI和IoT的结合体，将智能与连接深度整合。随着人工智能的发展，5G时代和物联网的变化，从业者与研究者非常关注这些变化将会对人类生活带来的影响。本次研讨会旨在搭建一个业界与学界的研究者和开发者互动交流的平台，以展示最新的研究成果，分享构建人工智能物联网解决方案的实践经验。
AIoT 研讨会所关注话题，包含不限于：
• On device machine learning algorithms
• Real-time computer vision and speech processing
• Learning-enabled IoT applications
• AI for Edge computing
• AI for IoT security and privacy
• Low-power AI for IoT systems
• Distributed inferencing and learning
网址：https://aiotworkshop.github.io/index.html
研讨会General Chair和Program Chair致开场词
AIoT研讨会精彩瞬间
研讨会现场，邀请了微软研究院杰出科学家Victor Bahl做主旨演讲。Victor详细介绍了微软基于边缘计算的实时视频分析系统Rocket，该系统主要用于减少交通相关的死亡事故和改善城市交通。同时也分析了大规模场景中利用边缘计算所面临的技术和业务挑战，以及这些挑战背后的机遇。
微软研究院杰出科学家Victor Bahl做主题为“Fueling Industry 4.0 with the Intelligent Edge”主旨演讲
Facebook人工智能研究院总监Vikas Chandra做主题为“On-Device AI for Augmented Reality (AR) Systems”特邀报告
西北大学Charles Ling教授做主题为“AI for Alleviating Chronic Diseases”特邀报告
圆桌论坛：
Challenges and Opportunity in AIoT
在圆桌论坛环节，滴滴AI Labs智能控制首席科学家唐剑、埃克森美孚智能制造顾问Chris Gurciullo、哈尔滨工业大学人工智能研究院院长刘劼、微软Azure杰出工程师John Sheehan和佐治亚理工学院智能边缘中心负责人Marilyn Claire Wolf五位嘉宾，围绕“AIoT当下面临的机遇与挑战”主题深入展开多层次、多维度的探讨。微软张健博士主持。
滴滴唐剑表示，AIoT在智能出行领域蕴藏着无限机遇。滴滴作为全球卓越的一站式出行平台，注册用户超过5.5亿，每年完成高达100亿次的运送，覆盖了交通路况、用户叫车信息、司机驾驶行为和车辆数据等多维度的出行数据。过去20年，互联网和移动互联网解决了信息的流动问题，滴滴希望在未来十年解决物理世界中人和物体的流动。未来科技能够发挥最大变革的领域是交通，交通最重要的三要素是人、车、路，AIoT与这三要素息息相关。例如现在每个人的智能手机就是最常见的IoT设备，基于手机的基础传感器，可以通过对驾驶行为如急转弯、急刹车等的检测反映交通中“人”的实时状态；而通过车载设备以及与其相连的摄像头，智能辅助驾驶系统 (ADAS）可以实现前向碰撞检测、行人检测、车道线偏移预警等功能；同时，在以AIoT为基础的车路协同智能驾驶系统中，布置在路侧的感知和计算单元，可以获取智能车辆难以直接感知的环境信息，包括交通流中的车辆、非机动车和行人等的运动情况，再通过车路通信发送到自动驾驶车辆上，这将极大地提高自动驾驶的感知能力，规避极端天气和不良道路状况对车载感知的影响，更能够实现超视距的提前预警，使得驾驶更安全。所以说，AIoT推动人-车，车-车，车-路多层次的互联，这将会加速推动交通的智能化，推进下一代交通变革。
机遇与挑战并存，唐剑表示目前AIoT存在的挑战可以分为两个方面：一方面是IoT技术的共性挑战，例如通信方面，如何解决无线网络带宽有限，时延较长的问题，十分具有挑战性；以及随着越来越多的设备变得“智能化”，将会出现更多潜在的安全性漏洞，从硬件安全机制到软件安全算法都是IoT发展之路上必须时刻考虑和面对的挑战。另一方面的挑战更AI化，即如何将AI技术赋能于计算资源有限的IoT设备上。卷积神经网络日益增长的深度和尺寸为深度学习在IoT设备的部署带来了巨大挑战，进行模型压缩和加速是学术界与工业界都重点关注的研究领域。目前滴滴也在积极探索这一类问题，基于AutoML思想，滴滴自研一种自动化深度模型结构剪枝框架AutoSlim，在保证精度损失不超过1%的情况下，对ResNet模型压缩率高达80倍，实现智能算法在端上的应用。
KDD 2019教程 |《深度强化学习在交通领域的应用》，带你知晓DRL在交通领域最新进展 (附PPT下载)
编辑 | 洛羽