能够预测女友何时会生气的人工智能
如今，人工智能预测已经积累了若干成功的案例，可以分析视频流和识别数以千计的主题，使用人工智能技术深刻分析内容。在用人工智能预测“女友何时生气”问题上，涉及到基础、技术、应用几个方面。算法
基础层 api
对于预测情绪，涉及海量数据，呼唤与人工智能相匹配的云计算新型架构，数据的存储、调取方面实现毫秒传输，否则一切都会显得没有意义；为此，咱们首先须要采集你女友生气和高兴的数据：基本维度、内在因素、外在因素、连带因素、潜在因素、持续时间、生气后果、缓和时间、缓和缘由及缓和结果等大项的数据。而后，细分下去有无数的小项，例如，从表情到动做，从五官开始判断变化，头部及四肢会产生哪些行为动做，言语上会说哪些话，对这些进行记录，提取话语中频率较高的词汇等。将以上大项不断细化为小项，进行大量的记录，最后可用量表对现象进行归类，将其数据化，最好可以达到大数据这个级别。数据结构
同时要避开“预测即干预”陷阱。例如咱们在预测“你女友何时生气”这个问题上，重点关注的是相关性，这是合乎逻辑也是常见的大数据分析方法，可是还须要尽量地搞清楚背后的关联，可是这种标签数据和生气之间的关联显然是很是复杂的，每个数据和生气之间的准确关联显然又是一项庞大的工做。例如，你女友在单位受到领导的表扬，显得很是高兴。可是，要研究为何受到表扬，挖掘直接因素、综合因素是一件比较麻烦的事情，从社会学的眼光来看，多是一件比较唐突或不合乎情理的事情。所以，咱们不得不求其次——微调算法，让机器修补以前的测不许，但每次修补又形成了另外的偏差。和海森堡（Werner Heisenberg）量子世界中“测不许原理”同样，在大数据世界中，存在“预测即干涉”陷阱。如何避开这个陷阱，须要依靠计算能力的提高或新的算法的出现。架构
注意：必定要获得你女友本人的赞成。试想一下，若是你女友不知情，你又在偷偷研究她，哪一天东窗事发，后果多是灾难性的，尽管你的出发点是好的，但这已经不重要了.......学习
此外，数据结构转化、数据的可信度、数据的汇聚模式、数据的自动化标注、可训练的数据集；高灵敏度、高精度传感器的研发等，也是很是关键的问题，否则“你女友何时生气”对策的产生也显得没有价值；
大数据
所以，云计算、大数据、物联网之间的系统化协调匹配等，是预测类智能硬件最基础的功能。ui
技术层云计算
芯片和新型算法永远是永恒的主题。目前算法技术是启发式的。算法是否会完美解决一个给定的问题是不清楚的，根本没有数学理论能够代表一个“足够好”的算法解决方案是否存在。算法都是启发式的，工做即表明有效。
人工智能
这就须要人工智能有足够的学习深度和速度。好比一个两岁的孩子能够在被告知几回后识别大象，人工智能须要采集成千上万个“女友生气”的样本，才能精准判断，你的女友将在何时可能要生气了。spa
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------