计算机信息技术中人工智能技术的应用探究

作者简介：孙健（1985.05—），男，汉族，山东枣庄人，硕士，讲师，主要研究方向为计算机软件与理论。基金项目：本项目得到扬州市教育科学“十四五”规划课题“数智赋能五年制高职产教融合：‘双元制’改革推进‘三链耦合’实践研究”基金项目资助（2025/P/049）。999Sep142··第42卷第期2026年月ITREPORT,No.2021024×576）、噪声过滤以及光照均衡化等工作。需注意，噪声过滤通常采用高斯滤波算法，核大小设定为3×3，标准差通常取0.8即可。表1不同深度估计模型的性能差异概况表模型分类AbsRel（平均相对误差）推理速度（毫秒/帧）δ1（25%误差内像素占比）适用场景DepthAnythingV20.074180.460.946单目图像DepthCrafter0.270（Sintel数据集）465.840.697（Sintel数据集）视频序列1.1.2模型训练模型训练期间，单目深度估计应将AbsRel（平均相对误差）以及δ1（25%误差内像素的实际占比）作为关键评估指标；对于视频深度估计，还应引入EPE（端点误差）以及BP-2（视差误差达到2像素以上的占比）指标。在训练参数的设置上，一般DepthAnythingV2（ViT-L骨干网络）的相应批次大小应设计为16，学习率初始值设定为1e-4，并采用余弦退火衰减策略；对于DepthCrafter模型，其时间层微调学习率应控制在5e-5，空间层优化阶段需运用L1损失函数，权重占比设定为0.3。模型正式部署时，需利用TensorRT进行量化加速，从而将模型推理延迟控制在毫秒级，以更好地满足实时处理需求。该技术当前已在自动驾驶环境感知以及工业产品缺陷检测等多种实践场景中得到广泛运用，例如，在自动驾驶领域，应用优化后的深度估计模型，计算机图像识别技术能够精准识别前方车辆、行人以及障碍物的距离，从而为制动决策提供可靠充足的数据支撑。此外，在工业场景中计算机图像信息技术可以借助深度信息判断零件装配间隙是否满足有关标准和要求，能够大幅度降低人工检测活动的漏判率。1.2目标检测与图像分割技术的应用目标检测技术能够完成图像中目标的精确定位以及类别识别；图像分割技术可以实现目标轮廓的细致勾勒，从而做到像素级语义划分。这两项技术的应用应引入“特征提取—注意力聚焦—语义融合”这种端到端架构。其中特征提取模块主要采取ResNet或者是Transformer骨干网络，打造多尺度特征金字塔；针对注意力机制则借助空间注意力合理开展权重分配工作，重点聚焦图像关键区域；对于语义融合模块主要用来整合底层视觉特征以及高层语义信息，从而提高复杂背景下的整体识别精度。基于人工智能技术的计算机图像处理技术相较于传统的图像处理方法，通过这种端到端架构不必再采用人工设计特征算子，可以自适应差异化场景的图像特征变化。例如在复杂天气（包括雨天、雾天等）的监控图像分析中，依然可以保持相对更高的目标识别准确率，能够解决传统图像处理方法在遭受环境干扰时识别性能明显下降等问题。在参数方面，一般情况下目标检测模型的置信度阈值应控制为0.5，非极大值抑制（NMS）方面的交并比（IoU）阈值通常设定为0.3；对于图像分割模型主要对Dice损失函数进行运用，实际批量归一化动量应调控于0.99。2计算机文本信息检索中自然语言处理技术的应用人工智能技术在当代计算机信息技术中的应用可以帮助计算机模仿人类大脑思维过程和行为，确保各项设备能够进行人工智能化操作［2］。自然语言处理（NLP）技术是人工智能技术的一个重要组成部分，其在计算机文本信息检索中可以发挥重要价值和作用，实际应用主要围绕语义理解、向量检索以及知识图谱三个技术角度展开。此项技术的应用可以打破传统关键词匹配检索存在的局限，做到从“字符匹配”向“语义理解”的优化升级，可大幅度提高海量文本信息的实际检索效率以及精度。具体如下：2.1语义理解技术的应用这种技术是依托于Transformer架构，达到对文本查询意图解析以及语义编码的目的，实际应用期间关键在于对语义理解模型进行科学训练（不同模型的性能能够对检索效果产生直接影响，具体如表2所示）。当前比较常见的方法是对BERT或者是双塔Transformer模型开展端到端训练活动。具体包括以下几个环节：表2不同语义理解模型的性能差异概况表模型分类召回率（@10）（%）响应时间（ms）Top-1准确率（%）适用文本长度BERT-base9248089长文本500字以上双塔Transformer8865085中段文本500字以内2.1.1数据预处理该环节应该完成以下工作：（1）文本归一化处理，应做到大小写统一，实施同义词替换处理；（2）分词。主要对jieba分词算法进行运用，完成领域词典自定义处理；（3）停用词去除。主要对哈工大停用词表进行运用；（4）词嵌入。该环节应该对预训练词向量模型（包括Word2Vec等）进行运用，以此将词汇转变成300维向量，针对那些未登录词，应该借助随机初始化策略实施初始化处理，初始化范围设定为［-0.01,0.01］。2.1.2模型训练以双塔Transformer模型训练为例，该模型主要包括Query塔以及Document塔，需要分别对查询文本以及文档文本开展编码活动。其中Query塔的实际输入序列长度应该设定为64，Document塔应该设定为256，实际操作中两者均应该适用6层Transformer编码器，对于隐藏层维度设定为768，相应的注意力参数设定为12。模型训练一般应选用对比学习损失函数，实际批次大小控制在32，学习率初始值通常可设定为2e-5，引入线性衰减策略，对于训练轮次控制在10轮左右，然后每2轮需要开展一次验证集评估活动。模型优化环节主要实施对抗训练（采取FGSM攻击，扰动强度设定为ε=0.01），以此增强模型本身的鲁棒性。2.2向量检索技术的应用此项技术能够将文本转变成高维向量，借助相似度计算达到精准匹配的目标，其应用流程涉及以下几个环节：（1）向量生成。主要将BERT模型的［CLS］token输出充当文本方面的最终向量表示（768维）。（2）创设索引。对于索引的创设主要采取HNSW图索引算法，通常情况下参数应该设定为M=16（近邻数量）以及efConstruction=200（创设阶段的探索深度）；（3）相似度匹配。对于相似度匹配应该999Sep143··第42卷第期2026年月ITREPORT,No.202对余弦相似度计算进行运用，阈值控制在0.7，此外还应该利用量化压缩（乘积量化，PQ）有效地将向量维度从768维直接压缩成64维，有助于降低存储开销以及检索延迟，达到降本提效的目标。2.3知识图谱技术的应用此项技术凭借“实体—关系—属性”三元组知识结构，可以支撑文本信息实现高效关联推理，其应用关键在于知识构建以及推理融合。具体如下：（1）知识构建。借助实体识别（主要运用BiLSTM-CRF模型，对于CRF转移矩阵正则化系数应该选定为0.01）以及关系抽取（依托远程监督方法）有效开展三元组抽取工作；（2）在知识存储方面，一般采取Neo4j图数据库，其中节点负责有效存储实体信息，边负责存储关系属性；（3）正式检索期间，利用知识推理开展隐式关联的补充工作，例如依托于“疾病—症状—药物”这种三元组关系，可以达到从症状查询一直到诊疗方案持续推理延伸的目标；（4）知识图谱方面的动态更新主要采用增量式更新策略，可以在每日凌晨对一系列新增文本实施三元组抽取以及入库操作，从而提升知识的时效性和完整性。目前来看，在医疗文献检索以及政务信息查询等实践应用领域，知识图谱的合理融入能够让检索结果变得更加具有关联性以及逻辑性，比如当用户查询某一疾病期间，系统不但可以反馈相关诊疗文献，还可以借助知识推理功能有效地关联出该疾病的相关并发症、易感人群等一系列延伸信息，从而进一步提高了信息检索的深度以及实用性。3计算机数据挖掘中机器学习技术的应用人工智能技术作为一种能够模拟人脑机能、延展人类智能的新兴信息技术，在电子信息技术领域的应用日益广泛，也深刻改变了人们的生产生活方式［3］。机器学习技术属于计算机信息技术数据挖掘的关键驱动力，当前可以分为聚类算法、分类算法以及回归分析三大技术。此项技术借助对海量计算机数据开展的特征学习以及模式挖掘活动，能够为数据驱动决策提供可靠的技术支撑，可以解决传统计算机信息技术存在的数据挖掘效率低或者是泛化能力弱等有关问题。具体如下：3.1聚类算法的应用该技术的应用关键在于聚类数量确定以及参数优化。例如，K-Means算法可以利用肘部法则有效明确最优聚类数，通常迭代次数应控制在100，收敛阈值设定为1e-4，对于初始聚类中心一般应该借助K-Means++算法优化选择，防止出现局部最优问题。对于DBSCAN算法来讲，其参数设置应该借助网格搜索进行确定，一般情况下邻域半径（Eps）应设定为0.5，实际最小样本数（MinPts）主要设定为5，借助欧氏距离开展样本相似度的计算工作。聚类后利用Davies-Bouldin指数对聚类效果做出精确评估，通常指数值越低代表实际聚类质量越好（一般最优值为1）［4］。在计算机数据挖掘常见的电商用户分群以及舆情话题聚类等实践场景中，聚类算法呈现出明显优势。例如，对于电商平台来讲，借助对用户浏览、购买以及收藏等行为数据实施聚类，能够将用户拆解成高价值忠诚用户、潜在消费用户以及流失风险用户等独立群体，从而为平台精准营销或者个性化推荐等活动提供充足可靠的数据依据，有助于提高用户转化率。3.2分类算法的应用该技术的应用通常应该做好以下几个方面的工作：（1）数据预处理。该环节主要对缺失值进行均值填充（数值型数据）或者众数填充（分类型数据），针对异常值应该借助3σ准则进行识别并完成剔除操作；（2）特征工程。一般应该采用特征选择（过滤法，依托于互信息值，阈值通常应设定为0.2）以及特征转换（实施标准化处理，均值设定为0，方差设定为1）。（3）模型选型。对于一些高维度数据建议优先选用随机森林算法，通常情况下树数量可以设定为100，最大树深度控制在15，最小样本分裂数控制在2；对于线性可分数据建议对SVM算法进行运用，核函数应该采取RBF核，相应的惩罚系数C设定为1.0，对于gamma参数可以设定为0.1。3.3回归分析技术的应用此项技术的应用关键点在于特征交互以及模型正则化。以XGBoost回归模型为例，其参数设定如下：（1）学习率设定为0.1，最大树深度控制在6，最小_child_weight=1，对于subsample设定为0.8（样本采样率），对于colsample_bytree设定为0.8（特征采样率）；（2）针对正则化参数lambda应该设定为1.0（L2正则），alpha设定为0.1（L1正则），防止模型出现过拟合问题；（3）模型训练主要引入5折交叉验证法，实际每折数据依照7:3拆解成训练集以及验证集，然后将均方误差（MSE）充当损失函数，再借助早停策略（实际验证集MSE连续5轮未出现下降情况即可停止训练）对训练轮次做出有效控制［5］。4结语综上所述，文章针对计算机视觉、自然语言处理以及机器学习等人工智能技术在计算机信息技术中的应用做出了系统分析，明确了各种智能技术的具体应用方法以及技术参数，能够支撑技术应用精准落地。通过对这些人工智能技术进行合理应用，可以进一步提高计算机信息技术的处理准确率、效率以及智能化水平，能够推动计算机信息技术实现高质量健康发展。未来，随着技术不断发展进步，应该加大对人工智能技术在计算机信息技术中应用的研究力度，持续提升技术应用深度和广度，从而推动计算机信息技术真正地达到智能化升级的目标。参考文献：［1］莫晓明.人工智能技术在计算机网络信息安全领域的应用研究［J］.信息与电脑,2024,36(4):232-235.［2］丁园园.人工智能在当代计算机信息技术中的应用研究［J］.信息记录材料,2023,24(1):66-68.［3］刘永昶.人工智能“复活”技术的兴起、类型及社会影响［J］.人民论坛,2024(11):46-50.［4］刘朋辉.人工智能在计算机网络技术中的应用研究［J］.普洱学院学报,2023,39(6):39-41.［5］李娜.计算机人工智能识别技术应用瓶颈分析［J］.黑龙江科学,2022,13(20):122-124.999Sep144