|
1新智元編譯 深度學習能解決什么問題？ 首先，讓我們探討深度學習是什么。 深度學習是指由許多層組成的人工神經(jīng)網(wǎng)絡(luò)。“深”是指層數(shù)多。相比深度學習，其他的許多機器學習算法是淺的，例如 SVM，因為它們沒有多層的深架構(gòu)。多層的架構(gòu)允許后面的計算建立在前面的計算之上。目前的深度學習網(wǎng)絡(luò)已經(jīng)有10+甚至100+層。 多層的存在使得網(wǎng)絡(luò)能夠?qū)W習更多的抽象特征。因此，網(wǎng)絡(luò)的較高層可以獲得建立在來自較低層的輸入上的更多抽象特征。深度學習網(wǎng)絡(luò)可以被視為特征提取層（feature extraction layer），其頂部是分類層（Classification layer ）。深度學習的能力不在于它的分類，而特征提取。特征提取是自動（沒有人為干預）而且多層的。 通過向網(wǎng)絡(luò)展示大量有標記的示例來訓練網(wǎng)絡(luò)，通過檢測誤差并調(diào)整神經(jīng)元之間連接的權(quán)重以改進結(jié)果。重復該優(yōu)化過程以創(chuàng)建微調(diào)后的網(wǎng)絡(luò)。一旦部署之后，可以利用優(yōu)化的網(wǎng)絡(luò)來評估沒有標記的圖像。 特征工程（Feature engineering）包括找到變量之間的連接并將它們包裝到一個新的變量中。深度學習執(zhí)行自動特征工程。 自動特征工程是深度學習的主要特征。特別是對于圖像等非結(jié)構(gòu)化數(shù)據(jù)來說自動特征工程很重要，因為人工的特征工程非常緩慢而且耗費勞力，并且對執(zhí)行執(zhí)行工程的人的領(lǐng)域知識有很大依賴性。 深度學習適合目標函數(shù)復雜且數(shù)據(jù)集較大的問題，但有正例和負例的例子。深度學習也適合涉及層次和抽象的問題。 抽象（Abstraction）是一個概念過程，通過抽象從一般規(guī)則和概念中衍生出具體例子的使用和分類。我們可以將抽象視為一個“超級類”（super-category）的創(chuàng)建，包括描述特定目的的示例的共同特征，但會忽略每個示例中的“局部變化”（local changes）。例如，“貓”的抽象包括毛，胡須等。對于深度學習來說，每個層涉及對一個特征的檢測，并且隨后的層以先前的層為基礎(chǔ)。因此，在問題域包括抽象和分層概念的情況下可以使用深度學習。圖像識別屬于此類別。 相比之下，垃圾郵件檢測問題可以被建模為一個spreadsheet，可能就不是需要使用深度學習的復雜問題。 AI vs. 深度學習 vs. 機器學習 在探討AI的應用類型之前，我們需要了解三個術(shù)語之間的差異，即 AI、深度學習、機器學習。 AI 意味著能夠推理的機器（a machine that can Reason）。AI 的更多特征如下（來源自 David Kelnar）：
AI的終極目標是通用的人工智能，它允許機器在普通的人類環(huán)境中獨立運行。我們今天看到的主要是狹隘的AI（例如NEST恒溫器）。AI正在快速發(fā)展。目前已有一系列的技術(shù)在驅(qū)動AI。這些技術(shù)包括：圖像識別和自動標記，面部識別，文本 - 語音，語音 - 文本，自動翻譯，情感分析和圖像、視頻、文本、語音的情感分析。資料來源：Bill Vorhies。 深度學習算法的進步推動了AI。深度學習算法可以在沒有特征的先前定義的情況下檢測模式。它們可以被看作是一種混合形式的監(jiān)督學習，因為仍然需要使用大量的示例訓練網(wǎng)絡(luò)，但不需要預先定義示例的特性（features）。深度學習網(wǎng)絡(luò)由于算法本身的改進和硬件能力的提升（尤其是GPU）而得到了巨大的進步。 最后，從廣義上說，機器學習這個術(shù)語意味著可以應用于數(shù)據(jù)集以找到數(shù)據(jù)中的模式的任何算法應用。包括有監(jiān)督，無監(jiān)督，分割（ segmentation），分類或回歸等算法。 12類AI問題 在上述背景知識的基礎(chǔ)上，我們現(xiàn)在討論12種類型的 AI 問題。 1. 領(lǐng)域?qū)＜遥荷婕盎趶碗s知識體系的推理問題 包括基于學習法律、金融等知識體系的任務，然后構(gòu)想在該領(lǐng)域中機器可以模仿專家的過程。 2. 領(lǐng)域擴展：涉及對復雜知識體系進行擴展的問題 在這個問題中，機器學習一個復雜的知識體系，如有關(guān)藥物的信息，然后向這個領(lǐng)域本身提出新的見解——例如治療疾病的新藥。 3. 復雜計劃者：涉及計劃的任務 當前的算法（非AI）能夠完成許多物流和調(diào)度任務。但優(yōu)化變得越來越復雜，AI可以解決這個問題。一個例子是在物聯(lián)網(wǎng)中使用AI技術(shù)處理稀疏數(shù)據(jù)集。在這個場景下AI的優(yōu)勢是，因為數(shù)據(jù)集非常大而且復雜，人類無法檢測到數(shù)據(jù)中的模式，但機器可以很容易做到。 4. 更好的溝通者：設(shè)計改善現(xiàn)有的溝通任務 AI 和深度學習對多種溝通模式有幫助，如自動翻譯，智能代理等。 5. 新的感知：設(shè)計感知的任務 AI和深度學習使更新的感知形式成為可能，如自動駕駛車輛。 6. 企業(yè) AI：AI與企業(yè)再造相符合。 AI將被部署在幾乎所有的經(jīng)濟部門，例如自動駕駛車輛等得到了媒體的大力關(guān)注。有一個原則能適用各種場景，即通過深度學習，AI將被用于自動特征檢測（automatic feature dection）以得出新的洞見，這將有助于優(yōu)化、改進或改變業(yè)務流程（比傳統(tǒng)機器學習帶來的改變更大）。從更廣泛的意義來說，這是令AI與企業(yè)再造（Re-engineering the Corporation）相符合。 7. 企業(yè)AI將非結(jié)構(gòu)化的數(shù)據(jù)和認知能力添加到ERP和數(shù)據(jù)倉庫 非結(jié)構(gòu)化數(shù)據(jù)為深度學習和AI提供了巨大的機會。正如 Forbes 在對2017年的技術(shù)趨勢進行預測時所說：“絕大多數(shù)組織能得到的數(shù)據(jù)是非結(jié)構(gòu)化的，例如通話日志、電子郵件、會議記錄、視頻和音頻數(shù)據(jù)，雖然這些數(shù)據(jù)很有價值，但不容易進行一致的格式化以供直接進行定量分析。隨著圖像識別、情感分析和自然語言處理等領(lǐng)域的進步，這些信息開始開放，因此挖掘這些數(shù)據(jù)中的信息將是2017年的越來越大的業(yè)務。”我非常同意這個觀點。在實踐中，這意味著通過認知系統(tǒng)增強 ERP 和數(shù)據(jù)倉庫（Data warehosing）系統(tǒng)的功能。 8. 由于AI的二階后果影響領(lǐng)域的問題 MMC Ventures 投資總監(jiān) David Kelnar 在有關(guān)第四次工業(yè)革命的文章中寫道：“機器學習的二階后果（second-order consequences）將超過其直接影響。深度學習改進了計算機視覺，例如，使得自動駕駛使車輛成為可能。但這些進步帶來的影響是什么呢？今天，全英國90％的人和80％的貨物通過公路運輸。自動駕駛車輛將影響：安全（90％的事故是由于駕駛員注意力不集中引起的）；就業(yè)（全英國有220萬人從事運輸和物流行業(yè)，年薪約為570億英鎊）；保險（自動駕駛車輛將導致預期的汽車保險收入降低63％）；部門經(jīng)濟學（消費者可能更多使用按需運輸服務來代替私家汽車）；車輛吞吐量；城市規(guī)劃；規(guī)章制度等?！?/p> 9. 在不遠的將來可能從改進的算法中受益的問題 得益于更好的算法或更好的軟件，在不遠的將來，過去不可能的一些事物將變得可能。例如，語音識別的準確度將繼續(xù)提高，目前語音識別已經(jīng)達到人類的最高水平了。2012年谷歌使用LSTM驅(qū)動安卓系統(tǒng)上的語音識別。一個半月前，微軟的工程師發(fā)布報告說，他們的語音識別系統(tǒng)的錯誤率已經(jīng)降到5.9％，這個數(shù)字恰是人類的最佳水平。 10. 專家系統(tǒng)的演變 專家系統(tǒng)已經(jīng)存在很長時間了。得益于 AI/深度學習算法，專家系統(tǒng)的大部分能力可以在不久的將來得到實現(xiàn)。如果了解過 IBM Watson 的架構(gòu)，你可以看到 Watson 的方案帶來了專家系統(tǒng)愿景。當然，相同的想法如今可以在 Watson 身上獨立實現(xiàn)。 11. 超長序列模式識別 AI技術(shù)在序列模式識別中的應用仍然處于早期階段（還沒有得到例如CNN那般的關(guān)注），但在我看來，這將是一個快速擴展的空間。有關(guān)序列模式識別的背景，可以閱讀 Pooyan Safari 的 thesis “Technische Universitat Munchen（TUM）”，以及 Jakob Aungiers 的博客文章“ LSTM Neural Network for Time Series Prediction”。 12. 使用AI擴展情感分析 AI和情感分析之間的相互作用也是一個新的領(lǐng)域。目前在AI和情感分析之間已經(jīng)有很多協(xié)同作用，因為AI應用的許多功能需要情感分析。 AI和情感分析的協(xié)同作用可以從四個方面來看，分別是物體識別（object identification），特征提?。╢eature extraction），定位分類（orientation classification）和集成（integration）。現(xiàn)有的解決方案或可用的系統(tǒng)仍然不完美，或不能滿足終端用戶的需求。主要的問題是，情感受許多概念化規(guī)則（conceptual rules ）的支配，而且有更多的線索（也許無限多）可以將這些概念從領(lǐng)會轉(zhuǎn)換為到人類的言語表達。 結(jié)論 總結(jié)而言，AI 是一個快速發(fā)展的領(lǐng)域。雖然 AI 不僅僅是深度學習，但 AI 大部分是由深度學習的進展驅(qū)動著的。自動特征學習是 AI 的主要特點。AI 需要許多詳細、實用的策略，本文中沒有涵蓋。好的 AI 設(shè)計者應該能夠提出更復雜的策略，如預訓練和遷移學習（transfer learning）。 AI 也不是萬能藥。AI 需要高成本（技能、開發(fā)和架構(gòu)），但能帶來指數(shù)級的性能提高。因此，AI 最終將是有錢的大公司的游戲。但 AI 也是一個“勝者全勝”的游戲，能帶來極大的競爭優(yōu)勢。 編譯來源：https:///articles/twelve-types-of-artificial-intelligence-ai-problem 【尋找AI獨角獸】新智元聯(lián)手10大資本 啟動2017創(chuàng)業(yè)大賽 AI 創(chuàng)業(yè)大賽由新智元與10 家主流 AI 創(chuàng)投機構(gòu)：藍馳創(chuàng)投、紅杉資本中國基金、高瓴智成人工智能基金、藍湖資本、藍象資本、IDG資本、高榕資本、中信建投證券、明勢資本、松禾遠望基金攜手發(fā)起，由新智元主辦，北京市中關(guān)村科技園區(qū)管理委員會、中關(guān)村科技園區(qū)海淀園管理委員會支持，是一場聚合了 AI 技術(shù)領(lǐng)袖和投資領(lǐng)袖的盛會。新智元向滿懷雄心的未來AI獨角獸提供強大的創(chuàng)投資源對接機會，頂級風投 TS 等你來拿。http://form./gthejw 點擊文章下方閱讀原文，在線填寫報名申請報名表。該報名表為參與評選必填資料。 如有更多介紹資料（例如BP等），可發(fā)送至 xzy100@aiera.com.cn，郵件標題請注明公司名稱。如有任何咨詢問題，也歡迎向該郵箱發(fā)信聯(lián)系。 |
|
|
