人工智能的发展最大的问题是没有平台?

李人工智能在清华大学的演讲很有做了一些相关的评论。它还详细的解释了一般企业如何应用人工智能为企业建立竞争优势和技术障碍,每一个字是干燥的,简单来说,人工智能产业的发展仍然非常有限,没有平台。也因为有这样的限制,将设立壁垒是最高的。由于人工智能的优点众多,因此我们认为,公司应该考虑开始使用人工智能辅助自己,还有一些相关方面的人才招聘。

但是我们不能玩DaZui光枪,如何克服困难和挑战,让人工智能有助于你的工作,你的职业?让我们将李的演讲内容,结合一个例子,解释给你。

现在,假设你是一个程序员

虽然哥哥也是一个媒体人,但是黑人自己的业务是没有任何,假设你现在媒体IT部门人员,每天做的大部分媒体,最重要的工作是复制这篇文章从另一个网站,然后添加一些马克在他们的网站上发布,和你是5码的农民,但是谁在乎,想保存这些痛苦无助的编辑器。所以你决定编写一个程序,帮助编辑完成的关键,并自动完成文章的副本,你该怎么办?

使用人工智能复制粘贴,当然,似乎有点大材小用了,但它看起来很机械的工作,也需要一定的压力,例如网页除了身体有很多混乱的广告链接,只要网站设计师不会太愚蠢,结果应该设计在眼前是身体哪一部分无关的信息。但一个算法如何识别身体和广告之间的区别无关\ \/链接吗?如何在网站的内容和算法找到值得复制的内容是什么?(你是“热点”)

最重要的是,仔细想想,真的需要注意事项lot.At平时你学习如果其他人似乎不够用,你用什么语言来完成你的惊人的算法吗?

在这里,我们将面临当前面临的第一个挑战提到的李深度学习:没有平台

深度学习的挑战之一:平台

人工智能还没有一个统一的平台。深度学习,现在知道是知道,不懂就是不懂。这就是为什么谷歌最近花了大量不断暴露了无数业内顶尖人才的问题,即使是年轻人开了一个年薪超过200万美元。二十岁,博士刚毕业不久,怎么能那么有价值呢?

为什么这么贵?李老师提到的,这些人致力于人工智能研究的各个领域,可能很快就可以创建数千万美元甚至数亿美元的价值。但他可能没有表达的意思是,人工智能的发展现在真的很难,很难,很难,因为没有平台。

平台是一个相对的概念,是空的,因为现在的发展人工智能还在摸着石头过河的状态,那么没有人能预测什么是所谓的“平台”的精确形式,这个话题传播可以讲一篇文章,但是简单来说,可能是一个“标准”的状态。如提出神经网络算法现在的人们会认为很多类型的概念,CNN,RNN,DNN,等等,实现特定于应用程序的方法也不同。所有基于人工智能编程,从0开始编织,一点点地构建算法。但是如果有一天有一个类似于iOS、android,并探索一种最好的算法(当然这只是举个例子,不一定有最好的算法),并将它集成到某种程序,神经网络对未来几代人的发展,如果你想,就叫它提供了API可以做到的。可以大大简化深度学习与发展的困难。

深度学习挑战# 2:数据收集和计算

当然作为农业,所有的事情一定很难失败你的代码,你很快就会找到合适的语言系统,如Tensorflow,如Scikit,开开心心组成程序。但是你必须面对可能不是那么好解决以下问题:他们都取决于你的训练效果的算法分别从两个方向:训练速度和训练数据的数量。李将会分成两个问题,这个问题,但我们认为他们都是训练算法的问题,所以它可以归因于同样的问题。

深度学习的网络太大,需要大量的数据。

因为数据太多,特别慢,所以我需要一个非常大量的计算。

如何识别网站体内立场仍然是一个更好的解决问题,如果你心一横,决定从只有几大(超过12家大型)主流媒体拷贝纸,如果还能被解决,毕竟,虽然身体每个站点之间的法律是不同的,但是每个站点在本文基本遵循相同的规则。真正想做一个通用的算法,法律并不难找,比如人物身体的密度可以突然变得更大的密度和HTML代码会衰退,如身体的基本总是< p > < \ \/ p >。如果网站可以更新一天,五个世纪的文章估计训练10天左右可以达到很高的精度。

困难在于“追逐热点”!

互联网的热点正在改变每一天,你怎么知道今天的热是什么算法?怎么知道本文算法扫描与热有关,如何写?让算法训练判断信息的能力,怎么说它将扫描数千万交接培训?农民作为一个终极发烧友的代码,第一次你觉得你在电脑前8核心i7和GTX泰坦相当薄弱,因此首先编写一个爬虫爬得很慢。可以看到另一天一天网络资源秘密与公司的服务器运行一段时间。

深入学习算法本身发展到更高的水平,李老师估计至少10亿级别的数据,如此巨大的数据很难收集。只有这些数据据为己有,当他们在你的手中发挥真正的价值,因为它需要大量的数据计算是相当巨大的,执行领域的深度学习,最好有你的计算设备,如有自己的服务器农场。所以我们看到,在早期的人工智能构建世界一流,公司像微软、谷歌和Facebook,他们不仅有更多的钱,更好的人才,最重要的是,他们有大量的数据。

深度学习挑战# 3:没有反馈

“有点奇怪但也合理:机器不能语言告诉用人工作动机和原因。即使机器培训做伟大的深度学习,人脸识别,语音识别,做的很好,但他们不喜欢的人,大概不出来的。虽然一些正在做的研究,但在今天,如果一个领域不断需要告诉别人要做什么,需要别人解释为什么,这个区域是深度学习更加困难。如α去击败李se-dol,你必须问α去是为什么去这一举动,它没有答案。”

深度学习是一种算法,它只能根据他们的初始设计不断地改变自己,但不能通过有效的方法提高自己告诉你它是如何以及如何改进后做每一个选择,所以很多时候你可以猜它通过其最终运行状态的性能,然后瞎猫碰死耗子改进原算法。你可能也不能得到帮助从算法的进展进展的信息,如李AlphaGo老师的例子。

农民作为一个世界级的码,当然,你肯定知道这些,但是也可以根据算法的性能终于找到问题,因为毕竟结果的问题更加明显。

在这个虚拟世界中,我们决定给所有的编辑无助的痛苦一个完美的结局:与农民的所有代码成功地发明了一种“自动文章转载机”,媒体编辑终于能够做出一些努力,可以写一些细磨。

所以你看,虽然我不知道AI终将毁灭我们,但似乎他们将很快可以救很多人

发表评论

电子邮件地址不会被公开。 必填项已用*标注