论人工智能在大数据时代网络信息研究中应用

刘杰强

摘 要：在信息化时代背景下，特别是分析大数据时代的网络信息的应用情况的过程中，我们应该重视人工智能、深度学习和网络信息融合发展，这样才有利于推动社会发展，有利于实现信息化建设的根本目标。

关键词：大数据技术;人工智能;网络信息;深度学习

在信息化时代背景下，海量数据则是必然的发展趋势，在应用大规模集群的并行计算的背景下，对于如何实现大数据时代背景下网络数据挖掘效率具有一定的挑战性。另外，大数据背景下的网络信息的图像、影音相关数据分析以及处理水平整体还不高。将AI人工智能技术应用在网络信息处理方面则也是必然的趋势，这里重点探讨了人工智能技术在大数据背景下的信息处理研究问题。

1大数据时代的网络信息

1. 1网络信息

网络信息则是在网络环境下，用户所表达自身言论以及观点的内容，其具有互动性强、内容丰富、传播快速以及具有很强的即时性等特点。随着移动网络终端的不断普及，大数据背景下的互联网信息具有飞快的传播速度。在进行信息传播的过程中，人们能够充分利用新媒体职工的微信、微博、直播、短视频以及各种社交平台的优势，从而能进行数据信息的快速传播，其具有多样化的内容，包括文字、图像以及音视频等，数据单个价值十分有限，整体价值较高但往往分布较为分散。网络信息的传播速度、复杂多样性以及数据吞吐量都呈现出几何式的快速变化。

1.2 网络舆情分析处理技术

在信息化大数据时代背景下，网络信息分析处理技术则是能有效进行数据分析为决策服务提供帮助，主要涉及到以下方面。一是，热点发现技术。这样能有效针对大量数据话题以及关键词进行辨别，进行相应的新闻、目标话题数量的动态化统计，并能通过相应的算法来进行预测;二是，信息采集技术，主要是对于数据进行抓取以及清洗，并能结合实际需求来实现精简数据;三是，热点评估技术。能结合社会特点问题以及反馈情况，提出评分以及预警方案，从而影响公众舆论的引导。

2人工智能、深度学习和网络信息

2. 1人工智能与深度学习

在计算机技术快速发展的背景下，人工智能则是其重要的分支领域，对于各个方面的发展都具有重要意义。其中，谷歌围棋程序AlphaGo则是最具代表性的例子，能轻而易举地击败世界冠军棋手。这就是人工智能中深度学习的典型应用实例。

人工智能技术的发展过程中，深度学习则是重要的研究方向，属于机器学习的重要分支。其主要考虑到来自于人工智能神经网络方面的内容，通过选择以及样本学习，利用有效的算法，借助于内在结构以及表示层次，能有效实现采集信息的特征区分，从而能实现相应识别规则要求下，保障机器具有一定的学习能力，有效开展文字、声音、图像等数据信息的特征识别。

2. 2深度学习与图像处理

深度学习则是属于较为复杂的机器学习算法，特别是在图像识别领域中具有较为广泛的应用空间，能保障实现较高准确率的图像识别要求，有利于解决复杂模式的识别。

从软件层面来说，图像识别工作主要分为获取数据信息、数据预处理、特征选择及抽取、设计及决策等工作。一般来说，神经网络图像识别技术应用较为广泛，则是结合了神经网络算法以及图像识别技术，能有效地进行视觉系统的模拟处理，方可以进一步进行图像识别，在具体的过程中，当存在着图像特征和人眼识别记忆及感官判断的图像的匹配，则判定为图像识别成功。具体的识别效果来看，则是可以通过深度神经网络能实现预期的识别效果，具有较高的准确率，其中微软的图像识别引擎具有较低的分类错误率，甚至低于人类肉眼辨识的错误率。从这个角度来看，机器深度学习在图像识别效率和精准度则具有较强的优势。

从硬件方面来看，当前已经将CPU （ graphics processing unit）虚拟化应用在人工智能以及数据科学领域中，能够有效获得相应的AI、深度学习和数据科学服务器虚拟化等方面的支持。相比而言，这样能大大提升深度学习的速度，更好地符合人工智能技术的发展，所涉及到的CUDA （ compute unified device architecture）单元则能更快地进行卷积神经网络的训练方面的工作。特别情况下，在进行比较大规模的数据监控识别的工作中，则可以通过增设专业显卡就可以实现。在摩尔定律的作用下，硬件性能得到快速提升，这对于深度学习的发展具有重要的意义。

2. 3 人工智能与网络信息

深度学习则是在信息化时代背景下的大数据技术下的机器自主学习的情况，能借助于底层组合方式体现出更加直观的表达。结合深度学习的情况，当存在着特定任务模型深度训练的问题，系统则自动进行相应的计算单元的增加，意味着相应更多的训练样本以及参数确定，这样能充分利用好大数据技术的优势。另外，在深度学习的过程中，借助于大数据的自主学习工作，能有效实现良好的样本特征提取，从而满足图像识别系统性能得到全方位的提升。深度学习在当前的语音识别、文本分析以及自動驾驶等方面都有着广泛的应用，相应的内容都是大数据网络信息的研究范畴。

由此可见，在基于大数据的网络信息相关的研究工作中，充分发挥好人工智能的优势，能构建深度学习模型，并合理化选择相应的优化算法，从而满足实现各种模式的对象及目标的准确化识别，在具体的应用实践中能实现车辆、物品、人脸、文字等方面的识别，并借助于网络信息技术进行反馈，从而更好地开展网络信息的预警服务、实时监控。

3 结论

综上所述，针对大数据网络信息处理的背景来说，则应充分重视人工智能技术的融入，其中，则应重视相应的顶层设计工作，并搭配到效率的核心算法，并选择高性能的硬件配置，结合人工智能算法有效地进行大数据信息处理工作，满足信息化时代背景对于数据网络信息的监管以及引导工作，为社会的进步发展更好地发挥信息技术的优势。

参考文献：

[1] 丁春光， 黄志华， 沈佳塔， 等. 基于大数据与人工智能的元器件数据智慧管理[J]. 电子产品可靠性与环境试验， 2020年1期.

[2] 李肯立， 阳王东， 陈岑， 等.  面向人工智能和大数据的高效能计算[J].  数据与计算发展前沿， 2020年1期.

[3] 姜峰.  探讨大数据与人工智能在市政工程建设中的应用与推广[J]. 写真地理， 2020年27期.

（英国纽卡斯尔大学  Newcastle University）