科技云報(bào)道原創(chuàng)。
“不要相信那種(基于海量數(shù)據(jù)的AI優(yōu)勢(shì))炒作?!弊鳛槿?a href="http://worldfootballweekly.com/AI_1.html" target="_blank" class="keylink">AI和機(jī)器學(xué)習(xí)領(lǐng)域最權(quán)威的學(xué)者之一,吳恩達(dá)教授近期談到自己對(duì)下一步AI趨勢(shì)的看法。
圖:吳恩達(dá)教授
從事AI研究的人都非常清楚,數(shù)據(jù)在AI發(fā)展中扮演著至關(guān)重要的角色。
傳統(tǒng)觀點(diǎn)認(rèn)為,大量數(shù)據(jù)支撐起了尖端AI的發(fā)展,大數(shù)據(jù)也一直被奉為打造成功機(jī)器學(xué)習(xí)項(xiàng)目的關(guān)鍵之匙。作為深度學(xué)習(xí)的引擎,大數(shù)據(jù)與大模型已經(jīng)成功運(yùn)行了15年。
如今,預(yù)訓(xùn)練大模型已成為各家打造AI基礎(chǔ)設(shè)施的利器,業(yè)界出現(xiàn)了各種由大數(shù)據(jù)構(gòu)建出的大模型,例如:
Switch Transformer谷歌于2021 年1月11日提出,聲稱參數(shù)量從GPT-3的1750億提高到1.6萬億。Switch Transformer基于稀疏激活的專家模型(Mixture of Experts),論文中提到在計(jì)算資源相同的情況下,訓(xùn)練速度可以達(dá)到T5 (Text-To-Text Transfer Transformer)模型的4-7倍。
MT-NLG2021年年底,英偉達(dá)與微軟聯(lián)合發(fā)布了MT-NLG,該模型含參數(shù)5300億個(gè),宣稱是目前最大的且最強(qiáng)的語(yǔ)言生成預(yù)訓(xùn)練模型。
悟道02021年6月,北京智源研究院發(fā)布悟道2.0,參數(shù)規(guī)模達(dá)到1.75萬億,是GPT-3的10倍,超過了谷歌Switch Transformer的1.6萬億參數(shù)記錄。
“封神榜”2021年11月,在深圳IDEA大會(huì)上,粵港澳大灣區(qū)數(shù)字經(jīng)濟(jì)研究院(簡(jiǎn)稱“IDEA”)理事長(zhǎng)沈向洋正式宣布,開啟“封神榜”大模型開源計(jì)劃,涵蓋五個(gè)系列的億級(jí)自然語(yǔ)言預(yù)訓(xùn)練大模型,其中包括了最大的開源中文BERT大模型“二郎神”系列。
但值得注意的是,在某些場(chǎng)景下,大數(shù)據(jù)并不適用,“小數(shù)據(jù)”才是更好的解決方案。
未來AI從大數(shù)據(jù)轉(zhuǎn)向小數(shù)據(jù)
盡管業(yè)界在大數(shù)據(jù)和大模型取得了飛躍性的成果,但是這種規(guī)?;椒?,并不適用于數(shù)據(jù)集不夠龐大的新興行業(yè)或傳統(tǒng)行業(yè)。
在傳統(tǒng)行業(yè),基于公開數(shù)據(jù)的預(yù)訓(xùn)練的大模型幾乎派不上用場(chǎng)。
“龐大的搜索數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)對(duì)于檢測(cè)零部件缺陷毫無用處,對(duì)于醫(yī)療記錄也沒有太大的幫助。”吳恩達(dá)教授表示。
更困難的是,與可獲取海量用戶數(shù)據(jù)的互聯(lián)網(wǎng)公司不同,傳統(tǒng)企業(yè)沒有辦法收集海量的特定數(shù)據(jù)來支撐AI訓(xùn)練。
例如,在汽車制造業(yè)中,由于精益6-sigma管理技術(shù)的廣泛應(yīng)用,大多數(shù)零件制造商和一級(jí)供應(yīng)商都盡量保證每百萬批次的產(chǎn)品中最多出現(xiàn)4個(gè)不合格產(chǎn)品。于是,制造商們就缺少了不合格產(chǎn)品的樣本數(shù)據(jù),從而很難訓(xùn)練出性能良好的用于產(chǎn)品質(zhì)檢的視覺檢測(cè)模型。
最近一次的MAPI調(diào)查顯示:58%的研究對(duì)象認(rèn)為,部署AI解決方案最主要的困難是數(shù)據(jù)源的缺乏。
正如吳恩達(dá)教授所言:“過去十年,AI最大的轉(zhuǎn)變是深度學(xué)習(xí),而接下來的十年,我認(rèn)為會(huì)轉(zhuǎn)向以數(shù)據(jù)為中心。隨著神經(jīng)網(wǎng)絡(luò)架構(gòu)的成熟,對(duì)于許多實(shí)際應(yīng)用來說,瓶頸將會(huì)存在于“如何獲取、開發(fā)所需要的數(shù)據(jù)”。
隨著各國(guó)數(shù)據(jù)和隱私安全法規(guī)紛紛落位,對(duì)AI技術(shù)監(jiān)管收緊,AI的大數(shù)據(jù)紅利期已經(jīng)一去不復(fù)返
根據(jù)Gartner的報(bào)告,到2025年,70%的組織將被迫將重點(diǎn)從大數(shù)據(jù)轉(zhuǎn)移到小數(shù)據(jù)和泛數(shù)據(jù),為分析提供更多上下文——并減少AI對(duì)數(shù)據(jù)的需求。
但這并不意味著AI的發(fā)展會(huì)受阻。相反,在小數(shù)據(jù)時(shí)代,AI同樣大有可為。
吳恩達(dá)教授認(rèn)為,基于融合式學(xué)習(xí)、增強(qiáng)式學(xué)習(xí)、知識(shí)轉(zhuǎn)移等方法,小數(shù)據(jù)也可以發(fā)揮大的作用,未來AI的趨勢(shì)之一是將從大數(shù)據(jù)向小數(shù)據(jù)過渡。
小數(shù)據(jù)如何驅(qū)動(dòng)AI?
需要注意的是,小數(shù)據(jù)的“小”并不僅僅代表數(shù)據(jù)量小,也要求質(zhì)量高的數(shù)據(jù),這一點(diǎn)尤為重要。小數(shù)據(jù)是指使用符合需求的數(shù)據(jù)類型構(gòu)建模型,從而生成商業(yè)洞察和實(shí)現(xiàn)自動(dòng)化決策。
我們經(jīng)常會(huì)看到有人對(duì)AI期望過高,僅僅收集幾張圖片數(shù)據(jù),就期望獲得一個(gè)高質(zhì)量的模型。在實(shí)際部署時(shí),是要找出最適合用于模型構(gòu)建的那部分?jǐn)?shù)據(jù),用于輸出正確內(nèi)容。
對(duì)此,吳恩達(dá)教授舉例道:一個(gè)經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)系統(tǒng)在大部分?jǐn)?shù)據(jù)集上的表現(xiàn)還不錯(cuò),卻只在數(shù)據(jù)的一個(gè)子集上產(chǎn)生了偏差。這時(shí)候,如果要為了提高該子集的性能,而改變整個(gè)神經(jīng)網(wǎng)絡(luò)架構(gòu),這是相當(dāng)困難的。但是,如果能僅對(duì)數(shù)據(jù)的一個(gè)子集進(jìn)行設(shè)計(jì),那么就可以更有針對(duì)性的解決這個(gè)問題。
例如,當(dāng)背景中有汽車噪音時(shí),有一個(gè)語(yǔ)音識(shí)別系統(tǒng)的表現(xiàn)會(huì)很差。了解了這一點(diǎn),就可以在汽車噪音的背景下收集更多的數(shù)據(jù),而不是所有的工作都要收集更多的數(shù)據(jù),那樣處理起來會(huì)非常昂貴且費(fèi)時(shí)。
再比如,智能手機(jī)上有許多不同類型的缺陷,可能會(huì)是劃痕、凹痕、坑痕、材料變色或者其它類型的瑕疵。如果訓(xùn)練過的模型在檢測(cè)缺陷時(shí)總體表現(xiàn)很好,但在坑痕上表現(xiàn)得很差,那么合成數(shù)據(jù)的生成就可以更有針對(duì)性地解決這個(gè)問題,只為坑痕類別生成更多的數(shù)據(jù)。
事實(shí)上,小數(shù)據(jù)并不是一個(gè)全新的課題,在機(jī)器學(xué)習(xí)領(lǐng)域,小數(shù)據(jù)的處理方法已經(jīng)越來越多。
少樣本學(xué)習(xí)通過少樣本學(xué)習(xí)技術(shù),為機(jī)器學(xué)習(xí)模型提供少量訓(xùn)練數(shù)據(jù),適合在模型處于完全監(jiān)督學(xué)習(xí)狀態(tài)而訓(xùn)練數(shù)據(jù)不足時(shí)使用。
少樣本學(xué)習(xí)技術(shù)經(jīng)常應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域。在計(jì)算機(jī)視覺中,模型可能不需要很多示例來識(shí)別某一對(duì)象。例如,具有用于解鎖智能手機(jī)的面部識(shí)別算法,無需數(shù)千張本人的照片便可開啟手機(jī)。
知識(shí)圖譜知識(shí)圖譜屬于二級(jí)數(shù)據(jù)集,因?yàn)橹R(shí)圖譜是通過篩選原始的大數(shù)據(jù)而形成的。知識(shí)圖譜由一組具有定義含義并描述特定域的數(shù)據(jù)點(diǎn)或標(biāo)簽組成。
例如,一個(gè)知識(shí)圖譜可能由一系列著名女演員名字的數(shù)據(jù)點(diǎn)組成,共事過的女演員之間以線(或稱之為邊)連接起來。知識(shí)圖譜是一種非常有用的工具,以一種高度可解釋和可重復(fù)使用的方式組織知識(shí)。
遷移學(xué)習(xí)當(dāng)一個(gè)機(jī)器學(xué)習(xí)模型作為另一模型的訓(xùn)練起點(diǎn),以幫助此模型完成相關(guān)任務(wù)時(shí),就需要用到遷移學(xué)習(xí)技術(shù)。
從本質(zhì)上講,是將一個(gè)模型的知識(shí)遷移到另一個(gè)模型。以原始模型為起點(diǎn),再使用額外數(shù)據(jù)來進(jìn)一步訓(xùn)練模型,從而培養(yǎng)模型處理新任務(wù)的能力。如果新任務(wù)不需要原始模型的某些構(gòu)成部分,也可以將其刪除。
在自然語(yǔ)言處理和計(jì)算機(jī)視覺等需要大量計(jì)算能力和數(shù)據(jù)的領(lǐng)域,遷移學(xué)習(xí)技術(shù)尤為有效。應(yīng)用遷移學(xué)習(xí)技術(shù)可以減少任務(wù)的工作量和所需時(shí)間。
自監(jiān)督學(xué)習(xí)自監(jiān)督學(xué)習(xí)的原理是,讓模型從現(xiàn)有的數(shù)據(jù)中收集監(jiān)督信號(hào)。模型利用現(xiàn)有數(shù)據(jù)來預(yù)測(cè)未觀測(cè)到的或隱藏的數(shù)據(jù)。
例如,在自然語(yǔ)言處理中,數(shù)據(jù)科學(xué)家可能會(huì)在模型中輸入一個(gè)缺少單詞的句子,然后讓這個(gè)模型預(yù)測(cè)所缺少的單詞。從未隱藏的單詞中獲得足夠的背景線索后,模型便學(xué)會(huì)識(shí)別句中隱藏的單詞。
合成數(shù)據(jù)當(dāng)給定數(shù)據(jù)集存在缺失,而現(xiàn)有數(shù)據(jù)無法填補(bǔ)時(shí),就可以利用合成數(shù)據(jù)。
比較普遍的示例是面部識(shí)別模型。面部識(shí)別模型需要包含人類全部膚色的面部圖像數(shù)據(jù),但問題是,深色人臉的照片比淺色人臉的照片數(shù)據(jù)要少。數(shù)據(jù)科學(xué)家可以人工創(chuàng)建深色人臉數(shù)據(jù),以實(shí)現(xiàn)其代表的平等性,而不是創(chuàng)建一個(gè)難以識(shí)別深色人臉的模型。
但機(jī)器學(xué)習(xí)專家必須在現(xiàn)實(shí)世界中更徹底地測(cè)試這些模型,并在計(jì)算機(jī)生成的數(shù)據(jù)集不足時(shí),添加額外的訓(xùn)練數(shù)據(jù)。
小數(shù)據(jù)的大潛力
如今,小數(shù)據(jù)的潛力正在被業(yè)界所重
2021年9月,美國(guó)網(wǎng)絡(luò)安全和新興技術(shù)局(簡(jiǎn)稱CSET)發(fā)布的《小數(shù)據(jù)人工智能的巨大潛力》報(bào)告指出,長(zhǎng)期被忽略的小數(shù)據(jù)(Small Data)人工智能潛力不可估量!
一是,縮短大小實(shí)體間AI能力差距。
由于不同機(jī)構(gòu)收集、存儲(chǔ)和處理數(shù)據(jù)的能力差異較大,AI的“富人”(如大型科技公司)和“窮人”之間正在拉開差距。使用小數(shù)據(jù)構(gòu)建AI系統(tǒng),能夠大幅降低中小型企業(yè)進(jìn)入AI的壁壘,減少傳統(tǒng)企業(yè)項(xiàng)目的研發(fā)時(shí)間和成本,將成為數(shù)以萬計(jì)的商業(yè)項(xiàng)目的重要突破口
二是,促進(jìn)數(shù)據(jù)匱乏領(lǐng)域的發(fā)展。
對(duì)于許多亟待解決的問題如:為沒有電子健康記錄的人構(gòu)建預(yù)測(cè)疾病風(fēng)險(xiǎn)的算法,或者預(yù)測(cè)活火山突然噴發(fā)的可能性,可用數(shù)據(jù)很少或者根本不存在。
小數(shù)據(jù)方法以提供原則性的方式來處理數(shù)據(jù)缺失或匱乏。它可以利用標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù),從相關(guān)問題遷移知識(shí)。小數(shù)據(jù)也可以用少量數(shù)據(jù)點(diǎn)創(chuàng)建更多數(shù)據(jù)點(diǎn),憑借關(guān)聯(lián)領(lǐng)域的先驗(yàn)知識(shí),或通過構(gòu)建模擬或編碼結(jié)構(gòu)假設(shè)去開始新領(lǐng)域的冒險(xiǎn)。
三是,避免臟數(shù)據(jù)問題。
小數(shù)據(jù)方法能讓對(duì)“臟數(shù)據(jù)”煩不勝煩的大型機(jī)構(gòu)受益。不可計(jì)數(shù)的“臟數(shù)據(jù)”需要耗費(fèi)大量人力物力進(jìn)行數(shù)據(jù)清理、標(biāo)記和整理才能夠“凈化”,而小數(shù)據(jù)方法中數(shù)據(jù)標(biāo)記法可以通過自動(dòng)生成標(biāo)簽更輕松地處理大量未標(biāo)記的數(shù)據(jù)。遷移學(xué)習(xí)、貝葉斯方法或人工數(shù)據(jù)方法可以通過減少需要清理的數(shù)據(jù)量,分別依據(jù)相關(guān)數(shù)據(jù)集、結(jié)構(gòu)化模型和合成數(shù)據(jù)來顯著降低臟數(shù)據(jù)問題的規(guī)模。
四是,減少個(gè)人數(shù)據(jù)的收集。
全球各國(guó)都陸續(xù)出臺(tái)了針對(duì)個(gè)人數(shù)據(jù)保護(hù)的政策法規(guī),用小數(shù)據(jù)方法能夠很大程度上減少收集個(gè)人數(shù)據(jù)的行為,通過人工合成數(shù)據(jù)或使用模擬訓(xùn)練算法,讓使用機(jī)器學(xué)習(xí)變得更簡(jiǎn)單,從而讓人們對(duì)大規(guī)模收集、使用或披露消費(fèi)者數(shù)據(jù)不再擔(dān)憂。
結(jié)語(yǔ)
AI依賴巨量數(shù)據(jù)、數(shù)據(jù)是必不可少的戰(zhàn)略資源,但也絕不能低估小數(shù)據(jù)的潛力,尤其是在AI走向應(yīng)用落地的下一個(gè)十年中,是時(shí)候從大數(shù)據(jù)轉(zhuǎn)向小數(shù)據(jù)、優(yōu)質(zhì)數(shù)據(jù)了。
來源:科技云報(bào)道
免責(zé)聲明:此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評(píng)論性文章,所有文字和圖片版權(quán)歸作者所有,且僅代表作者個(gè)人觀點(diǎn),與極客網(wǎng)無關(guān)。文章僅供讀者參考,并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。投訴郵箱:editor@fromgeek.com。
- 蜜度索驥:以跨模態(tài)檢索技術(shù)助力“企宣”向上生長(zhǎng)
- 折疊屏2024的新東西、好東西、舊東西
- “客服來電”懷疑有詐?抖音上線“驗(yàn)證助手”幫助用戶防范詐騙
- 葉國(guó)富觀點(diǎn)很精彩,奈何名創(chuàng)優(yōu)品說得好聽、做得難看?
- 算力荒緩解,自主化智算還有必要嗎?
- 波司登千元鵝絨褲僅3克鵝絨,警惕被“國(guó)貨品牌”割韭菜
- 中國(guó)電車進(jìn)入10萬級(jí)時(shí)代,2025年決生死,但日本車先頂不住了
- 谷歌成為手機(jī)市場(chǎng)的殺手,國(guó)產(chǎn)手機(jī)或被迫擁護(hù)國(guó)產(chǎn)操作系統(tǒng)
- 董明珠與小米的二次戰(zhàn)爭(zhēng)
- 芯片不賣中國(guó),美芯無處賣了,本來不要的市場(chǎng)偷偷地賣,后悔莫及
- 僅售999元 月底開售 閃極打響AI眼鏡量產(chǎn)發(fā)令槍
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(yè)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。