1. <tr id="33chb"><label id="33chb"></label></tr>
  2. <pre id="33chb"></pre>
    當前位置:首頁 > 短網址資訊 > 正文內容

    FT12短網址:面對人工智能的飛速發展,我們更要保持頭腦清醒

    [ FT12短網址 ] 人工智能的成功使用主要在以下方面:語音、圖畫辨認、電商/引薦、博弈、更深層次的對立網絡;人工智能在AlphaGo上的使用顯然成功了,但在教學、醫療范疇很難仿制;AI技術的風口在于深度學習。
    人工智能 機器人,人工智能,深度學習,AlphaGo,語音辨認,圖畫辨認,無人駕駛

    【編者按】這篇文章摘自楊強教授在“Fintech x AI 高端研習班”上的分享。楊強教授,系香港科技大學核算機系主任、世界人工智能學會首任華人Fellow,曾任華為諾亞方舟實驗室開創主任。在此次研習班,他分享了AlphaGo的含義、公司怎么落地人工智能、AI技術的風口等內容。


    AlphaGo為咱們帶來了啥?

    人工智能的成功使用主要在以下方面,而非一切:

    第一個是語音,語音已經有許多年的前史了,可是引進深度學習今后,格外近幾年有了突破性的開展;第二是圖畫辨認,比方人臉辨認;第三是電商/引薦,像taobao、京東這么的電商/引薦;第四是博弈,最典型的即是AlphaGo;第五是更深層次的對立網絡,基于博弈的思想,這個的使用就許多了,其中最引人矚目的即是無人車。

    人工智能首次遭到重視是97年的深藍,其時是象棋范疇戰勝了世界冠軍。象棋本來即是十分難的范疇,咱們打開一個棋盤,一切也許的計劃總數大概是10的47次方,這是十分龐大的數字;但在用了IBM高性能核算今后有了明顯的開展。

    所以這一次應當說是幾個事情的成功:第一個是高性能的核算,第二個運用了群體智能,讓許多二流的世界象棋專家對這些節點進行評價,最后把他們的分數加以總結來戰勝一個世界冠軍,一共用了兩百多個二流的人,它和今天的AlphaGo相比,最大的缺點即是沒有機器學習的能力。

    五年前人工智能范疇呈現了一個新名詞,叫做“深度學習”。咱們知道深度學習首要在圖畫上有對比直觀的解說,咱們輸入一個圖畫,可以在圖畫上采集一些樣本,這些樣本會為咱們帶來一些特征。這些特征包括對比初級的一個個像素,像素上面所帶的信息、顏色、亮度,咱們可以將這些特征總結起來。

    DeepMind是AlphaGo背面的團隊,將“深度學習”與“強化學習”結合起來,把圍棋的棋盤當作輸入,另一端輸出動作,需求往左仍是往右,需求把棋子放在哪兒等等,即是需求一個深度學習網絡完結這種對應,這些都是核算機可以自學的。

    可是咱們看出這個疑問的缺點了嗎?圍棋的情形和咱們實際生活差距相當大,由于這是一個十分理想的世界,咱們的規則十分明白,邊界也十分明白,輸贏會立馬反映在上面,動作簡略,一點不含糊。所以在這種關閉的范疇、明白的范疇,優化方針可以寫下來的范疇,AlphaGo的算法是徹底沒有疑問的。

    AlphaGo里邊有兩個函數我要格外提一下,一個叫做“戰略網絡”,所謂“戰略網絡”即是通知你在這里應當怎么走。戰略網絡中的“S”即是咱們所說的狀況,“A”是咱們說的“Action”,“P”則是概率的意思,整體來說是“在這個狀況下對方大概會走哪一步”,讓你對對方有一個了解。咱們怎么進行練習呢?拿了三千萬個競賽的棋盤來練習,看假如從這個狀況動身,高手一般走哪一步,咱們就可以學習下來。

    其實無人車也是用這種方法,讓它先在關閉的環境里學駕駛,學會了再出去開。特斯拉的意外即是一個反例,在特斯拉這個比方中,機器給車前面照了個相,判別前方是空的,體系就會反饋說前方的狀況是有利的,可以往前走;假如前面是一堵墻,打分就會較低,體系會判別沒有利。特斯拉即是出了一個錯,體系判別前面是空曠的,以為是白色的白云,但實際上是白色的貨車,因而就撞上了,這即是由于練習缺乏。

    第二個值得一提的算法,在AlphaGo去年的競賽里,由于核算能力有限,對每一個狀況,即每一個“S”的估量還不夠好,就加了一個新的算法叫做蒙特卡羅算法。 即是我在現有狀況下讓機器隨機走棋,最后是輸是贏給我一個反饋。

    像這么快速走棋了N次之后,可以拿這些樣本做一個抽樣,這么就能很快通知我這么走對我是好仍是壞。這個會迅速得出成果,可是會十分不準,由于畢竟是在無限當中進行有限的抽樣,所以去年AlphaGo還有一盤棋是輸給李世石的。

    到了今年咱們知道master是60局全勝,這個月23日在烏鎮和柯潔的競賽,咱們做人工智能的覺得人類就沒啥戲了。為啥呢?由于如今咱們把這種隨機進程悉數替代掉了,一切練習都是經過強化學習來完結的,機器犯錯的概率就大大降低了,據說如今的AlphaGo給去年的自個讓四個子還能贏。

    咱們能從AlphaGo的成功中學到啥?短網址該如何開發和運營?

    人工智能在AlphaGo上的使用顯然成功了,那么像在教學范疇、醫療范疇是否能仿制這種成功?我覺得是十分難的。

    人工智能的成功首要得有高質量的大數據。AlphaGo是學習了三千萬個棋盤,十多萬個棋局,這些都是其時練習時使用的數據,那個時候還沒有跟李世石對弈的實時數據做練習,因而前期收集的數據是十分關鍵的。

    除此之外,假如前期用質量不太高的數據,比方說圍棋一段以下的數據來核算,那樣練習出來的效果是十分差的,所以對數據質量請求十分高。

    還需求有清晰的疑問,也即是咱們的“A(Action)”,在圍棋中只有下棋、放子這么的動作,沒有任何其它的東西,不像投資這么雜亂。

    另外還要有極好的獲取特征的方法。比方說棋盤,要有專家參與進來,把每一個棋子周邊的情況用所謂的“變量”表達出來,這些變量咱們叫做特征。能發生這些變量需求專家,就像AlphaGo團隊里的工程師基本都會下圍棋。

    以上我講AlphaGo的時候本著兩個目的,第一個給咱們科普,通知咱們它在做啥,讓咱們了解它的機制;第二是給咱們潑冷水,通知你們AlphaGo的成功實際上十分難仿制。

    有記者常問,AlphaGo意味著啥?咱們這邊說意味著人類要沒有工作了,人類不需求存在了;再問AlphaGo的團隊這些成功意味著啥?他們會答意味著核算機也會下圍棋了,所以他們是很低調的。

    我覺得這個標題是值得咱們總結的,格外是如今人工智能脹大的進程中,咱們必定要保持清醒的頭腦。

    公司怎么將人工智能落地?

    咱們要樹立一個機器學習模型,首要得有一個方針。這里邊分紅兩類,一類是商業方針,人工智能盡管可以用這么多的方面,流程主動化、客服等等,但必定要清晰最終方針是啥,是要倍增收益,把地盤擴大,仍是要把最后的費用削減。

    第二,知道要添加收益或削減費用后,你需求把它量化成數學公式,咱們通常管這個叫做優化函數。比方說哪些使命可以用主動化帶來價值,完結這個主動化進程自身需求費用,這個費用是不是值得花?這是需求顧及的。

    是否要引進第三方外援?不是每個人都要從頭開始做AI,要想從最底層的數據、網絡、東西、使用,云悉數完結,這個恐怕也只有BAT可以做,但咱們沒必要每一個公司、每一個team都做這些事;還有一個人工智能體系通常需求繼續支持,這個支持通常很貴重,咱們是否能承擔的起,要評價自個的人力資源、資金、數據是不是夠用。

    第三,咨詢業務方和數據擁有方。我在華為、騰訊都做過,知道許多大公司都有部門墻,部門之間幾乎是不溝通的,因而這個數據通常是以孤島的形式存在的。而今天的人工智能,格外深度學習、強化學習,這兩大東西都十分依賴于數據。使咱們購買了數據,怎么清洗和結合數據又是第二個疑問,數據構造化的進程是十分貴重的,通常需求許多人工。

    第四個即是AI團隊建設。假如咱們有AI團隊,這個團隊和業務團隊是不能分隔的,它必定要有清晰的責任,要有一個技術接口人、管理人員、數據的責任人、體系結合的責任人,都要十分清晰,要有一個完好的KPI。

    咱們拿百度舉例,咱們知道吳恩達剛剛脫離,很大的原因是拿不到數據資源、業務資源,這種人又有抱負,當然會挑選脫離,那么咱們該怎么管理這個事?咱們要從一開始就清晰這個團隊的方針是啥,也即是KPI。

    第五點,AI的項目需求各式各樣的計劃,和一般的軟件沒有區別,我覺得把AI和別的軟件工程區分隔始過錯的。

    AI技術的風口在哪里?

    深度學習.jpg

    深度學習格外要命的一點,即是它的構造是一個黑箱。經過幾千萬個樣本練習今后,徹底沒有辦法解說。啥叫做“解說”呢?一旦有錯我可以知道是哪里出了錯,應當調整哪個當地,但我無從得知。

    所以AlphaGo就出了這么一件事,其時4:1輸給李世石關鍵一步,它想知道哪一個當地出了疑問,由于這肯定是深度學習在預算棋盤時出了一個嚴重過錯,但沒有辦法回溯,假如其時再競賽一次還會呈現相同的過錯,短鏈接一旦生成就沒有辦法糾正。

    那么啥叫做“白箱”,啥叫做“可解說的模型”呢?因果聯系的模型即是可解說的,比方醫生知道給患者吃了這個藥后患者有多大機率會康復,這即是因果聯系。因果聯系的門戶在人工智能范疇確實存在,叫做貝葉斯門戶,但如今沒有格外靠譜的主動學習的算法。

    如今在許多范疇,假如一個模型給出了定論,但不知道為啥會給出這個定論,通常該范疇是不會允許你使用這個模型的,因而“因果聯系”十分重要。所以“深度學習”范疇需求有更多品種、需求是可解說的、可編程的。

    第二個是咱們所說的搬遷學習。所謂“搬遷學習”即是給出一個已經練習好的范疇模型,這個模型也許對應一個神經網絡,那么咱們能不能從中抽象出對比高層的邏輯常識,假如有了這個常識,就可以對比容易地把高層常識邏輯搬遷到新的范疇。

    比方說“輿情”,比方說咱們在微博上可以看一些人的評論和留言,咱們知道這些留言是正面仍是負面的,關于新出的電影或者一個事情就有正面、負面的判別。

    咱們假如在這個范疇練習出了模型,能不能搬遷到一個新的范疇,比方對圖書、股票、股價、公司也做這種預測?所以這種搬遷是很有用的。搬遷的目的即是咱們不用做許多的標示、不用花費許多建模費用,就可以把已有模型搬遷到新的范疇。

    還有一種學習叫做表示學習,在自然語言處理的范疇也閱歷了革新性的轉化。如今機器經過大量文本學習一個新的“表達”,可以判別這個詞呈現的場景、它和周邊的字是啥聯系——咱們樹立起一個字及其周邊常見字的“朋友圈”,經過學習來發現同義詞,而不是經過人來通知機器。

    這個表達學習的進程叫做“機器閱讀”,把每一個詞中字的“朋友圈”都表達出來,比方說賈寶玉和誰最好,機器模型可以主動回答,而且十分準。咱們有了機器閱讀,就可以發生一個新的表達,比方說可以做一個《紅樓夢》的摘要。

    然后咱們說Echo學習體系的一問一答,如今可以做得很準,其一即是由于Echo有一個很強的硬件體系,可以被智能喚醒,知道這個是在對著它講話仍是在對著別人;然后將軟硬件相結合,把軟件的長處發揮出來。

    另一點即是Echo的使用場景十分明白,它的方針是一個有限的筆直范疇,而不是一上來就做一個通用的對話體系,這也是咱們需求借鑒的。

    我再說一下人工智能未來的幾個方向,在基礎核算構造有兩方面,一方面是芯片的研討,像英偉達做的GPU,google做的TPU,盡管不知道啥時候商業化,但據說是十分牛的人工智能芯片。另外一個,過去咱們在網絡的傳輸層還沒有格外適合深度學習的網絡研討,如今有了,假如在網絡層做優化就能把深度學習加快到四五倍這么的水平,這將是網絡傳輸層的革新。

    最后做一個總結,深度學習可以做許多研討——強化學習可以和搬遷學習相結合做許多個性化的使命完結對話,智能計劃等等。搬遷學習可以幫助完結常識的高層表達、跨范疇的常識,還有小數據的學習。還有怎么可以進行信息抽取,把自然語言這種非構造化數據表達出來,可以進行主動問答、對話體系,包括摘要的主動樹立,算法加快,人工智能的工程化。


    掃描二維碼推送至手機訪問。

    版權聲明:本文由短鏈接發布,如需轉載請注明出處。

    本文鏈接:http://www.virginiabusinesslawupdate.com/article_167.html

    分享給朋友:

    相關文章

    YouTube從Echo Show上下架 亞馬遜谷歌又不和?

    【FT12短網址】小編獲悉,當地時間周二,亞馬遜將YouTube從應用商店下架,其理由是Echo Show設備無法播放YouTube上的視頻了,因為該網站的母公司谷歌停止支持該服務。在一份聲明中,亞馬遜表示:“截至今天下午,谷歌決定不向Ec...

    宜家要去第三方電商平臺 大家猜猜它會選誰?

    宜家要去第三方電商平臺 大家猜猜它會選誰?

    【FT12短網址】日前,英特宜家(Inter IKEA Holding BV,IKEA品牌的持有者)CEO托爾比約恩·洛夫(Torbjorn Loof)對外宣布,宜家(IKEA)計劃從2018年開始測驗在第三方電商網站售賣自個的商品。不過,...

    技術漫談:為何KPI毀了索尼,而OKR卻成就了谷歌?

    作者|李運華編輯|小智從技術 leader 的角度出發,看技術人績效考核的痛。大多數公司里面總會因為 KPI 的考核方式而存在各種各樣的問題,OKR 是一個在硅谷互聯網公司比較流行的做法。怎樣去理解 OKR 這個概念,并在技術團隊中推行,從...

    AI能讓科學研究實現自動化嗎?

    科學進展受限于人類思考的速度,將其外包給人工智能或許能夠改變這一切。撰文:Ahmed Alkhateeb翻譯:張雪科學正陷于數據危機之中。去年,僅在生物醫學領域就有超過120萬篇新論文發表,這令同行評審的生物醫學論文總數達到了2600萬篇。...

    FT12短網址:給你的女朋友解釋為什么隨機播放歌曲并不隨機

    FT12短網址:給你的女朋友解釋為什么隨機播放歌曲并不隨機

    FT12短網址的小編在周末的時候開車帶著女朋友出去玩。小編車里面隨機播放著五月天的歌曲。當小編正沉浸在『得兒飄,得兒飄,得兒意的飄』中,幻想著自己是秋名山車神,突然,旁邊的豆腐,哦不,女朋友說話了。誒,你車上的歌曲是隨機播放的嗎?和短網址的...

    尋找資本市場的“圣杯”

    尋找資本市場的“圣杯”作者:FT12短網址關注牛爺財經的很多網友可能清楚,草哥寫財經大勢和商界人物比較多,很多網友希望草哥能寫點市場實操和交易的東西。說實話,很多人都想尋找市場的“圣杯”和“九陰真經”,但對股票、外匯、期貨、黃金、石油等市場...

    發表評論

    訪客

    ◎歡迎參與討論,請在這里發表您的看法和觀點。
    一本色综合网久久
    1. <tr id="33chb"><label id="33chb"></label></tr>
    2. <pre id="33chb"></pre>