健康有益：AI技術(shù)破解健康管理難題

　　近日，健康有益發(fā)布了與京東、科大訊飛等多家企業(yè)的合作信息，將整合在健康管理、智能電商平臺(tái)、人工智能等方面的資源和技術(shù)優(yōu)勢(shì)，合力打造多場(chǎng)景下的健康生活，推動(dòng)精準(zhǔn)健康產(chǎn)業(yè)的發(fā)展。

　　健康有益成立于2014年9月。創(chuàng)立三年來，利用人工智能與生命科學(xué)等技術(shù)，專注于探索和創(chuàng)新健康領(lǐng)域的研究實(shí)踐、應(yīng)用落地與解決方案，打造AI精準(zhǔn)健康管理開放平臺(tái)。希望人們科學(xué)管理生命，重健康而輕醫(yī)療，通過飲食、運(yùn)動(dòng)、生活方式及心理調(diào)節(jié)即能實(shí)現(xiàn)健康生活，降低疾病發(fā)生的可能性。

　　在探索過程中，健康有益團(tuán)隊(duì)發(fā)現(xiàn)健康管理領(lǐng)域面臨很多難題，如健康信息的收集難度較大、個(gè)性化健康管理難實(shí)現(xiàn)等。針對(duì)這些行業(yè)難題，通過建立自然語言處理組、機(jī)器視覺組、強(qiáng)化深度學(xué)習(xí)組來綜合解決，健康有益目前已經(jīng)取得了一些成果。

　　自然語言處理：

　　自然語言處理領(lǐng)域主要包含開放域聊天對(duì)話技術(shù)、基于任務(wù)的單輪多輪對(duì)話技術(shù)、機(jī)器翻譯技術(shù)和輿情監(jiān)控技術(shù)等。健康有益研發(fā)人員在健康管理領(lǐng)域主要是利用基于任務(wù)的單輪、多輪對(duì)話技術(shù)，基于該技術(shù)實(shí)現(xiàn)用戶的健康語音記錄和健康咨詢服務(wù)。

　　基于該技術(shù)，團(tuán)隊(duì)構(gòu)建了基于健康管理任務(wù)驅(qū)動(dòng)的對(duì)話框架，具體如下：

　　第一步語音識(shí)別，主要通過深度學(xué)習(xí)LSTM將聲音轉(zhuǎn)化成文字。

　　第二步自然語言理解，這個(gè)部分簡(jiǎn)單來講就是將一段文字進(jìn)行結(jié)構(gòu)化表示，所謂結(jié)構(gòu)化表示就是建立slot-value pair的過程。例如“我將在11點(diǎn)30分吃午飯”。這個(gè)句子中就包含了兩個(gè)slot, 分別是時(shí)間和動(dòng)作。時(shí)間對(duì)應(yīng)的value是11點(diǎn)30分，動(dòng)作對(duì)應(yīng)的value是吃午飯。

　　第三步對(duì)話管理，這個(gè)部分主要實(shí)現(xiàn)的是意圖識(shí)別，以及某個(gè)意圖所對(duì)應(yīng)的對(duì)話行為。狀態(tài)跟蹤就是意圖的識(shí)別，slot里面的value有可能對(duì)應(yīng)的是一個(gè)意圖。比如“我想吃飯”，吃飯作為value,對(duì)應(yīng)的意圖有可能是希望查詢周邊的用餐信息，也有可能是希望直接推薦餐單進(jìn)行訂餐，對(duì)應(yīng)value就會(huì)有多個(gè)意圖。而每個(gè)意圖又對(duì)應(yīng)了產(chǎn)生的動(dòng)作。查詢周邊的意圖對(duì)應(yīng)的動(dòng)作就是推薦周邊的餐館信息，訂餐意圖對(duì)應(yīng)的動(dòng)作就是提供訂餐功能。那么什么時(shí)候用戶會(huì)選擇查詢，什么時(shí)候用戶會(huì)選擇訂餐，如何確定，這就是對(duì)話策略。

　　第四步，確定好應(yīng)對(duì)策略后，結(jié)合數(shù)據(jù)庫(kù)中的知識(shí)，自動(dòng)生成相應(yīng)的對(duì)話，與用戶進(jìn)行交互，這就是自然語言生成。

　　第五步，語音合成，就是將生成的自然語言文字，轉(zhuǎn)化成語音播放出來。

　　以上就是健康管理任務(wù)驅(qū)動(dòng)的完整框架。

　　機(jī)器視覺：

　　機(jī)器視覺主要包含了圖像、視頻識(shí)別、三維重建、運(yùn)動(dòng)檢測(cè)等相關(guān)技術(shù)。健康有益團(tuán)隊(duì)目前主要采用了圖像識(shí)別技術(shù)和三維重建技術(shù)，圖像識(shí)別技術(shù)主要用于食物識(shí)別。

　　食物識(shí)別主要采用CNN中的ResNet(殘差網(wǎng)絡(luò))，主要分為卷積層，池化層，全連接層，分類層。卷積層主要實(shí)現(xiàn)的是特征提取，通過不同的卷積核來提取圖片的不同緯度的特征。池化層主要解決的是特征向量過多導(dǎo)致過擬合的問題，所以要進(jìn)行降維，降維的原則是將高頻分量保留，低頻分量刪除。經(jīng)過池化后的特征向量，再進(jìn)行第二次，第三次，第N次的卷積和池化，最后得到的特征向量，經(jīng)過全連接層和分類層，進(jìn)行特征的識(shí)別。分類層主要是對(duì)圖片進(jìn)行分類的方法，目前主要包含softmax和SVM兩種，用的最多的是softmax。

　　知識(shí)圖譜：

　　知識(shí)圖譜主要分為四步，分別是信息抽取，知識(shí)融合，知識(shí)加工，知識(shí)更新。

信息抽�。褐饕�是根據(jù)健康領(lǐng)域?qū)＜姨峁┑膶�業(yè)信息進(jìn)行分析，抽取其中的實(shí)體信息、關(guān)系信息、屬性信息。實(shí)體抽取，即從專業(yè)信息中集中自動(dòng)識(shí)別出命名健康領(lǐng)域的專業(yè)實(shí)體;關(guān)系抽取，即為了得到語義信息，還需要從相關(guān)語料中提取出實(shí)體之間的關(guān)聯(lián)關(guān)系，將實(shí)體通過關(guān)系聯(lián)系起來;屬性抽取，即屬性抽取的目標(biāo)是從不同信息源中采集特定實(shí)體的屬性信息。

　　知識(shí)融合：數(shù)據(jù)層的融合包括實(shí)體的指稱、屬性關(guān)系以及所屬類別等。主要的問題是如何避免實(shí)例以及關(guān)系的沖突問題造成不必要的冗余。

　　知識(shí)加工：首先對(duì)信息進(jìn)行本體構(gòu)建，也就是模型建立。利用這些本體，結(jié)合實(shí)體關(guān)系進(jìn)行相關(guān)知識(shí)推理，以此發(fā)現(xiàn)新的信息關(guān)系，以擴(kuò)展和修正知識(shí)圖譜的結(jié)構(gòu)和內(nèi)容。

　　知識(shí)更新：人類所擁有的信息和知識(shí)量都是時(shí)間的單調(diào)遞增函數(shù)，因此知識(shí)圖譜的內(nèi)容也需要與時(shí)俱進(jìn)。其構(gòu)建過程是一個(gè)不斷迭代更新的過程。

　　當(dāng)前人工智能在健康領(lǐng)域已經(jīng)全線爆發(fā)，但醫(yī)療占據(jù)仍較大比例。健康有益作為首批將人工智能與健康管理進(jìn)行結(jié)合的科技公司，探索創(chuàng)新人類個(gè)性化健康管理的新方式。未來健康有益還會(huì)與更多的行業(yè)巨頭企業(yè)進(jìn)行合作，通過技術(shù)與健康管理的深度融合，幫助人類更好地量化生命。