91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

在本博文里我來分享Roger Chen和我在2018年5月份舉辦的人工智能紐約大會上的幻燈片和注釋。很多企業(yè)已經(jīng)開始探索機器學習和人工智能。這里我們希望能給出一個如何思考這些技術(shù)和他們在自動化里的作用的回顧和框架總結(jié)。在這一過程中，我們會講述那些能被用于實現(xiàn)自動化的機器學習和人工智能的工具。

讓我們先從一個我們近期所做的調(diào)研開始：在企業(yè)所關(guān)注的事情里，我們發(fā)現(xiàn)主要（54%）的關(guān)注點是認為深度學習是他們未來項目的一個重要部分。深度學習是一種特殊的機器學習技術(shù)，它在多個領(lǐng)域的成功已經(jīng)帶來了對人工智能熱情的復興。

當前大部分對人工智能的新聞報道都是關(guān)于深度學習的。而現(xiàn)實是很多人工智能系統(tǒng)使用了非常多種的機器學習方法和技術(shù)。例如，當前最著名的可以下圍棋和打撲克的人工智能系統(tǒng)就是使用了深度學習以及其他的技術(shù)。對于AlphaGo，蒙特卡洛樹搜索算法就扮演了很重要的角色。而DeepStack撲克系統(tǒng)就結(jié)合了神經(jīng)網(wǎng)絡(luò)與反事實后悔最小化和啟發(fā)式搜索技術(shù)。

更近一些時候，我們開始看到貝葉斯方法和神經(jīng)進化方法與深度學習相結(jié)合。我期待在未來看到更多的論文和文章介紹吸引人的和非常實用的混合系統(tǒng)。

除了深度學習，強化學習（RL）也是企業(yè)里獲得了關(guān)注的題目。在很多知名的人工智能系統(tǒng)里，強化學習扮演了關(guān)鍵的角色。取決于上下文，一個人工智能系統(tǒng)可能被要求解決不同類型的問題。強化學習擅長于解決那些在監(jiān)督學習和非監(jiān)督學習領(lǐng)域之外的問題。理解強化學習的一種思路是把它看成某個智能體重復地探索一個給定的環(huán)境，從而學習如何在這個環(huán)境里行動。一個算法可能試圖去學習一種策略，讓智能體在特定條件下行動?，F(xiàn)實情況是，依賴于強化學習的“自學習”系統(tǒng)的著名案例已經(jīng)讓強化學習成為人工智能學者關(guān)注的一個熱門課題。

然而，強化學習也不是沒有挑戰(zhàn)的：

• 首先，教會一個智能體在特定環(huán)境里行動需要很多的數(shù)據(jù)。這就是為什么很多初創(chuàng)應(yīng)用都是在能夠進行模擬的領(lǐng)域出現(xiàn)。
• 其次，重現(xiàn)研究論文里的結(jié)果并轉(zhuǎn)換成可以工作的系統(tǒng)是非常有挑戰(zhàn)性的。這一點可能會隨著新的開源系統(tǒng)（特別是RISE實驗室的Ray和RLib）的出現(xiàn)并被更多的研究人員使用而得到改變。我們會看到更少的自定義或一次性代碼。巧合的是，最近幾周我參觀了一些主要的公司。這些公司已經(jīng)將Ray作為其基礎(chǔ)設(shè)施的一部分用于生產(chǎn)系統(tǒng)。

盡管存在這些挑戰(zhàn)，已經(jīng)開始在工業(yè)自動化等領(lǐng)域出現(xiàn)了強化學習的實際應(yīng)用。 Bonsai的Mark Hammond描述了許多公司如何使用強化學習的例子，包括如何管理風機或操作昂貴的機器。據(jù)報道，Google的DeepMind開發(fā)了一種基于強化學習的系統(tǒng)，可以幫助改進其數(shù)據(jù)中心的功耗。Hammond介紹了把強化學習模型訓練成為“機器教學”的過程：讓領(lǐng)域?qū)＜胰ビ柧毣趶娀瘜W習的系統(tǒng)，然后它就可以實現(xiàn)自動化：

?[你想]讓你的領(lǐng)域?qū)＜遥ɡ缁瘜W工程師或機械工程師。這些專家非常精通各自的領(lǐng)域，但不一定是機器學習或數(shù)據(jù)科學領(lǐng)域）來識別出專業(yè)知識并將其用作描述教學內(nèi)容的基礎(chǔ)，然后自動化底層。

自動化

機器學習和人工智能將帶來許多跨領(lǐng)域和專業(yè)的自動化。但我們有時將自動化視為二元的：要么是完全自動化，要么就是沒有自動化。事實是，自動化是有一系列的等級。例如，自動駕駛汽車行業(yè)就有多個級別，只有最高級別（級別5）代表完全自動化。

事實上，麥肯錫估計“使用現(xiàn)有技術(shù)，只有不到5％的職業(yè)可以被完全自動化。 然而大約在60％的職業(yè)里，它們的30％或更多的內(nèi)容是可以被自動化的”。Tim O’Reilly撰寫一篇了關(guān)于這些技術(shù)對經(jīng)濟和就業(yè)的影響的文章，并指出增強（“人參與的循環(huán)”的）技術(shù)開辟了許多可能性。

因此，當考慮自動執(zhí)行某些任務(wù)時，請記住，在許多情況下當前的技術(shù)可能只能幫助實現(xiàn)部分自動化。那如何確定哪些任務(wù)應(yīng)該被自動化？鑒于我們討論的是使用機器學習技術(shù)，（在這個背景下）這些任務(wù)需要滿足幾個基本要求：

1.有數(shù)據(jù)來支持自動化嗎？

2.能夠規(guī)模化來驗證自動化的益處嗎？

確定哪個任務(wù)需要自動化是至關(guān)重要的。比如特斯拉公司最近發(fā)現(xiàn)他們要求自動化汽車制造的許多方面。但特斯拉CEO Elon Musk最近觀察到：“特斯拉的過度自動化是一個錯誤。人的能力被低估了”。如果對于特斯拉來說都很難確定自動化的應(yīng)用場景，那么對其他企業(yè)來說可能就更困難了。不過好消息是，有許多企業(yè)和人工智能創(chuàng)業(yè)公司正在查看企業(yè)里典型的任務(wù)和工作流程，并仔細判別哪些可以使用當前技術(shù)被（部分）自動化。最近出現(xiàn)的一些部分自動化的例子包括：谷歌最近宣布了一種語音技術(shù)工具Duplex，它允許用戶使用自然對話執(zhí)行較窄范圍的任務(wù)；而微軟則展示了一種工具，用于轉(zhuǎn)錄和匯編會議紀要中需要行動的項目。

出現(xiàn)自動化的領(lǐng)域之一是軟件開發(fā)和數(shù)據(jù)科學。這并不奇怪，因為工程師是很聰明的，他們總是試圖自動執(zhí)行重復和繁瑣的任務(wù)。從數(shù)據(jù)庫管理系統(tǒng)到設(shè)計神經(jīng)網(wǎng)絡(luò)架構(gòu)，再到編寫無bug代碼的工具，有許多有趣的自動化工具正在出現(xiàn)。另一個爆炸性發(fā)展的領(lǐng)域是與客戶交互的自動化。我們?nèi)匀惶幱诳蛻艚换プ詣踊脑缙陔A段，與可能在幾年后出現(xiàn)的智能助理相比，我們今天看到的許多初級聊天機器人將顯得蒼白無力。

我們需要多久才能看到真正聰明的助手？更一般地說，離實現(xiàn)企業(yè)工作流程自動化還需要多久？進展速度將取決于關(guān)鍵模塊的研究進展。對于聊天機器人而言，關(guān)鍵模塊包括自然語言理解和自然語言生成。對于人工相關(guān)的工作，需要在傳感器感知和機器人方面取得進步。

我們今天的人工智能系統(tǒng)依賴于深度學習，因此往往需要大量的標記數(shù)據(jù)。這些數(shù)據(jù)被用于訓練深度模型，并需要大量的計算資源。我預(yù)測未來的人工智能系統(tǒng)將與我們今天的系統(tǒng)不同。首先，今天所謂的人工智能通常只是機器學習。在最近的一篇文章中，我們概述了為明天的人工智能應(yīng)用構(gòu)建工具的工作：

智能增強和智能基礎(chǔ)設(shè)施本質(zhì)上是多學科交叉的，需要新視角來超越用單一的智能體學習輸入到輸出映射。這種視角以及目前它的深度學習的實現(xiàn)將不可避免地成為解決方案的一部分，但同樣不可避免地，它不會是整個解決方案。

真正的人工智能應(yīng)用將要集成許多組件：傳感器、硬件、用戶交互設(shè)計和許多軟件。想了解將這些技術(shù)組合（是如何構(gòu)建一個特定的人工智能系統(tǒng)）的一種方法是閱讀Shaoshan Liu的博文。其中詳細介紹了構(gòu)建自動駕駛汽車所需的組件。

總結(jié)思考

我們?nèi)蕴幱谌斯ぶ悄芎妥詣踊脑缙陔A段。當代的工具已經(jīng)允許在某些領(lǐng)域?qū)崿F(xiàn)部分自動化。而且隨著我們看到在幾個基礎(chǔ)領(lǐng)域（2018年對于硬件來說將是一個有趣的年份）出現(xiàn)更多的進展，我們期待看到人工智能社區(qū)在許多不同的領(lǐng)域和應(yīng)用中推出相應(yīng)的系統(tǒng)。即使是特定領(lǐng)域的端到端人工智能系統(tǒng)也需要在跨越學科和社區(qū)的技術(shù)方面取得進展。

相關(guān)內(nèi)容

• 《理解自動化》
• 《企業(yè)如何通過深度學習來讓人工智能工作》：O’Reilly調(diào)查的結(jié)果
• 《為明天的人工智能應(yīng)用構(gòu)建工具》
• 《走向機器學習的噴氣時代》
• 《Ray是如何讓持續(xù)學習變得可用和更容易規(guī)?；?/a>》
• 《強化學習在業(yè)界的實際應(yīng)用》
• 《神經(jīng)進化：一種不一樣的深度學習》：使用進化算法來演進神經(jīng)網(wǎng)絡(luò)的架構(gòu)
• 《機器學習需要機器教學》：Mark Hammond討論強化學習在制造業(yè)和工業(yè)自動化領(lǐng)域的應(yīng)用
• 《對你已有的數(shù)據(jù)應(yīng)用深度學習》：使用新的工具、框架和未來的發(fā)展來實現(xiàn)深度學習的實用化。