今天的深度学习“AI”是机器学习不是魔术

对于普通大众来说,今天的人工智能技术简直就是魔术。通过开发人类曾经设计过的新颖动作,可以在视觉,图像,语音和文本之间进行异常理解的算法,在不同精确度的语言之间进行翻译,驾驶汽车,玩视频游戏,在复杂的策略游戏中找到癌症甚至最佳人类。几乎每天都有突破性的新里程碑。计算机科学课程充斥着急于成为AI专家的学生,公司也无法雇用足够的AI程序员。人工智能的时代似乎真正到来了。实际上,今天的AI算法只不过是传统的机器学习算法。即使是最强大的系统也比科学更具艺术性,需要大量精心策划的数据,他们仍然继承了重大的偏见,在很大程度上无法超越他们的训练领域,甚至是他们的创造者都不完全理解并适合所有人的黑匣子意图和目的在构造方面比它们取代的工具更先进。 自从深度学习文艺复兴进入公众意识以来,在此之前的所有努力中突破了开创性的壮举,人工智能已经开始具有几乎神话般的敬畏。学术界举办智能系统会议,营销手册,针对每个问题提出人工智能解决方案,媒体报道无声地宣布人类优势的终结和公众对人工智能革命的担忧。不是一个星期,学术论文或企业研究博客没有记录另一个算法或应用程序的突破。主要公司使用新的深度学习系统对其现有的算法基础设施进行批量替换。 看来未来就在这里。 作为当前深度学习系统的强大和强大功能,它们仍然只是死记硬背图案提取器。计算机视觉系统可以拍摄一堆猫照片并学习识别猫。转移学习可用于教它识别具有小得多的训练图像的狗。然而,基础算法并不是在推理它所看到的内容,它只是将图像分解为不同的颜色,图案和形状,并将特定的视觉线索与文本标签相关联。它无法概括为什么它自己将词汇量扩展到新的哺乳动物或理解毛皮或爪子的概念,即使它将特定的覆盖纹理和四个矩形分布的形状与它看到的图像相关联。 缺乏高阶推理是AI算法很容易被愚弄的原因。对图像进行一些细微的更改,您可以轻松地将狗的图像显示为公共汽车的图像或停止标志作为背景噪声返回。这就是为什么算法很容易被有偏见的输入数据所扭曲,盲目地学习我们转向AI的所有人类偏见和错误以摆脱困境。但是,至少在AI形式中,如果我们有足够的创造力来看它们,就可以定量地记录和纠正这些偏见。 更大的问题是,创造今天的深度学习模型远比科学更具艺术性。与流行的看法相反,构建神经网络并不像点击“构建模型”按钮并将系统指向一堆带注释的图像一样简单。有无数的决定和参数需要调整。从输入数据的准备,平衡和有序,到模型结构和组件,它依赖于模型的调整,建立现代深度学习模型是蛮力实验与经验和猜测指导的精细艺术之间的交叉。迈向预期起点的过程。 更万博msports下载,msports万博体育,万博体育 msports 下载糟糕的是,基础工具包和算法的发展速度如此之快,以至于本月产生有用结果的工作流可能会在下个月推出新版本。推荐的方法和算法以惊人的速度改变。召集由十位经验丰富的专家组成的小组,你可能会得到十种截然不同的方法。即使是人工智能思想,当专家们就最佳方法发生冲突时,领导者也会产生令人困惑和矛盾的建议。与此同时,人工智能孵化器生产的论文依赖于孵化器母公司公开折旧并开始从其软件框架中删除的方法。 简而言之,该领域的发展速度如此之快,即使是开拓它的公司也无法跟上。以研究为中心的新生儿状态意味着该领域即使在投入生产服务时仍在发明。 AI算法开始为我们做出生死攸关的决定,即使他们的创作者不知道他们如何做出这些决定或者他们可能出错的地方。 人工智能的民主化使得创建模型变得容易,但仍然很难创建出好的模型。 在像TensorFlow这样的框架中构建基本的深度学习模型非常简单。丰富的示例代码和教程使相对熟练的程序员能够相当快速地构建基本模型。问题是这个基本的hello世界模型与生产系统所需的准确性之间仍然存在指数级的飞跃。在最先进的一端,技能没有经验知道为每个数据集和应用程序问题选择哪些组件和参数。 云计算公司正在通过提供可以立即使用的预先构建的最先进模型库来解决这个问题,提供当今最佳的通用域精度并定期更新。启用这些模型的自定义,AutoML等工具利用转移学习,使非技术用户能够快速构建自己的客户特定模型,而无需了解任何潜在的深度学习原则。对于拥有自己的深度学习团队的客户,可以使用即插即用的模型和组件库来构建最先进的定制系统。 把这一切放在一起,退出所有的炒作和夸张,建立一个现代的深度学习管道在许多方面与建立任何类型的传统机器学习系统没什么不同。数据清理,样品制备,样品订购,算法选择和参数调整都是机器学习的基础,早在深度学习革命之前就已存在。深度学习方法能够比以前的方法实现更高的准确性,但它们最终仅仅是模式提取系统。他们识别和编纂基本模式,而不是从他们的输入推广到他们周围世界的抽象心理模型。 在一天结束时,今天的深度学习系统比花式模式提取器更少AI。与任何机器学习系统一样,他们能够盲目地识别其训练数据中的基础模式,并将这些模式按原样应用于未来数据。他们无法推断他们的输入数据或推广到更高阶的抽象,这将使他们能够更全面,更有力地理解他们的数据。简而言之,虽然他们可以表现出令人印象深刻的壮举,但深度学习系统仍然非常有限,脆弱性可以以非常意想不到的方式表现出来。 毕竟,今天的深度学习革命的人工智能仍然只是机器学习,而不是魔术。

评论