为神经网络选择正确的架构,如何思索人工智能

原标题:如何思索人工智能、机器学习技术以及它们在自动化过程中所扮演角色

5月7日,在微软Build 2019开发者大会上,微软宣布推出第一个应用微软AI的自主系统(Autonomous systems)。该系统建立在微软此前收购的Bonsai公司的基础能力上,可帮助开发人员使用微软的AI和Azure相应工具训练可以自主运行的系统模型。

作者:骆天翔  年级:研0级

1、百度首席科学家吴恩达:

编者注:文中超链接如果不能访问可以点击“阅读原文”访问本文原页面;读者可以查看将在2018年10月8日到11日举办的人工智能伦敦大会的完整日程。

图片 1

【嵌牛导读】:谷歌首席执行官Sundar Pichai在面向app程序员和硬件制造商举办的年度I/O开发者大会上发布了一个名为AutoML的项目,它可以自动化设计深度学习软件最难的部分之一:为神经网络选择正确的架构。

人工智能其实早已在我们日常生活中有了广泛的应用,不是只有科幻电影里的那些才叫人工智能。譬如最简单的数码相机的笑脸捕捉,那个就是人工智能。还有电子商务里的推荐引擎,那个也是人工智能。还有电子邮件,如果没有spam filter,估计电子邮件完全就成了垃圾信箱,这也是人工智能的功劳。这些都是让计算机变得更聪明,从而改变人类生活的例子。还有许多应用的现阶段瓶颈就是人工智能,譬如农业上的自动化收割,我要摘樱桃,怎么分辨好的和不好的?这个就是计算机视觉可以解决的问题。但是现在人工智能还有很长的路要走才能达到实现这些应用的高度。我早年花了很大的精力在解决人工智能硬件层面的架构问题,现在是时候进一步提高技术的可用性了。

在本博文里我来分享Roger Chen和我在2018年5月份举办的人工智能纽约大会上的幻灯片和注释。很多企业已经开始探索机器学习和人工智能。这里我们希望能给出一个如何思考这些技术和他们在自动化里的作用的回顾和框架总结。在这一过程中,我们会讲述那些能被用于实现自动化的机器学习和人工智能的工具。

据悉,该系统主要应用了微软的机器教学和仿真技术两项技术,以模拟真实环境进行模型/系统训练。在此次系统首个预览版本发布之前,微软就这一系统已与丰田旗下Toyota Material Handling公司、Sarcos公司合作,分别对二者的自动叉车机器人、远程视觉检测机器人进行了智能化改进。

【嵌牛鼻子】:AutoML、神经网络、、深度学习、谷歌、AI

2、香港科技大学教授杨强:

让我们先从一个我们近期所做的调研开始:在企业所关注的事情里,我们发现主要(54%)的关注点是认为深度学习是他们未来项目的一个重要部分。深度学习是一种特殊的机器学习技术,它在多个领域的成功已经带来了对人工智能热情的复兴。

微软将机器教学作为机器学习的补充,这是一种人工智能系统分析数据并学习如何预测事物的方式,比如照片是否包含人脸。通过机器教学,人们将一项任务分解为单独的部分,引导这个系统进行学习,类似于学习棒球的人可能会先练习软式垒球,然后才能进入下手投球和全垒球的练习。

【嵌牛提问】:AutoML是神马东西?有什么作用?

人工智能有很多领域,到现在为止最成功的一个领域就是机器学习,机器学习的一个基本概念就是从数据里面经常重复的现象汇总学出规律,从而把现实中简单重复烦琐的工作给替代掉。

当前大部分对人工智能的新闻报道都是关于深度学习的。而现实是很多人工智能系统使用了非常多种的机器学习方法和技术。例如,当前最著名的可以下围棋和打扑克的人工智能系统就是使用了深度学习以及其他的技术。对于AlphaGo,蒙特卡洛树搜索算法就扮演了很重要的角色。而DeepStack扑克系统就结合了神经网络与反事实后悔最小化和启发式搜索技术。

图片 2

【嵌牛正文】:

人工智能在机器学习和深度学习方面已经有着很高的成就。此外,另外一种技术正在开始应用:强化学习。强化学习不仅仅能够学习人的行为,还能够更好的使用延迟反馈功能。而之后人们能否发明一种新的学习方法,能把大数据的模型在用于小数据身上,于是杨强提到了迁移学习。迁移学习是把深度学习和强化学习叠加在一起。

图片 3

不过,机器教学是依赖于人工智能的一种特殊的"试错"方法,也称为深度强化学习。例如,如果目标是将一个对象移动到特定的目标,那么只要系统将对象指向正确的方向,系统就会得到奖励。

      谷歌在I/O大会上新发布的AutoML旨在自动化设计深度学习软件最难的部分之一——为神经网络选择正确的架构。这些人工神经网络被设计成模仿大脑的学习方式。按照谷歌首席执行官Sundar Pichai解释说法,AutoML的工作方式就是我们采用一组候选神经网络,将它们看作是baby神经网络,然后用一个神经网络来遍历它们,直到我们找到最好的神经网络。

3、前微软亚研院首席研究员、现任旷视科技首席科学家孙剑:

更近一些时候,我们开始看到贝叶斯方法和神经进化方法与深度学习相结合。我期待在未来看到更多的论文和文章介绍吸引人的和非常实用的混合系统。

"机器一直都在从全手动到拥有固定的全自动化功能的道路上前进,将可变得足够智能以便在实际上自己处理现实世界里的情况。"微软商业AI副总裁古尔迪普·帕尔(Gurdeep Pall)说道。"我们想要帮助加快这一进程,让客户无需拥有一支AI专家大军。"

       谷歌的研究人员创建了一个使用强化学习的机器学习系统——试错法本身就是谷歌许多最著名的AI应用的核心理念——用以找出完成语言与图像识别任务的最佳架构,在这个强化学习过程中,计算机可以将尝试和错误与某种奖励联系起来,就像教狗新把戏一样。但整个过程需要超强的计算能力,而谷歌的硬件已经进入可以支撑一个神经网络分析另外一个神经网络的阶段。以前科学家和工程师的专家团队通常需要花费大量的时间来组合神经网络,现在有了AutoML,几乎任何人都能够构建AI系统来处理任何他们想做的任务。

视觉智能是人工智能的一个重要分支,目前人工智能的发展正在从感知智能向认知智能发展,而视觉是感知智能的一个重要方面。视觉理解核心问题是深度神经网络,神经网络模型目前已经从AlexNet发展到152层的ResNet,图像分类进展、人脸识别的进展、人脸识别的实际应用已经超越人眼,而无监督对抗学习和语义分割,将是视觉智能未来发展的关键。

图片 4

尽管近年来人工智能的进步强调了需要理解Python的机器学习框架(如TensorFlow和 Microsoft Cognitive Toolkit),但微软等公司一直在开发平台和工具,帮助那些不知道如 何编写代码、培训和部署人工智能模型的人。

图片 5

4、新加坡南洋理工大学 电子电气工程学院副教授黄广斌:

除了深度学习,强化学习(RL)也是企业里获得了关注的题目。在很多知名的人工智能系统里,强化学习扮演了关键的角色。取决于上下文,一个人工智能系统可能被要求解决不同类型的问题。强化学习擅长于解决那些在监督学习和非监督学习领域之外的问题。理解强化学习的一种思路是把它看成某个智能体重复地探索一个给定的环境,从而学习如何在这个环境里行动。一个算法可能试图去学习一种策略,让智能体在特定条件下行动。现实情况是,依赖于强化学习的“自学习”系统的著名案例已经让强化学习成为人工智能学者关注的一个热门课题。

图片 6

一个神经网络选择其他神经网络

人工智能本来是个比较广泛的概念,现在却有个狭义的发展趋势,要和人的智能和智慧比高低,这其实是个困惑和可怕的事情:1)许多事情是机器可以做的人不一定能做,也有许多事情人能做机器不一定能做;2)机器加上“可控”和“可预见”的智能本来是帮助和改善人类生活,现在一些研发的出发点或故事的卖点却是以挑战人类的智慧为目的。机器智能和人类智能/智慧是两个可以相交的函数f1和f2,但不必狭义成两个函数最终要相同或收敛到一起。

图片 7

据官方信息显示,Bonsai的端到端平台可以提供一套完整的工具,目前可以通过机器教学,将专业人士知识融入到机器学习模型中,平台会自动选择最合适的深度强化学习算法,用于训练特定模型,布置神经网络和调整超参数。

       Pichai在一篇博文中写道:“我们希望AutoML的能力抵得上现在几个博士之和,并且可以在三到五年时间内为成千上万的开发人员设计出新的神经网络以满足他们的特殊要求。”

“深度学习”概念热度转折点已经到了,两年后将很少人再提深度学习术语:1)广泛意义上的“深度学习”(多层和/或多学习系统的组合)本身就是机器学习的必然,将来几乎每个人工智能机器学习系统都可以广泛说是“深度学习”;2)再提深度学习所能创造的效益有限,投资概念将跟上最后一班车;3)开源将使得深度学习不再高深莫测,但会使强者更强,弱者相对更弱;4)开源也预示着新的技术和术语在蕴酿积累,等待爆发点;5)世界科技巨头有分化,有的巨头其实很少提“深度学习”概念,却在另起炉灶;6)比传统深度学习快几万倍的芯片硬件将走入市场。

然而,强化学习也不是没有挑战的:

微软企业人工智能副总裁Gurdeep Pall说,如果人工智能变得更加深奥和难以理解,那么它将朝着错误的方向发展。他补充说 ,机器教学意味着将知识从人类专家的大脑转移到金融、制造和客户支持等领域的机器学习 算法上。

       机器学习就是使用计算机根据样本数据做出自己的决策,是开发人工智能的一种方法,它涉及到两个主要步骤:训练和推理。训练过程要求一台计算机看成千上万的猫狗照片,以了解每种动物呈现出怎样的像素组合。随后的推理过程是系统根据其学到的东西作出猜测,用神经网络替换猫和狗,AutoML要做的不是识别动物,而是识别出哪些系统是最聪明的。根据Google的研究,AutoML在找到解决问题的最佳方法方面比人类专家更聪明,这可能会为未来AI系统的构建节省大量工作,因为它们可以进行部分程度的自我构建。就如Google科学家QuocLe和Barret Zoph所说:“我们认为这可以激发新型神经网络,并且使非专家可以根据自己的特定需求创建神经网络,从而使得机器学习增加对人们的影响力。”

5、艾瑞观点:

  • 首先,教会一个智能体在特定环境里行动需要很多的数据。这就是为什么很多初创应用都是在能够进行模拟的领域出现。
  • 其次,重现研究论文里的结果并转换成可以工作的系统是非常有挑战性的。这一点可能会随着新的开源系统(特别是RISE实验室的Ray和RLib)的出现并被更多的研究人员使用而得到改变。我们会看到更少的自定义或一次性代码。巧合的是,最近几周我参观了一些主要的公司。这些公司已经将Ray作为其基础设施的一部分用于生产系统。

       AutoML的选择结果不仅可以与最佳的人性化设计架构相抗衡,而且系统做出了一些非常规的选择,研究人员以前会认为类似的选择不适合这些任务,相关研究人员对MIT Tech Review表示,这种方法还有很长的路要走,因为它捆绑了800个强大的图形处理器。不过谷歌认为,自动化构建机器学习系统的过程可以帮助克服人机学习和数据科学人才的短缺,正是这两点拖慢了新技术的应用进程。

人工智能(artificial intelligence):用机器去实现所有目前必须借助人类智慧才能实现的任务。

尽管存在这些挑战,已经开始在工业自动化等领域出现了强化学习的实际应用。 Bonsai的Mark Hammond描述了许多公司如何使用强化学习的例子,包括如何管理风机或操作昂贵的机器。据报道,Google的DeepMind开发了一种基于强化学习的系统,可以帮助改进其数据中心的功耗。Hammond介绍了把强化学习模型训练成为“机器教学”的过程:让领域专家去训练基于强化学习的系统,然后它就可以实现自动化:

       AutoML并不是唯一的一个,据Wired报道,Facebook的工程师们也已经开发了称为“自动化机器学习工程师”的工具。它的名字也叫AutoML,能够就最有可能解决问题的算法和参数做出选择。

狭义人工智能定义:指基于人工智能算法和技术进行研发及拓展应用的企业。

[你想]让你的领域专家(例如化学工程师或机械工程师。这些专家非常精通各自的领域,但不一定是机器学习或数据科学领域)来识别出专业知识并将其用作描述教学内容的基础,然后自动化底层。

       去年夏天,一个称为AutoML challenge的挑战任务(资助者包括微软、英伟达等)让很多团队开始构建一种机器学习“黑匣子”,能自行选择模型和调整参数,而无需人为干预。挑战任务甚至吸引了游戏设计师的参与,游戏Space Engineers的开发团队利用部分游戏收入组件了一个专家团队来设计可以优化自己软硬件的AI。

广义人工智能定义:指包括计算、数据资源、人工智能算法和计算研究、应用构建在内的产业。

自动化

       AI在让自己变得更聪明的过程中变得更聪明。虽然此类自动化可以使非专家更容易设计和部署AI系统,但它似乎也为机器控制自己的命运奠定了基础。“递归的自我完善”概念是大多数从中等智能快速跃升至AI超级智能理论的核心。其核心理念在与,随着AI越来越强大,它可以开始自我调整,以提高其能力。AI在让自己变得更聪明的过程中变得更聪明,这很快就会导致了智能化的指数增长。一般来说,所谓的“种子AI”被设想为通用人工智能 (AGI),它是一种能够执行任何智力任务的机器,就像人类一样,而不是像今天的大部分算法一般,只是某一个领域的专家。今天的系统离AGI还有很长的路要走,它们的目的是开发和改进其他机器学习系统,而非自身。在机器学习之外,代码的自我调整已经存在了一段时间,但是部署这种技术来编辑神经网络可能要复杂得多。但是创造能够处理机器学习代码的算法显然是迈向未来学家设想的自我改进AI的第一步。

6、易观观点:

机器学习和人工智能将带来许多跨领域和专业的自动化。但我们有时将自动化视为二元的:要么是完全自动化,要么就是没有自动化。事实是,自动化是有一系列的等级。例如,自动驾驶汽车行业就有多个级别,只有最高级别(级别5)代表完全自动化。

       最近一些其他技术进展可能也会推动这一方向的发展,许多AI研究人员正在努力将好奇心和创造力编码到机器学习系统中,如加州大学伯克利分校研发的为AI植入好奇心,这两个特征可能对一台重新自我设计以提升性能的机器来说是必须的。还有一些研究人员正在尝试让机器人分享他们所学到的东西,有效地将它们变成一种“蜂巢思想”。毫无疑问,这些能力想要达到可以有效地实现能够自我改进的AI,还有很长的路要走,但我们确实已经可以看到一些相关技术基础正在铺设之中。

人工智能:理想的人工智能指的是通过技术创造“类人”的机器,使其具备人的感知能力、表达能力和思考能力。

图片 8

人工智能:现实的人工智能指的是技术能够训练机器掌握某项“近于人”的能力,将人从最基础最单一的繁杂事务中解放出来,作为工具提高人的生活和工作体验。

事实上,麦肯锡估计“使用现有技术,只有不到5%的职业可以被完全自动化。 然而大约在60%的职业里,它们的30%或更多的内容是可以被自动化的”。Tim O’Reilly撰写一篇了关于这些技术对经济和就业的影响的文章,并指出增强(“人参与的循环”的)技术开辟了许多可能性。

7、创新工场李开复:

因此,当考虑自动执行某些任务时,请记住,在许多情况下当前的技术可能只能帮助实现部分自动化。那如何确定哪些任务应该被自动化?鉴于我们讨论的是使用机器学习技术,(在这个背景下)这些任务需要满足几个基本要求:

感知 决策 反馈(生成、机器人、自动化)=人工智能。

1.有数据来支持自动化吗?

8、搜狗ceo王小川:

2.能够规模化来验证自动化的益处吗?

人工智能是用计算机系统模仿人类的感知、推理等思维活动。人工智能分为两个流派:符号主义和联结主义。符号主义主张把智能处理的问题变成符号,是人的社会特有的东西;联结主义则提供基本思想和可能的部分神经网络运作机理。

确定哪个任务需要自动化是至关重要的。比如特斯拉公司最近发现他们要求自动化汽车制造的许多方面。但特斯拉CEO Elon Musk最近观察到:“特斯拉的过度自动化是一个错误。人的能力被低估了”。如果对于特斯拉来说都很难确定自动化的应用场景,那么对其他企业来说可能就更困难了。不过好消息是,有许多企业和人工智能创业公司正在查看企业里典型的任务和工作流程,并仔细判别哪些可以使用当前技术被(部分)自动化。最近出现的一些部分自动化的例子包括:谷歌最近宣布了一种语音技术工具Duplex,它允许用户使用自然对话执行较窄范围的任务;而微软则展示了一种工具,用于转录和汇编会议纪要中需要行动的项目。

AI如何持续渗透平安城市?安防企业为何纷纷“进军”商业?智慧交通除了“大脑”还该关注什么?如何抓准家庭社区安全零散的市场?

出现自动化的领域之一是软件开发和数据科学。这并不奇怪,因为工程师是很聪明的,他们总是试图自动执行重复和繁琐的任务。从数据库管理系统到设计神经网络架构,再到编写无bug代码的工具,有许多有趣的自动化工具正在出现。另一个爆炸性发展的领域是与客户交互的自动化。我们仍然处于客户交互自动化的早期阶段,与可能在几年后出现的智能助理相比,我们今天看到的许多初级聊天机器人将显得苍白无力。

2019年5月23/24日,亿欧将举办GIIS2019中国智慧城市峰会,本次峰会将延续前两次会的主题,邀请知名专家学者、行业龙头企业、标杆初创企业、知名投资人等,聚焦技术在智慧城市领域(平安城市、智能商业、智慧交通、家庭社区安全)的应用现状及未来发展。

我们需要多久才能看到真正聪明的助手?更一般地说,离实现企业工作流程自动化还需要多久?进展速度将取决于关键模块的研究进展。对于聊天机器人而言,关键模块包括自然语言理解和自然语言生成。对于人工相关的工作,需要在传感器感知和机器人方面取得进步。

图片 9

图片 10

本文来源亿欧,经亿欧授权发布,版权归原作者所有。转载或内容合作请点击转载说明,违规转载法律必究。

我们今天的人工智能系统依赖于深度学习,因此往往需要大量的标记数据。这些数据被用于训练深度模型,并需要大量的计算资源。我预测未来的人工智能系统将与我们今天的系统不同。首先,今天所谓的人工智能通常只是机器学习。在最近的一篇文章中,我们概述了为明天的人工智能应用构建工具的工作:

智能增强和智能基础设施本质上是多学科交叉的,需要新视角来超越用单一的智能体学习输入到输出映射。这种视角以及目前它的深度学习的实现将不可避免地成为解决方案的一部分,但同样不可避免地,它不会是整个解决方案。

真正的人工智能应用将要集成许多组件:传感器、硬件、用户交互设计和许多软件。想了解将这些技术组合(是如何构建一个特定的人工智能系统)的一种方法是阅读Shaoshan Liu的博文。其中详细介绍了构建自动驾驶汽车所需的组件。

总结思考

图片 11

我们仍处于人工智能和自动化的早期阶段。当代的工具已经允许在某些领域实现部分自动化。而且随着我们看到在几个基础领域(2018年对于硬件来说将是一个有趣的年份)出现更多的进展,我们期待看到人工智能社区在许多不同的领域和应用中推出相应的系统。即使是特定领域的端到端人工智能系统也需要在跨越学科和社区的技术方面取得进展。

相关内容

  • 《理解自动化》
  • 《企业如何通过深度学习来让人工智能工作》:O’Reilly调查的结果
  • 《为明天的人工智能应用构建工具》
  • 《走向机器学习的喷气时代》
  • 《Ray是如何让持续学习变得可用和更容易规模化》
  • 《强化学习在业界的实际应用》
  • 《神经进化:一种不一样的深度学习》:使用进化算法来演进神经网络的架构
  • 《机器学习需要机器教学》:Mark Hammond讨论强化学习在制造业和工业自动化领域的应用
  • 《对你已有的数据应用深度学习》:使用新的工具、框架和未来的发展来实现深度学习的实用化。

This article originally appeared in English: "How to think about AI and machine learning technologies, and their roles in automation".

图片 12

Ben Lorica

Ben Lorica是O’Reilly Media公司的首席数据科学家,同时也是Strata数据会议和O’Reilly人工智能会议的内容日程主管。他曾在多种场景下应用商业智能、数据挖掘、机器学习和统计分析技术,这些场景包括直销、消费者与市场研究、定向广告、文本挖掘和金融工程。他的背景包括在投资管理公司、互联网初创企业和金融服务公司就职。返回搜狐,查看更多

责任编辑:

本文由财神彩票注册登录发布于财神彩票app最新版下载,转载请注明出处:为神经网络选择正确的架构,如何思索人工智能