人工智能革命已經(jīng)過去了二十年，深度學(xué)習(xí)正在成為分析工具包的標(biāo)準(zhǔn)部分。

拿起雜志，瀏覽技術(shù)博客，或在行業(yè)會議上與同行聊天。會很快注意到，技術(shù)世界中幾乎所有事物似乎都有人工智能或機器學(xué)習(xí)的元素。討論人工智能的方式聽起來像是在宣傳。這是一種可以滿足所有需求的真正技術(shù)!AI正在拯救我們所有人!

雖然使用基于AI的技術(shù)來做令人驚奇的事情是對的，但通常我們并沒有完全體現(xiàn)“智能”一詞的含義。智能意味著人們可以進行創(chuàng)造性對話的系統(tǒng)，即具有思想和創(chuàng)新能力的系統(tǒng)。有爭議的是術(shù)語。今天的“人工智能”通常描述了人類能力某些方面的實現(xiàn)，例如物體或語音識別，但肯定不是人類智力的全部潛力。

因此，“人工智能”可能不是描述我們今天正在使用的“新”機器學(xué)習(xí)技術(shù)的最佳方法，但是那列火車已經(jīng)離開了車站。無論如何，盡管機器學(xué)習(xí)還不是機器智能的代名詞，但它無疑已經(jīng)變得更強大，更強大并且更易于使用。人工智能(意味著神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)以及“經(jīng)典”機器學(xué)習(xí))最終將成為分析工具包的標(biāo)準(zhǔn)組成部分。

既然我們已經(jīng)進入了AI革命(或者更確切地說是進化)，那么重要的是要看一下人工智能的概念是如何被采納的，原因以及它的未來含義。讓我們更深入地研究為什么人工智能(甚至是一些稍微誤解的版本)引起了當(dāng)前的關(guān)注。

The AI promise: Why now?

在當(dāng)前的炒作周期中，人工智能或機器學(xué)習(xí)經(jīng)常被描述為相對較新的技術(shù)，這些技術(shù)正在突然變得成熟，是最近才從概念階段過渡到應(yīng)用程序集成。而且人們普遍認為，獨立機器學(xué)習(xí)產(chǎn)品的創(chuàng)建僅在最近幾年才發(fā)生。實際上，人工智能的重要發(fā)展并不是新事物。今天的人工智能是過去幾十年來取得的進步的延續(xù)。變化是我們看到人工智能出現(xiàn)在更多地方的原因，它與AI技術(shù)本身無關(guān)，而與AI技術(shù)本身有關(guān)的，是與之相關(guān)的技術(shù)-即數(shù)據(jù)生成和處理能力。

不會無聊，很快就要存儲多少ZB數(shù)據(jù)(ZettaB到底有多少個零?)。我們都知道，現(xiàn)在生成和收集數(shù)據(jù)的能力正在顯著增長。同時，也看到了可用計算能力的驚人提高。從單核處理器向多核的轉(zhuǎn)變以及通用圖形處理單元(GPGPU)的開發(fā)和采用為深度學(xué)習(xí)提供了足夠的能力。我們甚至不再需要內(nèi)部處理計算。可以簡單地將處理能力租用到云中的某個地方。

有了如此多的數(shù)據(jù)和大量的計算資源，數(shù)據(jù)科學(xué)家終于可以完全不同的規(guī)模使用過去幾十年來開發(fā)的方法。在1990年代，花了幾天的時間訓(xùn)練神經(jīng)網(wǎng)絡(luò)來識別數(shù)以萬計帶有手寫數(shù)字的示例中的數(shù)字。今天，我們可以在數(shù)以千萬計的圖像上訓(xùn)練更復(fù)雜的(即“ 深層 ”)神經(jīng)網(wǎng)絡(luò)，以識別動物，面部和其他復(fù)雜物體。我們可以部署深度學(xué)習(xí)模型來自動化主流業(yè)務(wù)應(yīng)用程序中的任務(wù)和決策，例如檢測和預(yù)測產(chǎn)品成熟度或路??由傳入呼叫。

這聽起來可能像建立真實的情報一樣可疑，但需要注意的是，在這些系統(tǒng)下，我們只是在調(diào)整數(shù)學(xué)相關(guān)性的參數(shù)，盡管這是一個相當(dāng)復(fù)雜的參數(shù)。人工智能方法并不擅長獲取“新”知識。他們只能從呈現(xiàn)給他們的東西中學(xué)習(xí)。換句話說，人工智能不會問“為什么”的問題。系統(tǒng)的運行方式不像孩子在嘗試了解周圍世界時不斷質(zhì)疑父母的孩子。系統(tǒng)只知道它被喂了什么。它不會識別以前未意識到的任何內(nèi)容。

在其他“經(jīng)典”機器學(xué)習(xí)場景中，了解我們的數(shù)據(jù)并了解我們希望該系統(tǒng)如何找到模式非常重要。例如，我們知道生日對我們的客戶不是有用的事實，除非我們將此數(shù)字轉(zhuǎn)換為客戶的年齡。我們也知道季節(jié)性的影響。我們不應(yīng)該期望系統(tǒng)會獨立于季節(jié)來學(xué)習(xí)時尚購買模式。此外，我們可能想在系統(tǒng)中注入其他一些信息，以在已經(jīng)知道的基礎(chǔ)上學(xué)習(xí)。與深度學(xué)習(xí)不同，企業(yè)已經(jīng)使用了數(shù)十年的這種機器學(xué)習(xí)以穩(wěn)步的速度發(fā)展。

人工智能的最新進展主要集中在數(shù)據(jù)科學(xué)家能夠模仿人類識別能力的領(lǐng)域，例如識別圖像中的對象或聲音信號中的單詞。學(xué)習(xí)識別復(fù)雜信號(例如音頻流或圖像)中的模式非常強大，功能強大，以至于許多人想知道為什么我們沒有在各處使用深度學(xué)習(xí)技術(shù)。

The AI promise: What now?

組織領(lǐng)導(dǎo)者可能會問他們什么時候應(yīng)該使用人工智能。好吧，基于AI的研究在神經(jīng)網(wǎng)絡(luò)解決與模仿人類的出色行為有關(guān)的問題方面取得了巨大進展(對象識別和語音識別是兩個最突出的例子)。每當(dāng)有人問：“什么是好的對象表示法?”而無法給出答案時，深度學(xué)習(xí)模型可能值得嘗試。但是，當(dāng)數(shù)據(jù)科學(xué)家能夠構(gòu)造語義上豐富的對象表示形式時，經(jīng)典的機器學(xué)習(xí)方法可能是一個更好的選擇(是的，值得花一些認真的思想來嘗試找到一個好的對象表示形式)。

最后，人們只想在同一平臺上嘗試不同的技術(shù)，而不受某些軟件供應(yīng)商對方法的選擇或無法跟上該領(lǐng)域當(dāng)前進展的限制。這就是為什么開源平臺是該市場的領(lǐng)導(dǎo)者的原因。它們使從業(yè)人員可以將當(dāng)前的最新技術(shù)與最新的前沿技術(shù)相結(jié)合。

展望未來，隨著團隊在使用機器學(xué)習(xí)實現(xiàn)目標(biāo)的目標(biāo)和方法上保持一致，深度學(xué)習(xí)將成為每個數(shù)據(jù)科學(xué)家工具箱的一部分。對于許多任務(wù)，將深度學(xué)習(xí)方法添加到組合中將提供巨大的價值。想一想。利用預(yù)先訓(xùn)練的人工智能系統(tǒng)，我們將能夠在系統(tǒng)中包含對象識別功能。我們將能夠合并現(xiàn)有的語音或語音識別組件，因為其他人已經(jīng)在收集和注釋足夠的數(shù)據(jù)方面遇到了麻煩。但是最后，我們將認識到，就像之前的經(jīng)典機器學(xué)習(xí)一樣，深度學(xué)習(xí)實際上只是在有意義時使用的另一種工具。

The AI promise: What next?

就像二十年前一樣，面臨的障礙之一是，試圖理解人工智能系統(tǒng)學(xué)到的東西以及他們?nèi)绾翁岢鲱A(yù)測時遇到的極端困難。在預(yù)測客戶是否喜歡某個特定產(chǎn)品時，這可能并不重要。但是，當(dāng)要解釋為什么與人類交互的系統(tǒng)行為異常時，就會出現(xiàn)問題。人類愿意接受“人類失敗”，我們不期望人類是完美的。但是我們不會接受人工智能系統(tǒng)的失敗，特別是如果我們無法解釋失敗的原因(并糾正)的話。

隨著我們對深度學(xué)習(xí)的逐漸熟悉，我們將意識到(就像我們二十年前對機器學(xué)習(xí)所做的那樣)，盡管系統(tǒng)很復(fù)雜且訓(xùn)練有據(jù)的數(shù)據(jù)量很大，但是如果沒有領(lǐng)域知識，就無法理解模式。人工語音識別的工作原理和它一樣好，因為我們通�？梢酝ㄟ^了解當(dāng)前對話的上下文來填補漏洞。

當(dāng)今的人工智能系統(tǒng)還沒有那么深入的了解。我們現(xiàn)在看到的是淺薄的智力，它具有模仿孤立的人類識別能力的能力，有時在那些孤立的任務(wù)上的表現(xiàn)要優(yōu)于人類。對數(shù)十億個示例進行系統(tǒng)培訓(xùn)只是擁有數(shù)據(jù)并獲得足夠的計算資源的權(quán)限而已，而不再是破壞交易的問題。

很有可能，人工智能的用途最終將落在“拯救世界”宣傳之外。也許我們所能獲得的是供從業(yè)者使用的一種不可思議的工具，可以用來更快更好地完成工作。

作者：Michael Berthold

Michael Berthold是開源數(shù)據(jù)分析公司KNIME的首席執(zhí)行官兼聯(lián)合創(chuàng)始人。他在數(shù)據(jù)科學(xué)領(lǐng)域擁有超過25年的經(jīng)驗，曾在學(xué)術(shù)界工作，最近在Konstanz大學(xué)(德國)擔(dān)任正式教授，此前在加利福尼亞大學(xué)(伯克利分校)和Carnegie Mellon擔(dān)任過正式教授，還曾在Intel的神經(jīng)網(wǎng)絡(luò)小組從事行業(yè)研究工作。Michael在數(shù)據(jù)分析，機器學(xué)習(xí)和人工智能方面發(fā)表了廣泛的著作。

原文：Artificial intelligence today: What’s hype and what’s real?

標(biāo)簽： 人工智能

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。