当今排队方式方法_当今的人工智能：什么是炒作，什么是真实？

当今排队方式方法

拿起杂志，浏览技术博客，或在行业会议上与同行聊天。 您会很快注意到，技术世界中几乎所有事物似乎都具有人工智能或机器学习的元素。 讨论人工智能的方式听起来像是在宣传。 这是一种可以满足您所有需求的真正技术！ AI在这里拯救我们所有人！

的确，我们可以使用基于AI的技术来完成令人惊奇的事情，但通常我们并未体现“智能”一词的全部含义。 情报意味着人们可以进行创造性对话的系统，即具有思想并可以发展新思想的系统。 有争议的是术语。 今天的“人工智能”通常描述了人类能力某些方面的实现，例如对象或语音识别，但肯定不是人类智力的全部潜力。

[理解机器学习的意义： 人工智能，机器学习和深度学习：您需要知道的一切 。 | 机器学习的解释 。 | 机器学习算法的解释 。 | 深度学习解释了 。 | 通过InfoWorld大数据和分析报告时事通讯深入了解分析和大数据。 ]

因此，“人工智能”可能不是描述我们今天正在使用的“新”机器学习技术的最佳方式，但是那列火车已经离开了车站。 无论如何，尽管机器学习还不是机器智能的代名词，但它无疑已经变得更强大，更强大并且更易于使用。 人工智能（意味着神经网络或深度学习以及“经典”机器学习）最终正在成为分析工具包的标准组成部分。

既然我们已经进入了AI革命（或者更确切地说是进化），那么重要的是要看一下人工智能的概念是如何被采纳的，原因以及未来的意义。 让我们更深入地研究为什么人工智能（甚至是一些稍微误解的版本）引起了当前的关注。

人工智能的承诺：为什么现在呢？

在当前的炒作周期中，人工智能或机器学习经常被描述为相对较新的技术，这些技术突然变得成熟，直到最近才从概念阶段过渡到应用程序集成。 人们普遍认为，独立机器学习产品的创建仅在最近几年才发生。 实际上，人工智能的重要发展并不是新事物。 当今的AI是过去几十年来取得的进步的延续。 这种变化（我们看到人工智能出现在更多地方的原因）与AI技术本身无关，而与AI技术本身有关，而是与之相关的技术-即数据生成和处理能力。

我不会因为要很快存储多少ZB数据而烦恼您（ZZ到底有多少个零？）。 我们都知道，我们生成和收集数据的能力正在显着增长。 同时，我们看到了可用计算能力的惊人提高。 从单核处理器到多核的转变以及通用图形处理单元（GPGPU）的开发和采用为深度学习提供了足够的能力。 我们甚至不再需要内部处理计算。 我们可以简单地将处理能力租用到云中的某个地方。

有了如此多的数据和大量的计算资源，数据科学家终于可以完全不同的规模使用过去几十年来开发的方法。 在1990年代，花了几天的时间训练神经网络来识别数以万计带有手写数字的示例中的数字。 今天，我们可以在数以千万计的图像上训练更复杂的（即“ 深层 ”） 神经网络 ，以识别动物，面部和其他复杂物体。 我们可以部署深度学习模型来自动化主流业务应用程序中的任务和决策，例如检测和预测产品成熟度或路​​由传入呼叫。

这听起来可能像建立真实的情报一样可疑，但需要注意的是，在这些系统下，我们只是在调整数学相关性的参数，尽管这是一个相当复杂的参数。 人工智能方法并不擅长获取“新”知识。 他们只能从呈现给他们的东西中学习。 换句话说，人工智能不会问“为什么”的问题。 系统的运行方式不像孩子在试图了解周围世界时不断质疑父母的孩子。 系统只知道它被喂了什么。 它不会识别以前未意识到的任何内容。

在其他“经典”机器学习场景中，了解我们的数据并了解我们希望该系统如何查找模式非常重要。 例如，我们知道生日对我们的客户不是有用的事实，除非我们将此数字转换为客户的年龄。 我们也知道季节性的影响。 我们不应该期望系统会独立于季节来学习时尚购买模式。 此外，我们可能想在系统中注入一些其他信息，以在已经知道的基础上学习。 与深度学习不同，企业已经使用了数十年的这种机器学习以稳步的速度发展。

人工智能的最新进展主要集中在数据科学家能够模仿人类识别能力的领域，例如识别图像中的对象或声音信号中的单词。 学习识别复杂信号（例如音频流或图像）中的模式非常强大，其功能强大到足以使许多人怀疑为什么我们没有在所有地方都使用深度学习技术。

人工智能的承诺：现在呢？

组织领导者可能会问他们什么时候应该使用人工智能。 好吧，基于AI的研究在神经网络解决与模仿人类的出色行为有关的问题方面取得了巨大进展（对象识别和语音识别是两个最突出的例子）。 每当有人问：“什么是好的对象表示？” 并且无法给出答案，那么深度学习模型可能值得尝试。 但是，当数据科学家能够构造语义上丰富的对象表示形式时，那么经典的机器学习方法可能是一个更好的选择（是的，值得花一些认真的思想来尝试找到一个好的对象表示形式）。

最后，人们只想在同一平台上尝试不同的技术，而不受某些软件供应商对方法的选择或无法跟上该领域当前进展的限制。 这就是为什么开源平台是该市场的领导者的原因。 它们使从业人员可以将当前的最新技术与最新的前沿技术相结合。

展望未来，随着团队在使用机器学习实现目标的方法和目标上保持一致，深度学习将成为每个数据科学家工具箱的一部分。 对于许多任务，将深度学习方法添加到组合中将提供巨大的价值。 想一想。 利用预先训练的人工智能系统，我们将能够在系统中包含对象识别功能。 我们将能够合并现有的语音或语音识别组件，因为其他人已经经历了收集和注释足够数据的麻烦。 但是最后，我们将意识到，就像之前的经典机器学习一样，深度学习实际上只是在有意义时使用的另一种工具。

人工智能的承诺：下一步呢？

就像二十年前一样，面临的障碍之一是，试图理解人工智能系统学到的东西以及他们如何提出预测时遇到的极端困难。 在预测客户是否喜欢某个特定产品时，这可能并不重要。 但是，当要解释为什么与人类交互的系统行为异常时，就会出现问题。 人类愿意接受“人类失败”-我们不期望人类是完美的。 但是我们不会接受人工智能系统的失败，尤其是如果我们无法解释失败的原因（并进行纠正）。

随着我们对深度学习的逐渐熟悉，我们将意识到（就像我们二十年前对机器学习所做的那样），尽管系统很复杂且训练有据的数据量很大，但是如果没有领域知识，就无法理解模式。 人类语音识别的工作原理和它一样好，因为我们通常可以通过了解当前对话的上下文来填补一个漏洞。

当今的人工智能系统还没有那么深入的了解。 我们现在看到的是浅薄的智能，它具有模仿孤立的人类识别能力的能力，有时在那些孤立的任务上表现优于人类。 对数十亿个示例进行系统培训只是拥有数据并访问足够的计算资源而已，而不再是破坏交易的问题。

很有可能，人工智能的用途最终将落在“拯救世界”宣传之外。 也许我们所能得到的是供从业者使用的一种不可思议的工具，它可以用来更快更好地完成工作。

Michael Berthold是开源数据分析公司KNIME的首席执行官兼联合创始人。 他在数据科学领域拥有超过25年的经验，曾在学术界工作，最近在Konstanz大学（德国）担任正式教授，此前在加利福尼亚大学（伯克利分校）和Carnegie Mellon担任过正式教授，还曾在Intel的神经网络小组从事行业研究，乌托邦和Tripos。 Michael在数据分析，机器学习和人工智能方面发表了广泛的著作。 在 Twitter上 关注Michael ，   领英   和   KNIME博客 。

-

新技术论坛提供了一个以前所未有的深度和广度探索和讨论新兴企业技术的场所。 选择是主观的，是基于我们选择的技术，我们认为这些技术对InfoWorld读者来说是重要的，也是他们最感兴趣的。 InfoWorld不接受发布的营销担保，并保留编辑所有贡献内容的权利。 将所有查询发送到 [email protected] 。

翻译自: https://www.infoworld.com/article/3438322/artificial-intelligence-today-whats-hype-and-whats-real.html

当今排队方式方法