加入以人为本的AI革命

“我们人类拥有……能够与强大的人工智能相结合的洞见……从而推动社会向前发展。其次，我们还必须将信任直接嵌入我们的技术之中……第三，我们所构建的每一项技术都必须具有包容性，并尊重每一个人。”
——微软首席执行官萨蒂亚·纳德拉

作为工业人工智能领域的先行者，我们在Arimo-Panasonic的团队发现，萨蒂亚·纳德拉的这些见解既深刻又富有远见。多年来在一线积累的诸多宝贵经验促使我们采纳了一种名为“以人为本的AI”（H1st AI）的方法。

今天，我们非常高兴与您以及开源数据科学社区分享这些理念及H1st AI的具体实践！

了解核心概念

“以人为本的AI”（H1st AI）解决了现实世界数据科学中的三大关键挑战：

1. 工业人工智能需要人类洞见： 在许多重要应用中，用于机器学习的数据往往不足。例如，去年产品的数据并不适用于今年的新模型；又或者，尚未发货的设备显然没有任何历史数据可循。H1st将人类知识与任何可用数据相结合，以赋能智能系统，帮助企业更早实现产品上市。

2. 数据科学家需要人性化的工具： 当今的工具更多是用于竞争而非协作。当多名数据科学家在同一项目上工作时，他们实际上是在比拼谁能构建出更好的模型。而H1st则将一个庞大的建模问题拆解为更小、更易处理的部分，从而实现真正的协作与高效率，其方式与成熟的软件工程方法论如出一辙。

3. AI需要人类的信任： 如果缺乏用户信任，AI模型就无法部署。同时，AI也日益面临监管方面的挑战。H1st支持在多个层面进行模型描述与解释，从而实现透明且值得信赖的AI。

开始使用

H1st运行于Python 3.8及以上版本。安装命令如下：

pip install --upgrade pip
pip3 install h1st

对于Windows系统，请使用64位版本，并在安装H1st之前先安装VS Build Tools。

首先，请阅读我们的理念宣言和对象模型。

随后，您可以参考快速入门，其中提供了使用H1st规则型模型与H1st ML模型以及H1st图谱的简单“Hello world”示例。

阅读文档、教程与API文档

请浏览概念指南。

若想了解一个基于H1st Modeler与Model API的简单真实世界数据科学案例，可以参阅：

• 使用Iris数据集的Modeler与Model。
• H1st Oracle：将编码的领域知识与机器学习相结合，其中我们使用了微软Azure预测性维护数据集来展示Oracle的强大功能。

要全面理解H1st的理念与优势，请查看用例示例。

如需深入了解各个组件，请查阅我们的完整API文档。

加入并从我们的开源社区中学习

我们正与开源社区开展合作。对于Arimo-Panasonic而言，应用场景涵盖工业领域，例如网络安全、预测性维护、故障预测、家居自动化、航空与汽车体验管理等。

我们非常期待您的用例以及您对开源H1st AI的贡献！

h1st 快速上手指南

环境准备

• 系统要求：支持 Python 3.8 或更高版本
• 前置依赖：
  • Windows 用户需安装 64 位 Python，并提前安装 VS Build Tools。
  • 推荐使用国内镜像源加速安装，如清华源。

安装步骤

使用以下命令安装 h1st：

pip install --upgrade pip
pip3 install h1st

如果你在国内，可以使用以下命令加速安装：

pip install --upgrade pip -i https://pypi.tuna.tsinghua.edu.cn/simple
pip3 install h1st -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

示例一：使用 H1st 规则模型（Rule-based Model）

from h1st import RuleBasedModel

model = RuleBasedModel()
model.add_rule("if age > 60 then risk = high")
model.add_rule("if age <= 60 and blood_pressure > 140 then risk = medium")
model.add_rule("else risk = low")

result = model.predict({"age": 65, "blood_pressure": 130})
print(result)

示例二：使用 H1st 机器学习模型（MLModeler）

from h1st import MLModeler
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# 加载数据集
data = load_iris()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)

# 创建并训练模型
ml_modeler = MLModeler()
ml_modeler.train(X_train, y_train, model_class=RandomForestClassifier)

# 进行预测
prediction = ml_modeler.predict(X_test)
print(prediction)

示例三：使用 H1st Graph 构建模型流程图

from h1st import Graph

graph = Graph()
graph.add_node("rule_model", RuleBasedModel())
graph.add_node("ml_model", MLModeler())
graph.connect("rule_model.output", "ml_model.input")

result = graph.run({"input": {"age": 65, "blood_pressure": 130}})
print(result)

以上是 h1st 的基本使用方式。更多高级用法和完整教程，请参考 官方文档。