精品国产亚洲一区二区三区|亚洲国产精彩中文乱码AV|久久久久亚洲AV综合波多野结衣|漂亮少妇各种调教玩弄在线

<blockquote id="ixlwe"><option id="ixlwe"></option></blockquote>
  • <span id="ixlwe"></span>

  • <abbr id="ixlwe"></abbr>

    阻礙人工智能進(jìn)步的8個(gè)問題

    本文作者:Azamat Abdoullaev

    今天的人工智能 (AI) 是有限的。它還有很長的路要走。

    一些AI研究人員發(fā)現(xiàn),計(jì)算機(jī)通過反復(fù)試驗(yàn)學(xué)習(xí)的機(jī)器學(xué)習(xí)算法已經(jīng)成為一種“神秘力量”。

    不同類型的人工智能

    人工智能 (AI) 的最新進(jìn)展正在改善我們生活的許多方面。

    人工智能分為三種類型:

    狹義人工智能 (ANI),具有狹窄的能力范圍。

    通用人工智能 (AGI),與人類能力相當(dāng)。

    人工超級(jí)智能 (ASI),比人類更有智能。

    今天的人工智能有什么問題?

    今天的人工智能主要由統(tǒng)計(jì)學(xué)習(xí)模型和算法驅(qū)動(dòng),稱為數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)。它作為 IT 基礎(chǔ)設(shè)施(ML平臺(tái)、算法、數(shù)據(jù)、計(jì)算)和開發(fā)堆棧(從庫到語言、IDE、工作流和可視化)的組合來實(shí)現(xiàn)。

    總之,其涉及:

    一些應(yīng)用數(shù)學(xué)、概率論和統(tǒng)計(jì)學(xué)

    一些統(tǒng)計(jì)學(xué)習(xí)算法,邏輯回歸,線性回歸,決策樹和隨機(jī)森林

    一些機(jī)器學(xué)習(xí)算法,有監(jiān)督、無監(jiān)督和強(qiáng)化

    一些人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)算法和模型,通過多層過濾輸入數(shù)據(jù)以預(yù)測(cè)和分類信息

    一些優(yōu)化(壓縮和量化)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型

    一些統(tǒng)計(jì)模式和推論,例如高通神經(jīng)處理SDK,

    一些編程語言,如 Python 和 R.

    一些ML平臺(tái)、框架和運(yùn)行時(shí),例如PyTorch、ONNX、Apache MXNet、TensorFlow、Caffe2、CNTK、SciKit-Learn 和 Keras,

    一些集成開發(fā)環(huán)境(IDE),如PyCharm、Microsoft VS Code、Jupyter、MATLAB等,

    一些物理服務(wù)器、虛擬機(jī)、容器、專用硬件(如 GPU)、基于云的計(jì)算資源(包括虛擬機(jī)、容器和無服務(wù)器計(jì)算)。

    當(dāng)今使用的大多數(shù) AI 應(yīng)用都可以歸類為狹義 AI,稱為弱 AI。

    它們都缺少通用人工智能和機(jī)器學(xué)習(xí),這由三個(gè)關(guān)鍵的交互引擎定義:

    世界模型 [表示、學(xué)習(xí)和推理] 機(jī),或現(xiàn)實(shí)模擬機(jī)(世界超圖網(wǎng)絡(luò))。

    世界知識(shí)引擎(全球知識(shí)圖譜)

    世界數(shù)據(jù)引擎(全球數(shù)據(jù)圖網(wǎng)絡(luò))

    通用AI和ML和DL應(yīng)用/機(jī)器/系統(tǒng)的區(qū)別在于將世界理解為多個(gè)似是而非的世界狀態(tài)表示,其現(xiàn)實(shí)機(jī)器和全球知識(shí)引擎以及世界數(shù)據(jù)引擎。

    它是General/Real AI Stack 最重要的組成部分,與其真實(shí)世界的數(shù)據(jù)引擎交互,并提供智能功能/能力:

    處理關(guān)于世界的信息

    估計(jì)/計(jì)算/學(xué)習(xí)世界模型的狀態(tài)

    概括其數(shù)據(jù)元素、點(diǎn)、集合

    指定其數(shù)據(jù)結(jié)構(gòu)和類型

    遷移其學(xué)習(xí)

    將其內(nèi)容語境化

    形成/發(fā)現(xiàn)因果數(shù)據(jù)模式,如因果規(guī)律、規(guī)則和規(guī)律

    推斷所有可能的相互作用、原因、影響、循環(huán)、系統(tǒng)和網(wǎng)絡(luò)中的因果關(guān)系

    以不同的范圍和規(guī)模以及不同的概括和規(guī)范水平預(yù)測(cè)/回顧世界的狀態(tài)

    有效地和高效地與世界互動(dòng),適應(yīng)它,導(dǎo)航它并根據(jù)它的智能預(yù)測(cè)和處方操縱它的環(huán)境

    事實(shí)上,它主要是依靠大數(shù)據(jù)計(jì)算、算法創(chuàng)新以及統(tǒng)計(jì)學(xué)習(xí)理論和聯(lián)結(jié)主義哲學(xué)的統(tǒng)計(jì)歸納推理機(jī)。

    對(duì)于大多數(shù)人來說,它只是構(gòu)建一個(gè)簡單的機(jī)器學(xué)習(xí) (ML) 模型,經(jīng)歷數(shù)據(jù)收集、管理、探索、特征工程、模型訓(xùn)練、評(píng)估,最后部署。

    EDA:探索性數(shù)據(jù)分析

    AI Ops — 管理 AI 的端到端生命周期

    今天的人工智能的能力來自“機(jī)器學(xué)習(xí)”,需要針對(duì)每個(gè)不同的現(xiàn)實(shí)世界場(chǎng)景配置和調(diào)整算法。這使得它非常需要人工操作,并且需要花費(fèi)大量時(shí)間來監(jiān)督其開發(fā)。這種手動(dòng)過程也容易出錯(cuò)、效率低下且難以管理。更不用說缺乏能夠配置和調(diào)整不同類型算法的專業(yè)知識(shí)。

    配置、調(diào)整和模型選擇越來越自動(dòng)化,谷歌、微軟、亞馬遜、IBM 等所有大型科技公司都推出了類似的AutoML平臺(tái),使機(jī)器學(xué)習(xí)模型構(gòu)建過程自動(dòng)化。

    AutoML涉及自動(dòng)化構(gòu)建基于機(jī)器學(xué)習(xí)算法的預(yù)測(cè)模型所需的任務(wù)。這些任務(wù)包括數(shù)據(jù)清理和預(yù)處理、特征工程、特征選擇、模型選擇和超參數(shù)調(diào)整,手動(dòng)執(zhí)行這些任務(wù)可能很乏味。

    SAS4485-2020.pdf

    所呈現(xiàn)的端到端 ML 管道由 3 個(gè)關(guān)鍵階段組成,同時(shí)缺少所有數(shù)據(jù)的來源,即世界本身:

    自動(dòng)化機(jī)器學(xué)習(xí)——概述

    Big-Tech AI 的關(guān)鍵秘密是作為暗深度神經(jīng)網(wǎng)絡(luò)的 Skin-Deep Machine Learning,它的模型需要通過大量標(biāo)記數(shù)據(jù)和包含盡可能多的層的神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練。

    每個(gè)任務(wù)都需要其特殊的網(wǎng)絡(luò)架構(gòu):

    用于回歸和分類的人工神經(jīng)網(wǎng)絡(luò) (ANN)用于計(jì)算機(jī)視覺的卷積神經(jīng)網(wǎng)絡(luò) (CNN)用于時(shí)間序列分析的遞歸神經(jīng)網(wǎng)絡(luò) (RNN)用于特征提取的自組織映射用于推薦系統(tǒng)的深度玻爾茲曼機(jī)推薦系統(tǒng)的自動(dòng)編碼器

    ANN作為一種信息處理范式被引入,似乎是受到生物神經(jīng)系統(tǒng)/大腦處理信息的方式的啟發(fā)。而這樣的人工神經(jīng)網(wǎng)絡(luò)被表示為“通用函數(shù)逼近器”,它可以學(xué)習(xí)/計(jì)算各種激活函數(shù)。

    神經(jīng)網(wǎng)絡(luò)在測(cè)試階段通過特定的反向傳播和糾錯(cuò)機(jī)制進(jìn)行計(jì)算/學(xué)習(xí)。

    試想一下,通過最小化錯(cuò)誤,這些多層系統(tǒng)有望有一天自己學(xué)習(xí)和概念化想法。

    人工神經(jīng)網(wǎng)絡(luò) (ANN) 簡介

    總而言之,幾行R或Python代碼就足以實(shí)現(xiàn)機(jī)器智能,并且有大量在線資源和教程可以訓(xùn)練準(zhǔn)神經(jīng)網(wǎng)絡(luò),例如各種深度偽造網(wǎng)絡(luò),操縱圖像-視頻-音頻-文本,對(duì)世界的了解為零,如生成對(duì)抗網(wǎng)絡(luò)、BigGAN、CycleGAN、StyleGAN、GauGAN、Artbreeder、DeOldify等。

    他們創(chuàng)造和修改面孔、風(fēng)景、通用圖像等,對(duì)它的全部內(nèi)容了解為零。

    使用循環(huán)一致的對(duì)抗網(wǎng)絡(luò)進(jìn)行不成對(duì)的圖像到圖像的轉(zhuǎn)換,使2019年成為新人工智能時(shí)代的 14 種深度學(xué)習(xí)和機(jī)器學(xué)習(xí)用途。

    有無數(shù)的數(shù)字工具和框架以它們自己的方式運(yùn)行:

    開放語言——Python是最受歡迎的,R和 Scala也在其中。

    開放框架——Scikit-learn、XGBoost、TensorFlow等。

    方法和技術(shù)——從回歸到最先進(jìn)的GAN和RL的經(jīng)典ML技術(shù)

    提高生產(chǎn)力的能力——可視化建模、AutoAI 以幫助進(jìn)行特征工程、算法選擇和超參數(shù)優(yōu)化

    開發(fā)工具——DataRobot、H2O、Watson Studio、Azure ML Studio、Sagemaker、Anaconda 等。

    令人遺憾的是,數(shù)據(jù)科學(xué)家的工作環(huán)境:scikit-learn、R、SparkML、Jupyter、R、Python、XGboost、Hadoop、Spark、TensorFlow、Keras、PyTorch、Docker、Plumbr 等等,不勝枚舉。

    現(xiàn)代 AI 堆棧和 AI 即服務(wù)消費(fèi)模型

    構(gòu)建 AI 堆棧

    冒充人工智能的,其實(shí)是虛假冒牌的人工智能。在最好的情況下,它是一種自動(dòng)學(xué)習(xí)技術(shù),ML/DL/NN 模式識(shí)別器,本質(zhì)上是數(shù)學(xué)和統(tǒng)計(jì)性質(zhì)的,無法憑直覺行事或?qū)ζ洵h(huán)境建模,具有零智能、零學(xué)習(xí)和 零理解。

    阻礙人工智能進(jìn)步的問題

    盡管有許多優(yōu)點(diǎn),人工智能并不完美。以下是阻礙人工智能進(jìn)步的 8 個(gè)問題以及根本錯(cuò)誤所在:

    1. 缺乏數(shù)據(jù)

    人工智能需要大量數(shù)據(jù)集進(jìn)行訓(xùn)練,這些數(shù)據(jù)集應(yīng)該具有包容性/公正性,并且質(zhì)量良好。有時(shí)他們必須等待生成新數(shù)據(jù)。

    2. 耗時(shí)

    人工智能需要足夠的時(shí)間讓算法學(xué)習(xí)和發(fā)展到足以以相當(dāng)高的準(zhǔn)確性和相關(guān)性實(shí)現(xiàn)其目的。它還需要大量資源才能發(fā)揮作用。這可能意味著對(duì)您的計(jì)算機(jī)能力有額外的要求。

    3.結(jié)果解釋不力

    另一個(gè)主要挑戰(zhàn)是準(zhǔn)確解釋算法生成的結(jié)果的能力,還必須根據(jù)自己的目的仔細(xì)選擇算法。

    4. 高度易錯(cuò)

    人工智能是自治的,但極易出錯(cuò)。假設(shè)使用足夠小的數(shù)據(jù)集訓(xùn)練算法,使其不具有包容性。最終會(huì)得到來自有偏見的訓(xùn)練集的有偏見的預(yù)測(cè)。在機(jī)器學(xué)習(xí)的情況下,這樣的失誤會(huì)引發(fā)一系列錯(cuò)誤,這些錯(cuò)誤可能會(huì)在很長一段時(shí)間內(nèi)未被發(fā)現(xiàn)。當(dāng)他們確實(shí)被注意到時(shí),需要相當(dāng)長的時(shí)間來識(shí)別問題的根源,甚至更長時(shí)間來糾正它。

    5. 倫理問題

    相信數(shù)據(jù)和算法勝過我們自己的判斷的想法有其優(yōu)點(diǎn)和缺點(diǎn)。顯然,我們從這些算法中受益,否則,我們一開始就不會(huì)使用它們。這些算法使我們能夠通過使用可用數(shù)據(jù)做出明智的判斷來自動(dòng)化流程。然而,有時(shí)這意味著用算法取代某人的工作,這會(huì)帶來倫理后果。此外,如果出現(xiàn)問題,我們應(yīng)該責(zé)怪誰?

    6. 缺乏技術(shù)資源

    人工智能還是比較新的技術(shù)。從啟動(dòng)代碼到流程的維護(hù)和監(jiān)控,都需要機(jī)器學(xué)習(xí)專家來維護(hù)流程。人工智能和機(jī)器學(xué)習(xí)行業(yè)對(duì)市場(chǎng)來說仍然比較新鮮。以人力形式尋找足夠的資源也很困難。因此,缺乏可用于開發(fā)和管理機(jī)器學(xué)習(xí)科學(xué)物質(zhì)的有才華的代表。數(shù)據(jù)研究人員通常需要混合空間洞察力,以及從頭到尾的數(shù)學(xué)、技術(shù)和科學(xué)知識(shí)。

    7.基礎(chǔ)設(shè)施不足

    人工智能需要大量的數(shù)據(jù)處理能力。繼承框架無法處理壓力下的責(zé)任和約束。應(yīng)該檢查基礎(chǔ)架構(gòu)是否可以處理人工智能中的問題.、如果不能,應(yīng)該使用良好的硬件和適應(yīng)性強(qiáng)的存儲(chǔ)來完全升級(jí)。

    8.緩慢的結(jié)果和偏見

    人工智能非常耗時(shí)。由于數(shù)據(jù)和要求過載,提供結(jié)果的時(shí)間比預(yù)期的要長。關(guān)注數(shù)據(jù)庫中的特定特征以概括結(jié)果在機(jī)器學(xué)習(xí)模型中很常見,這會(huì)導(dǎo)致偏差。

    結(jié)論

    人工智能已經(jīng)接管了我們生活的許多方面。雖然不完美,但人工智能是一個(gè)不斷發(fā)展的領(lǐng)域,需求量很大。在沒有人為干預(yù)的情況下,它使用已經(jīng)存在和處理過的數(shù)據(jù)提供實(shí)時(shí)結(jié)果。它通常通過開發(fā)數(shù)據(jù)驅(qū)動(dòng)模型來幫助分析和評(píng)估大量數(shù)據(jù)。雖然人工智能有很多問題,這是一個(gè)不斷發(fā)展的領(lǐng)域。從醫(yī)學(xué)診斷、疫苗研發(fā)到先進(jìn)的交易算法,人工智能已成為科學(xué)進(jìn)步的關(guān)鍵。

    極客網(wǎng)企業(yè)會(huì)員

    免責(zé)聲明:本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性,但不保證有關(guān)資料的準(zhǔn)確性及可靠性,讀者在使用前請(qǐng)進(jìn)一步核實(shí),并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏,概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí),應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明,并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后,將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí),溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。

    2023-05-18
    阻礙人工智能進(jìn)步的8個(gè)問題
    雖然人工智能有很多問題,這是一個(gè)不斷發(fā)展的領(lǐng)域。從醫(yī)學(xué)診斷、疫苗研發(fā)到先進(jìn)的交易算法,人工智能已成為科學(xué)進(jìn)步的關(guān)鍵。

    長按掃碼 閱讀全文