尋找新的AI開發應用程序的指南針 嘗試ML建模至關重要

原創不易 請隨手點擊關注

本文由Rehoo團隊Leery原創，無授權禁轉！(圖片來自網路）

圖片來自網路

一位AI的教授說：「AI就是他們所謂的機器智能，他們還沒有完全理解。一旦他們理解了它，它就不再被認為是人工智慧。一旦很好地理解了機器人技術，它就不再是人工智慧而成為了自己的分支機構。一旦理解了計算機視覺，它就變得獨立了。語音識別和自然語言處理也遵循這條路線。「或許，唯一能夠很好地理解並且對人工智慧而言如此重要的分支將使AI有意義的領域是機器學習，使用複雜的數學重演算法進行插值的科學潛在的功能。正是由於這種特殊的地位，我們有時會用「AI和機器學習」這樣的口號，這有點像說「數學與微積分」。

機器學習（包括稱為「深度學習」的分支）當然是至關重要的。ML演算法在許多AI區域都很常見，它們是非常深奧的關鍵，它可以幫助機器從一些模糊的輸入中猜出所需的結果。將數據集載入到模型中瞧可以獲得預測。ML實現了這一點。媒體得到消息。如果您經常閱讀關於AI的文章，您可能只會相信AI會神奇地解決所有問題。總體配方對於故障收集數據集，找到可以插入問題複雜性的ML演算法。

圖片來自網路

然而，正如任何真正的AI從業者所知，ML雖然至關重要，但這並不是問題的核心。谷歌ML研究人員發表了一篇開創性的NIPS論文，深入研究了機器學習只是人工智慧應用的一個微不足道的部分。大部分工作是圍繞優化，收集過濾數據和提取適合ML模型的特性，並且可在動態環境中維護。這在自然語言理解中尤其明顯，為了提取適合分類器模型的特徵，需要解決拼寫錯誤，詞幹，停用詞，消除實體引用的歧義，可能，查看上下文，了解人們經常使用單詞，為慢慢變化的辭彙和主題分布做好準備，以及無數其他工作。

有人可能會問，為什麼不完全跳過這個並將任務載入到一個強大的深度學習框中？當然，我們可以交換數據建模的複雜性，以便在培訓階段花費更多時間？它們是相關的，你的機器應該能夠找到從一個到另一個的路徑。問題是，在發生這種情況的時候，一些最強大的超級計算機用來預測更具影響力的信號的情況仍然會做出不準確的預測。有一個原因計算的指數複雜性不是開玩笑。

圖片來自網路

這就是領域專業知識變得非常寶貴的地方。簡而言之，人類專家可以通過提供機器的快捷方式來簡化大量不必要的計算。這是通過使用多年來在特定領域中積累的知識人類專家建模推理路徑來完成的。繼續使用NLU，一個很好的例子是利用語言學的信息來豐富數據，例如詞性，句子結構（即解析樹），拼寫法等。要了解這些好處，考慮如何有效地管理複雜項目。

但是建模比採取捷徑還要多。培訓數據集的支持者忽視了過多的領域，在這些領域中甚至很難定義如何編譯數據集以進行培訓。這意味著人們很難向注釋器（用預期結果標記數據集的那個）解釋如何為每個數據樣本提出預期結果的邏輯。有時，標籤的含糊不清使事情複雜化。其它時候，分析輸入數據的複雜性向人類提供所需的感官數據可能是完全不可能的。在物理世界中，某些測量可能對注釋器是危險的。這些情況中的每一種都立即使得從一開始就收集數據的整個過程變得不可行。

圖片來自網路

值得重新審視從AI「分支」出來的所有領域。其中一個共同的主題是熱門領域建模和知識。例如，機器人技術依賴於運動物理學，力學，材料，電氣工程，光學和其他更基礎的科學。雖然最終結果可能是將圖像輸入CV單元，但大部分結果實際上在此之前發生。換句話說，它完全不是用於AI應用的ML，而是用於描述系統正在進行預測的域的公理，定理，測量，調整等的混合方面。ML只是錦上添花。這些領域的應用程序不依賴於機器將輸入與輸出相關聯，而是將領域知識放在首位，自下而上地建立自己的技術，從基本規則到複雜系統，可能與ML建立一些步驟。它們的整體構成總是由域邏輯驅動。

這樣做的好處很多。首先，您不再需要嚴重依賴手動數據收集，正如我們所討論的那樣，這些數據收集充滿了約束和錯誤。這樣可以更全面地覆蓋您的域名。

圖片來自網路

它允許更直接的產品組裝和更優化實施的更換部件的能力。嘗試使用ML建模對於AI應用程序來說是如此重要，所以它也可以作為尋找新的AI未開發應用程序的指南針！為了找到新的機會，尋找一個難以收集數據的領域，同時一般的領域環境得到充分理解，而且缺乏自動化。

人工智慧真的可以預測死亡嗎？

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！