对话复旦大学类脑研究院工程师郑忍成: 解析人工智能在医疗中的实践与商业化挑战

AI Odyssey

大家好,欢迎收听《AI Odyssey》。 最近我们一直在关注AI在生命健康领域的产品,这些产品大体可以分为两个方向:一是面向消费者的健康管理产品(硬件 or App),基于穿戴设备、饮食记录App、运动记录App等收集用户摄入和消耗的数据,并通过AI教练(AI Coach)来提供健康指导;二是面向医疗机构的疾病诊断和辅助导诊的AI软件。前者理解起来相对简单,基于公网的数据进行预训练就能获得一个还不错的 Agent,无论是选择使用API,还是训练自己的小型模型, 整体用户体验上差别不会很大。但在更为专业和细分的医疗领域,无论是在数据获得,算法优化,还是算力部署上,现实场景都更为的复杂,且富有挑战。 因此,本期节目我们特别邀请到了复旦大学类脑研究所的郑忍成工程师,与我们分享AI在医学影像的应用以及在医疗领域的发展趋势。掌声欢迎👏👏。 嘉宾: 郑忍成:复旦大学博士毕业([email protected]),目前任复旦大学类脑智能科学与技术研究院算法工程师。主研方向为人工智能算法及其在医学影像分析中的应用。在《IEEE Transactions on Medical Imaging》,《Science Advances》等学术期刊上发表SCI论文20余篇,并在MICCAI,ISMRM等国际学术会议上发表会议论文和摘要10余篇。参与国家自然科学基金、上海自然科学基金等多个面上项目。 主播: Leo:硅谷大厂高级机器学习工程师,GenAI LLM发烧友 PongPong:连续创业者,AI初创公司产品负责人 Shownote: [00:31] - 嘉宾介绍 [01:22] - 医学影像AI的发展历程 [02:08] - AI在医学影像中的实际应用 [04:14] - AI与传统算法的对比 [05:52] - 医学影像算法的发展历程 [07:24] - 特定器官的AI检测与通用模型的探索 [12:08] - 医疗AI的数据获取与隐私保护 [15:07] - 数据标注的挑战 [16:30] - 医学影像AI的准确性与挑战 [19:20] - 医学影像AI产品三类证与二类证的介绍 [23:27] - AI在低风险领域的应用与商业化 [27:34] - 医疗AI的商业化路径 [30:06] - 医院联盟与数据共享 [36:58] - 医学影像AI的未来趋势 以上就是本期的全部内容啦,感谢您的收听,我们下期再见~ 欢迎大家在同名 小🍠:AI Odyssey 和 👸号:AI Odyssey 关注我们,我们将持续给大家带来更多精彩内容,敬请期待。

39分钟
99+
1年前

对话MindOS联创Kisson:AI-Native操作系统与AI Agent的设计构想

AI Odyssey

主播的话: 认识Kisson是通过她的一篇复盘文章《创业两年,被风口拍得酸爽》,她在文章中详细记录了创业以来的各种经历和思考,这让我对她和MindOS的发展产生了浓厚的兴趣。22年是新一轮AI创业潮的一个关键时间节点,Kisson的公司MindOS在这一年成功融资,站在了起跑线的领先位置。两年多的时间过去了,这家公司经历了哪些变化呢?今天我们邀请Kisson来分享她的创业故事和对AI未来的看法,期待她的精彩分享。 嘉宾: Kisson 林宋琪,Mindverse AI (MindOS.com) 联创及COO,前TikTok商业化战略总监,前Facebook集团战略经理。关注AI agent和记忆模型。公众号:Kisson不聊广告改煲鸡汤了。推特:@KissonL 主持人: Leo 硅谷大厂高级机器学习工程师,GenAI LLM发烧友 PongPong 连续创业者,AI初创公司产品负责人 产品介绍: MindOS:一款面向海外2B的AI Agent创建引擎,商家可以创建客服机器人部署到网站上提升转化率。心识宇宙 (Mindverse)自研的大型个性化模型(LPM)解决了传统AI缺乏个性化、隐私问题和数据偏见等痛点,以及通过模型长期记忆的优势让AI可以通过自然语言持续学习,越聊越懂用户,为商家的客户提供完全个性化的体验。 * 官网:www.mindos.com Mebot:一款学习和记住用户想法和偏好的生产力工具 * 官网:www.mindos.com Shownotes: 00:44 - 嘉宾自我介绍 08:45 - 探讨AI-native操作交互系统,现有技术的局限和未来的潜在进展 09:58 - 分享从开发自有模型转向利用GPT API,MindOS 如何找到自己的定位 12:23 - 讨论个人AI助手在信息整合和管理中的角色,长期记忆和个性化模型的重要性 18:38 - 分享 Mebot 如何利用长期记忆提供更个性化的体验 19:29 - 讨论解决有效捕捉和情境化用户信息的挑战,分享了 AI+硬件更简便输入的潜在解决方案 24:44 - 讨论如何提高 Long-term memory (LTM) 在推理时的准确性 27:46 - 介绍了MindOS 团队对 on-device 模型和构建数据抽象理解层的规划 29:22 - 探讨小而美的AI初创公司的优势 35:05 - 讨论AI产品找到PMF的挑战,以及理解市场需求的重要性 40:46 - 介绍 MindOS 的商业模式 43:35 - 分享 MindOS 在迭代过程中对ToB 和ToC市场的需求分析和运营策略 48:30 - 探讨关于AI Agent的挑战和机遇 感谢收听,我们下期再见~

52分钟
1k+
1年前

对话整数智能联创和前IDEA研究员:构建高质量数据集与智能数据工程平台

AI Odyssey

端午快乐~ 很开心,这期又可以和大家聊聊硬核的 GenAI 技术内容。最近和 AI 创业者们交流最多的话题就是 AI 数据。因此,本期节目我们特别邀请了两位在 AI 数据领域颇有建树的嘉宾:杨子敖,Brandeis CS PhD Candidate;刘明皓,整数智能信息技术(杭州)有限责任公司的算法负责人。一起聊了一下他们多年来在这方面积累的经验和认知,深入讨论了如何为大模型训练和推理构建高质量的数据集,以及如何搭建智能数据工程平台。 如果你对数据处理感兴趣,或者是一位充满好奇心的 AI 从业人员,我们希望通过这期节目为你带来关于 AI 和数据的新看法和启发。欢迎收听~ 嘉宾介绍: 杨子敖 Brandeis CS PhD Candidate,曾在奇绩创坛和IDEA研究院工作过。目前的研究兴趣是Data centric ML,特别是基于influence function和Shapley value的Data Valuation。 刘明皓,整数智能信息技术(杭州)有限责任公司算法负责人。中国人工智能产业发展联盟2022年突出贡献个人,《人工智能研发运营一体化(Model/MLOps)能力成熟度模型》核心参编专家,MAP-NEO Core Contributor。 主播介绍: Leo Zhao: 硅谷大厂高级机器学习工程师,GenAI LLM发烧友 Shownotes 00:30 - 嘉宾自我介绍 02:27 - 讨论 OpenAI 发布的 Scaling Laws 对模型性能的影响 02:59 - 探讨评估模型性能的主要指标和方法 03:48 - 模型性能衡量标准,介绍学术界常用的 Benchmark 和其他评估方法 04:49 - 分享如何评估知识型模型的效果 05:35 - 不同的 Scaling Laws 数据量的建议 07:05 - 介绍高质量数据的定义及其处理方法 08:57 - 讨论数据清洗过程中质量与多样性的平衡 09:58 - 解释数据质量如何具体影响模型训练效果 12:00 - 讨论如何评价模型的响应质量。 13:48 - 探讨处理具体应用场景数据的方法和建议 16:09 - 解释行业特定数据和 Prompt Engineering 的重要性 18:20 - 讨论在敏感领域处理数据时的隐私问题 21:22 - 介绍合成数据在模型训练中的应用和效果 23:14 -讲述如何在不同产业中扩展数据处理管道 26:48 - 解释保持数据集新鲜和相关性的周期更新策略 29:16 - 探讨验证数据集在模型评估中的关键作用 32:28 - 分享长文本数据在训练和验证中的处理方法 36:46 - 介绍自动驾驶数据的收集和处理流程 42:08 - 讨论数据壁垒的未来和数据共享的可能性 参考文献: 构建高质量数据集与智能数据工程平台 https://github.com/multimodal-art-projection/MAP-NEO https://arxiv.org/pdf/2405.19327 2077ai.com 感谢收听,我们下期再见!

47分钟
99+
1年前
EarsOnMe

加入我们的 Discord

与播客爱好者一起交流

立即加入

扫描微信二维码

添加微信好友,获取更多播客资讯

微信二维码

播放列表

自动播放下一个

播放列表还是空的

去找些喜欢的节目添加进来吧