设备多、流程连、停机贵，AI 帮着早发现问题。
设备多，数据来源就多。流程连着，一处停下全线跟着停。停机一小时可能损失很大，所以宁可提前预警，也不要等坏了再修。
检测零件是图像分类，预测故障是时间序列预测，多台机器人协同排班用到第 6 章的多智能体。
数据种类最多，安全和隐私的要求也最严。
安全、可解释、保护隐私、人机协同，四条都在说怎样用得放心。说不清理由的高准确率模型，医生不敢用，出了错也找不到原因。
模型像一位帮忙初筛的助手，把几百张片子先过一遍，把可疑的挑出来排在前面。最后下诊断、签字负责的，仍然是医生。
医院用 AI 辅助看 CT 片，下面哪种安排最符合“人机协同”？
数据多、交易快、规则清楚，高风险的事要人来复核。
单看一笔转账很正常。可要是发现二十个账户都在同一部手机上登录，还都往同一个账户转钱，问题就露出来了。欺诈往往藏在关系里，知识图谱就是用来看关系的。
模型可以把可疑交易挑出来，但冻结账户、拒绝贷款这类会影响别人生活的决定，要有人复核。这和医疗里的人机协同是一个思路。
田地分散、环境多变，AI 帮着巡田、省水省药。
环境复杂，数据噪声大。田地分散，采集数据成本高。一年只种一两季，试错的机会少。一个地方训练好的模型，换到气候、土壤不同的地方可能就不灵了。
精准施药像医生对症开药，哪块地有虫就只喷哪块，不再整片地一起喷。
交通、零售、传媒、应急、法律，到处都在用 AI。
看懂图像和视频，处理文字，预测未来的数。视频分析是看图，合同审查是处理文字，车流预测是时间序列。
交通、零售、传媒这些方向，背后都有成熟的技术方案和公开数据集。学完这门课，可以挑一个感兴趣的方向，找一份公开数据做一个小项目。
超市想预测下个月每种商品要进多少货，这属于哪一类任务？
第 7 章讲完了，整门课也到这里结束。
第 1 章讲人工智能从哪里来，第 2 章搭起数据、模型、目标的框架，第 3 章学了经典机器学习和强化学习，第 4 章讲深度学习新方法，第 5 章讲生成内容与大模型，第 6 章讲智能体，第 7 章把这些方法放进真实项目，从数据一直做到上线。