机器学习、深度学习与科幻小说傻傻分不清?这是关键“魔法”所在

随着人工智能(artificial intelligence,AI)的高速发展,许多人不清楚各种数据分析之间的差异以及它们如何推动业务。例如,机器学习(machine learning,ML)和深度学习(deep learning,DL)之间的区别对于行外人可能有点混淆,但是对于收集了大量数据并想充分利用它们的公司来说,这两项就完全不同了。

来听听Taboola的创始人兼CEO辛格达(Adam Singolda)的见解。以下为他撰写的专栏。(译者注:Taboola是一家创立于以色列,目前总部位于美国纽约的内容搜索引擎和内容推荐平台公司。)

ML和DL的区别

你一定听到过这样的问答:

问:你如何完成你的日常事务的?

答:“人工智能”(AI)。

几乎每天都会有消息称某家公司进军人工智能。虽然人工智能的价值在Cortana或Spotify等消费技术产品中不言而喻,但它真的能让牙刷销售商、汉堡连锁店、甚至是说唱乐一代都从中受益吗?

只要是家公司就能贴上人工智能的标签吗?我们如何区分真正的深度学习(DL)与科幻小说(science fiction, SF)之间的区别?

让我们先从定义一些关键术语开始。当前,有两种非常流行的方法经常被混淆或互换使用:传统的机器学习和深度学习,都被称为AI。

机器学习(以下简称ML)要求工程师预先在数据中定义他们要寻找的模型特征,(如“这样做的人也做了那个”)。而深度学习(以下简称DL)则交替使用先进的“神经网络”,主动发现新模型,并不断完善。更重要的是,它让工程师使用一种完全不同的工程思维方式,我们可以将其称为“魔法”。

传统的ML不是AI

只有DL是AI。但大多数公司其实并不使用DL/AI。

近年来,神经网络推动了一些真正突破性的日常生活改变。 Facebook的自动翻译服务让人们只需点击一下鼠标就能切换语言,这预示着语言障碍的时代已成为过去。 但为什么只限制于文字语言呢?

终有一天,DL的模型识别功能或可帮助推断出婴儿、甚至宠物想表达但无法用语言表达的内容。在医学领域,生物识别软件已经在人与设备之间建立了更加无缝的联接,帮助医生在疾病出现或转移之前更好地诊断。基于DL的计算机视像技术很快将使马斯克(Elon Musk,特斯拉总裁)的自动驾驶汽车的梦想成为现实(想了解我对此话题的不同想法可点击此处)。

鉴于这种革命性的潜力,相信每个人都会在在他们的专业领域或商业计划中添加AI,无人例外。麦肯锡预测,到2020年,人工智能将创造超过13万亿美元的市值。以 Netflix 和 IBM 等公司,或是Cortana和Alexa这样的产品为例,人工智能个性化经济已拥有数百亿的规模,使人们能够更好地管理日常生活。

但是,与任何爆款商机一样,我们都应该警惕那些炒作。虽然传统的ML技术目前在各行业都很常见,甚至在高中工程课中都有课程安排,但真正的DL方法其实极难见到。

如何辨别AI 

正如Taboola的DL / AI负责人查梅尔(Gil Chamiel)告诉我的那样,要实现真正的DL需要满足三点。这三点可以帮助你辨别这项技术到底是人工智能还是科幻小说。

前两点可能相对简单,但也并不总是很容易。第三点才是“黑色岩浆”,是魔法的关键所在:

  •         获得数据和活动
  •         计算能力
  •         思维方式

我们来逐一分析。首先,只有在存在某种环境活动阈值时,DL才有效。为了使神经网络能够发现新的模型,就需要有大量数据,这些数据可以通过反复试验来处理和分类。这些输入的数据会因公司和行业而异:例如,沃尔玛可能会分析每月进入商店或访问其网站的100多万人的数据,而特斯拉可能会关注数千辆汽车在行驶时产生的反馈数据。

第二点,假设你已经拥有一定量的有意义的数据,那第二个需要的就是计算能力。虽然过去这对公司来说非常昂贵,所幸目前已有了一系列更节省成本的选择。企业现在可以从Azure等云托管服务租用云空间,而不必再投资建立全新的数据中心。

第三,也是最重要的一点,你需要采用一种新的敏捷的方法思考和解决问题,你需要一种新的思维方式。你要寻找那些更耐心、更坚持不懈的工程师,他们会愿意适时地放弃一些对算法的控制。

ML方法要求团队提前设计解决方案,预先确定关键因素(比如设计自动驾驶汽车时,需要先确定障碍物形状或温度);在DL世界中,工程师必须提前设计出那些关于新因素的算法,而这些因素可能是我们从未想到过的。例如,汽车的重量,或风暴,或其它10个人们事先没有想到的因素。

比如在人脸识别领域,ML世界中的工程师必须在边缘检测和对象分割上投入更多,以便让系统自主地识别图像中可能的面部位置,并将该信息传递给学习算法。在DL / AI世界中,工程师将允许算法以某种方式查看许多面部特征并发现那些有意义的属性,比如眼睛的颜色或其他更多属性。

未来已来 

这种思维方式的转变有些类似于20世纪80年代面向对象编程(OOP)的兴起,这种在C ++和Java中常见的继承式编程方法,与之前的C或Pascal这类更多程序化的方法就完全不同。

当你试图解决大量翻译,或无人驾驶的问题,如果你使用ML,你会花很长时间来考虑重要数据中的所有因素,你需要构建算法来做这些,而你很可能会失败。 DL和先进模型的兴起是一次革命性的进步,它加速了那些针对以前无法解决的问题的技术解决方案的出现,在如何解决问题的思维方式上迈出了重要一步。

AI的突破长期以来一直让普通人难以捉摸。自从IBM的深蓝电脑(Deep Blue)打败了世界国际象棋冠军,并提出AI伴侣的概念至今,已有20多年了。直到近年AI才终于迎来了革命性进展。

预测技术已为我们节省了大量时间和金钱,在某些情况下甚至能救命。例如,医院正在使用预测技术,通过识别高风险病例并配以额外服务,如出院后家访等,来减少再住院的概率。虽然这些应用还处于早期阶段,且实际上真正在推动人工智能的公司并不多,但毫无疑问变化正在发生。

一场革命即将到来,未来比我们想象中来的更早。未来的世界,将有更多的DL/AI,而不是ML,更不是科幻片。

如何引用沃顿知识在线文章

Close


用于个人/用於個人:

请使用以下引文

MLA

"机器学习、深度学习与科幻小说傻傻分不清?这是关键“魔法”所在." China Knowledge@Wharton. The Wharton School, University of Pennsylvania, [14 五月, 2019]. Web. [17 July, 2019] <http://www.knowledgeatwharton.com.cn/article/10085/>

APA

机器学习、深度学习与科幻小说傻傻分不清?这是关键“魔法”所在. China Knowledge@Wharton (2019, 五月 14). Retrieved from http://www.knowledgeatwharton.com.cn/article/10085/

Chicago

"机器学习、深度学习与科幻小说傻傻分不清?这是关键“魔法”所在" China Knowledge@Wharton, [五月 14, 2019].
Accessed [July 17, 2019]. [http://www.knowledgeatwharton.com.cn/article/10085/]


教育/商业用途 教育:

如果您需要重复利用我们的文章、播客或是视频,请填写内容授权申请表.

 

Join The Discussion

No Comments So Far