AI視野：Facebook監控機器、Uber自駕車撞死行人、貴公司是否為AI做好準備、具有設備端機器學習能力的智能手機會更聰明
《Facebook』s Surveillance Machine》
《Facebook監控機器》
……基於廣泛的數據監控向收費客戶提供非透明目標用戶擴展分析的商業模式將不可避免地被濫用。真正的問題是，數十億美元是以犧牲我們公共領域和政治健康為代價作出的，關鍵的決定是單方面作出的，沒有追索權或問責制。
https://www.nytimes.com/2018/03/19/opinion/facebook-cambridge-analytica.html
《Uber self-driving car kills Arizona pedestrian, realizing worst fears of the new tech》
《Uber自駕車在亞利桑那撞死了行人，應驗了人們對新技術最深的擔憂》
在亞利桑那州坦佩一輛Uber自駕車撞死了一名女性，這是一個悲劇性的里程碑，可能導致無人駕駛交通的狂熱發展遭遇重大挫折。現年49歲的Elaine Herzberg當時正在人行橫道外穿過一條街道，她的去世似乎是自駕車首次導致一名不在車內的人死亡……「很明顯，這可能會嚴重影響公眾對自駕技術的看法，監管機構、主管部門和行業都應極其謹慎地處理這一問題。」……關於事故中是否有人會被指控——無論是安全司機還是優步( Uber )——的問題仍未得到解答，事實上，這也是目前關於一旦發生事故，自動駕駛汽車最終將如何監管的核心問題……Uber已經暫時停止了在匹茲堡、舊金山和多倫多的自動駕駛測試……如果自駕車導致行人死亡，誰該負責？ 車輛的製造商？還是軟體程序員？
https://www.usatoday.com/story/tech/2018/03/19/uber-self-driving-car-kills-arizona-woman/438473002/
《IS YOUR COMPANY READY FOR AI ASK YOURSELF THESE NINE QUESTIONS》
《貴公司是否為AI做好準備？問問自己這九個問題》
1.我可以通過基於AI的客戶數據分析改善我的運營和營銷嗎？
2.我的客戶是否需要人工智慧體驗？
3.如果我不使用AI，是否會因競爭而失去客戶？
4.我用AI能解決手頭的具體問題嗎？
5.我知道我想用AI實現什麼嗎？
6 .我可以通過自動化減輕重複性任務嗎？
7.我是否了解成功部署AI的具體步驟和方法？
8.我是否有能力實現我的人工智慧願景？
9.我現在可以進行小規模AI實驗嗎？
https://www.forbes.com/sites/forbestechcouncil/2018/03/19/is-your-company-ready-for-ai-ask-yourself-these-nine-questions/
《IBM just unveiled the 『world』s smallest computer』 - The Verge》
《IBM推出「世界上最小的計算機」》
……這台電腦尺寸是1毫米×1毫米，比一粒鹽還小，製造成本不到10美分……功能方面，該計算機有一個帶有「數十萬」晶體管的處理器、SRAM存儲器、一個用於供電的光伏電池，以及一個使用LED和光電探測器與外界通信的通信單元。
https://www.theverge.com/circuitbreaker/2018/3/19/17140116/ibm-worlds-smallest-computer-grain-of-salt-solar-powered
《Ensuring that artificial intelligence is ethical? That』s everyone』s responsibility》
《確保人工智慧合乎道德？這是每個人的責任》
技術人員和計算機科學家在解釋結果時必須考慮上下文，並且他們需要避免過於普遍的觀點，即在數據有偏差時不應該責怪該演算法。畢竟，在現實世界中收集的數據將不可避免地存在偏差;相反，挑戰應該在於如何使演算法系統支持人類價值觀。最後，我們需要支持和擴大當前呼籲嚴謹、透明和問責的倡導者、監管者和新聞記者的聲音……我們使用機器學習是因為我們要從過去學習，而不是再現它。所以我們必須調整演算法和工具……
http://www.macleans.ca/opinion/ensuring-that-artificial-intelligence-is-ethical-thats-everyones-responsibility/
《The US military wants AI to dream up weird new helicopters》
《美國軍方希望用人工智慧製造出奇怪的新式直升機》
一個DARPA項目旨在研究機器學習是否能改變複雜工程系統的設計方式……在DARPA的挑戰下，軟體必須設計出能夠解決經典工程問題的機器……D - FOCUS使用硬編碼的物理定律以及人類設計師提供的功能需求，可以探索潛在的設計概念……
https://www.technologyreview.com/s/610454/the-us-military-wants-ai-to-dream-up-weird-new-helicopters/
《Smartphones Will Get Even Smarter With On-Device Machine Learning》
《具有設備端機器學習能力的智能手機將變得更聰明》
……目前，許多深度學習演算法駐留在雲中，由Caffe和TensorFlow等流行工具包以及張量處理單元等專用硬體支持。 但是這種集中式方法不適用於需要低延遲的事情和應用。為了執行這些微妙的任務，以及其他專家無法預料的活動，未來的無線系統需要在網路邊緣（更接近設備）做出更多決策，即使在失去連接時也能更快更可靠地做出決策。 這種認識引發了對分散式機器學習的巨大興趣，這是一種新的方式，其中描述問題的訓練數據存儲在非常多的節點上，這些節點一起工作以找到解決方案。 設備上的機器學習（或設備上的AI）與此類似 - 它主要是以分散方式訓練高質量的集中式模型。訓練數據分布不均勻，每台設備都可以訪問它的一小部分。這樣做有明顯的優勢：與基於雲的人工智慧不同，設備上的AI可以保護隱私，因為訓練數據不會記錄在雲中，而是保存在每台設備上。訓練在本地完成，更新匯總並通過無線鏈接或通過雲伺服器與同事共享。這樣，所有設備都可以訪問相同的全局模型。 不過，工程師和研究人員必須解決若干挑戰，才能將設備上機器學習的功能帶給大眾。為了保證隱私無論如何都得到保護，研究人員需要納入差分隱私，其目的是不泄露在訓練過程中是否使用了某個數據點。 當訓練數據稀少時，他們還必須採用聯合學習和遷移學習等技術。在這裡，演算法不是從頭開始學習，而是在豐富的數據源域中學習模型，並將該知識傳輸到目標域，作為解決冷啟動問題的有效方法。此外，由於設備資源有限，設備上的機器學習必須優化設備上運行的模型（調整層數，每層神經元數量和其他參數）和功耗，同時還要考慮預測的準確性和隱私性限制。在某些情況下，由於設備資源有限，機器學習演算法需要在手機上同時運行，並且需要在網路中遠程運行。這樣做既可以利用個人智能（設備上的AI）和集體智能（雲AI），又可以讓設備挖掘網路的豐富存儲和計算能力，從而更好、更快地推斷。 本地和遠程計算的這個問題被稱為工作負載轉移，其中任務在設備上本地執行，在網路中遠程執行，或者兩者都執行。尋找考慮到應用需求的最佳策略，神經學習模型，功耗和網路擁塞是工程師們仍在努力解決的一個基本問題。實現設備上的AI的另一個重要挑戰與系統設計有關。雖然經典機器學習的核心是最大化每個代理的平均獎勵（或平均成本函數），但由於受限的訓練數據訪問，設備間的不可靠鏈接以及延遲問題，當設備將任務轉移到雲或其同級時設備上的AI更容易出現不確定性和隨機性。 這意味著設備上的人工智慧必須知道如何分辨和分離出大不相同結果的預測值，而不是像經典機器學習中那樣將結果歸入平均值……
https://spectrum.ieee.org/tech-talk/telecom/wireless/smartphones-will-get-even-smarter-with-ondevice-machine-learning
※人工智慧和機器學習將如何影響SEO的內容？
※產品經理機器學習手冊：什麼樣的產品需要利用機器學習來解決？
TAG:機器學習 |