物联传媒 旗下网站
登录 注册
RFID世界网 >  新闻中心  >  物联网新闻  >  正文

不可不知:机器学习等领域的五大关键发展趋势

作者:机器之心编译
来源:TechCrunch
日期:2016-07-12 09:27:05
摘要:全面智能、微智能、信息透明和信任、人类参与和仍待发展的现状——人工智能、机器学习或 Bot 领域的人都在谈论这五大发展趋势。
不可不知:机器学习等领域的五大关键发展趋势

  今天搞技术开发和执行的人聊天一定离不开这些话题:人工智能、机器学习或 Bot。风险投资公司 Madrona 最近主办了一个机器学习和人工智能会议,将智能应用生态系统领域里的几个最大的科技公司和创新创业公司聚集到了一起。

  会议的关键主题之一来自于对与会者的一个调查。参与调查的每个人都说机器学习对他们公司和行业很重要或者非常重要。

  但是,超过一半的调查回复也说他们的组织在机器学习上还不够专业,还没法做好他们需要做的事情。

  下面是这个峰会上谈论的另外五大趋势。

  趋势一:每个应用都将是智能应用

  如果你的公司还没有使用机器学习检测异常、推荐产品或者预测客户流失,那么很快它就会用上了。因为新数据的快速生成,大量计算力的可用和新机器学习平台的方便使用(无论是它来自亚马逊、谷歌和微软这样的大技术公司还是 Dato 这种创业公司),我们有望见到越来越多能生成实时预测而且会不断变得更好的应用。在我们过去六个月遇见的 100 个早期创业公司中,90% 以上都在计划使用机器学习为客户提供更好的体验。

  趋势二:智能 App 出现在微智能和中间件服务的创新中

  当下的公司可以分为两类(广义上):开发某种形式的机器学习/人工智能技术的公司,或者在应用和服务中使用机器学习技术和人工智能的公司。大量的创新集中在构建模块服务(又名,中间件服务)上,其中包括数据准备(data preparation)服务和学习服务或者模型即服务(models-as-a-service)的提供商。

  理解「what」背后的「why」是人工智能工作中的另一个关键部分。

  随着微服务以及通过 REST API 与微服务无缝连接的能力的出现,学习服务及机器学习算法的使用和再使用迎来了增长的趋势——再也不需要从零开始编写服务了。

  例如, Algorithmia 公司运行着一个算法市场,任何智能应用都可以在该市场中按需要使用其中的算法。将这些算法和模型与特定数据片(在特定的垂直范围内特定的使用情况)结合起来就是我们所说的微智能(micro-intelligence),它可以无缝接入到应用中。

  趋势三:在机器学习和人工智能世界里,信任和透明绝对关键

  去年,机器学习和人工智能的几个备受瞩目的实验受到了关注。例如微软的 Tay、谷歌的 DeepMind AlphaGo、Facebook 的 M 和数量不断增加的各种聊天机器人。自然用户接口(语音、聊天和视觉)的兴起为人类与虚拟助手(苹果 Siri、亚马逊 Alexa、微软 Cortana 和 Viv)的互动提供了非常有趣的选择和机会。

  也有一些与人工智能互动的例子让人感到不安。比如,在佐治亚理工学院一个在线课程将结束时,学生才惊讶地发现他们交互了整个学期的一个教学助理竟然是聊天机器人(名叫 Jill Watson,得名于 IBM Watson )

  这展示出技术和创新的力量,也给 Bot、机器学习和人工智能带来了许多信任和透明度上的规则问题。

  理解「what」背后的「why」是人工智能工作中的另一个关键部分。当一位医生或一位病人被告知他们有 75%的可能性患上癌症然后应该使用某种药来治疗时,一定会不高兴。他们需要理解这个预测结论和治疗方案是从哪些信息中得来的。

  我们绝对相信继续发展的话,机器学习需要完全透明,并且需要透彻地思考将会成为生活和社会进步不可或缺的一部分的技术进步带来的伦理问题。

  趋势四:机器学习需要人类

  关于我们是否应该担忧人工智能机器占领世界已经讨论过很多了。正如人工智能和机器学习已经给自动化带来了很多有意义的帮助一样,在创造正确的端到端的用户体验中我们也绝对将需要人类的参与。

  如果你的公司还没有使用机器学习检测差异、推荐产品或者预测客户流失,你很快就会开始了。

  Redfin 公司曾做了个实验:给用户发送利用机器学习生成的推荐。这些机器学习生成的推荐比用户自己搜索和警报过滤器得出来的东西有更高的采纳率。

  但是,当 Redfin 在将推荐发送给客户之前要求他们评价这些推荐时,才实现了真正的进步。在客户评价了这些推荐之后,Redfin 就能使用这些客户的修正意见作为额外的训练数据,之后这些推荐的点击率得到了显著的提升。

  Splunk 公司描述了 IT 专业人士可以如何部署和使用 Splunk 来帮助他们工作的更好更高效,这再次强调了机器学习的应用中必须要有人这一观点。如果没有人的参与,客户将无法从 Splunk 上获得最大的价值。

  另一家公司 Spare5 也是很好的例子。它们描述了在训练机器学习模型时,有时需要人来修正和分类进入模型的数据。机器学习中有个关于数据的谚语:进去的是垃圾,出来的也是垃圾。数据的质量和完整性是建立高质量模型的关键。

  趋势五:机器学习是智能应用的关键部分......但是你也许不需要一开始就使用

  机器学习是建立人工智能时不可或缺的关键部分,但最重要的目标还是让你的智能应用能够与用户产生共鸣,让客户能方便地使用这些应用并不断获得更好的体验。

  想要有效地使用机器学习和人工智能,你通常需要一个大型数据库。在这个事情上有成功经验的人给出的建议是:从你想提供的应用和体验开始,在这个过程中,考虑如何能让机器学习改进你的应用以及需要收集并建立怎样的数据库来给客户提供最好的体验。

  我们想让每个应用都成为智能的,在这个过程中,我们已经付出了很多很多努力,但是我们仍然处在早期阶段。正如艾伦人工智能研究所(Allen Institute) CEO Oren Etzioni 在一次炉边谈话中所说的那样:在人工智能和机器学习上我们已经取得巨大的进步,但是今天就宣布取得了机器学习的成功就像是「我们爬上了树梢却宣布自己登上了月球」。

人物访谈