人工智能是他們尚未完全理解的機(jī)器智能

一旦他們了解了它，就不再認(rèn)為它是AI。一旦對機(jī)器人技術(shù)有了充分的了解，它就不再是AI，而成為了自己的分支。一旦了解了計算機(jī)視覺，它就會變得獨(dú)立。語音識別和自然語言處理也遵循這條路線。”也許是，機(jī)器學(xué)習(xí)，即使用復(fù)雜的數(shù)學(xué)運(yùn)算法則進(jìn)行插補(bǔ)的科學(xué)，是唯一一個眾所周知的領(lǐng)域，但對AI如此重要，以至于分離會使AI失去意義。潛在功能。正是由于這種特殊的地位，我們有時會出現(xiàn)諸如“ AI和機(jī)器學(xué)習(xí)”之類的口號，有點(diǎn)像說“數(shù)學(xué)和微積分”。

機(jī)器學(xué)習(xí)(包括更著名的分支“ 深度學(xué)習(xí) ”)當(dāng)然至關(guān)重要。機(jī)器學(xué)習(xí)算法在許多AI領(lǐng)域都很常見，它們的奧秘在于它可以幫助機(jī)器從一些晦澀的輸入中猜測出所需的結(jié)果。將數(shù)據(jù)集加載到模型中，瞧-您可以獲得預(yù)測。ML實(shí)現(xiàn)了這一目標(biāo)。媒體收到消息。如果您最近讀過最受歡迎的文章，您可能會相信AI會神奇地解決所有問題?？傮w配方對故障是無用的–收集數(shù)據(jù)集，找到可以插值問題復(fù)雜性的ML算法，訓(xùn)練模型并收集現(xiàn)金。簡單。

然而，正如任何真正的AI從業(yè)者所知，機(jī)器學(xué)習(xí)雖然至關(guān)重要，但并不是問題的核心。Google ML研究人員發(fā)表的一篇具有開創(chuàng)性的NIPS論文深入解釋了機(jī)器學(xué)習(xí)只是構(gòu)成AI應(yīng)用程序的一小部分。大部分工作圍繞著優(yōu)化管道，收集干凈的數(shù)據(jù)和提取對ML模型而言可口且在動態(tài)環(huán)境中可維護(hù)的功能。這在自然語言理解中尤其明顯，在自然語言理解中，為了提取可歸類到分類器模型的特征，需要解決拼寫錯誤，詞干，停用詞，歧義的實(shí)體引用，可能要看上下文，了解人們經(jīng)常使用虛構(gòu)的東西。單詞，請為逐漸變化的詞匯和主題分布以及許多其他事物做好準(zhǔn)備。

有人可能會問，為什么不完全跳過該步驟并將任務(wù)加載到功能強(qiáng)大的深度學(xué)習(xí)框中?當(dāng)然，我們可以權(quán)衡建模數(shù)據(jù)的復(fù)雜性，以便在培訓(xùn)階段花費(fèi)更多時間?好吧，祝你好運(yùn)。您是否嘗試過預(yù)測樹木年輪的天氣?它們是相關(guān)的……您的機(jī)器應(yīng)該能夠找到一條到另一條的路徑。問題是，您可能會在發(fā)生的時候長時間在地下安息。某些用于根據(jù)天氣影響更大的信號來預(yù)測天氣的功能最強(qiáng)大的超級計算機(jī)仍然做出不準(zhǔn)確的預(yù)測。有一個原因–計算中的指數(shù)復(fù)雜性不是開玩笑。

這是領(lǐng)域?qū)I(yè)知識不可估量的地方。簡而言之，人類專家可以通過提供機(jī)器的快捷方式來修剪許多不必要的計算。這是通過使用多年來在特定領(lǐng)域中積累的知識的專家對推理路徑進(jìn)行建模來完成的。繼續(xù)使用NLU，一個很好的例子是使用來自語言學(xué)的信息(例如語音部分，句子結(jié)構(gòu)(即，語法分析樹)，正字法等)來豐富數(shù)據(jù)。要了解其好處，請考慮如何有效地管理復(fù)雜的項(xiàng)目。您要做的第一件事是分解并建立中間里程碑。它們的范圍更小，更易于定義，因此更容易實(shí)現(xiàn)。然后，實(shí)現(xiàn)更大的整體將減少到達(dá)到每個中間里程碑，從而更易于定義和跟蹤。

但是建模不僅僅是捷徑。支持對數(shù)據(jù)集進(jìn)行訓(xùn)練的支持者忽略了很多領(lǐng)域，在這些領(lǐng)域中甚至很難定義如何編譯用于訓(xùn)練的數(shù)據(jù)集。這意味著將很難向注釋者(用預(yù)期結(jié)果標(biāo)記數(shù)據(jù)集的注釋者)解釋如何為每個數(shù)據(jù)樣本得出預(yù)期結(jié)果的邏輯。有時，標(biāo)簽的含糊不清使事情復(fù)雜化。有時，分析輸入數(shù)據(jù)非常復(fù)雜-完全不可能向人類提供所需的感覺數(shù)據(jù)。在物理世界中，某些測量值可能會對注釋者造成危險(例如，如果您輸入的是氣體)。這些情況中的每一種都會立即使收集數(shù)據(jù)的整個過程從一開始就不可行。

也許值得重新審視所有從人工智能“分支”下來的領(lǐng)域。其中一個共同的主題是數(shù)量驚人的領(lǐng)域建模和知識。例如，機(jī)器人技術(shù)依賴于運(yùn)動物理學(xué)，力學(xué)，材料，電氣工程，光學(xué)和其他更基礎(chǔ)的科學(xué)。盡管最終結(jié)果可能是將圖像饋送到CV單元中，但實(shí)際上大多數(shù)“魔術(shù)”都在此之前發(fā)生。換句話說，完全不是ML構(gòu)成了“神奇的” AI應(yīng)用程序，而是描述了系統(tǒng)進(jìn)行預(yù)測的領(lǐng)域的公理，定理，測量，調(diào)整等的混合。ML只是錦上添花。這些領(lǐng)域的應(yīng)用程序不再依賴機(jī)器將輸入與輸出相關(guān)聯(lián)，而是將領(lǐng)域知識放在首位，從基礎(chǔ)規(guī)則到復(fù)雜的系統(tǒng)，建立他們的技術(shù)自下而上，可能將ML與某些步驟聯(lián)系起來。它們的整體構(gòu)成始終由域邏輯驅(qū)動。

這樣做的好處很多。首先，您不再需要過多地依賴手動數(shù)據(jù)收集，正如我們所討論的那樣，手動數(shù)據(jù)收集到處都是約束和錯誤。這樣可以更全面地覆蓋您的域。試想一下您想要的是2個數(shù)字相乘的規(guī)則還是列出了不同對的可到達(dá)數(shù)字對的乘積的無窮表?其次，您可以向最終用戶解釋推斷。

無需突出顯示反向傳播在第7個隱藏層上的進(jìn)行方式，而是可以說明這是具有真實(shí)英文名稱的某個域功能，對結(jié)果的影響最大。第三，它可以使產(chǎn)品的組裝更清潔，并能夠以更優(yōu)化的實(shí)施方式替換組件。嘗試使用ML管道來做到這一點(diǎn)!(這是值得再次閱讀上述NIPS論文的地方)

那你可能會問什么呢?到目前為止，您可能已經(jīng)同意領(lǐng)域建模對于有效實(shí)施至關(guān)重要。您決定聘請領(lǐng)域?qū)＜也⒗^續(xù)工作。還有更多嗎?是! 由于領(lǐng)域建模對于AI應(yīng)用程序至關(guān)重要，因此它還可以充當(dāng)指南針，以查找尚未開發(fā)的新穎AI應(yīng)用程序!換句話說，尋找新的機(jī)會，尋找一個領(lǐng)域，在該領(lǐng)域中，很難收集數(shù)據(jù)，而一般域環(huán)境卻被很好地理解，而缺乏自動化。正是在這些空間中，人們可以使用一個簡單的ML橋梁縮小兩個領(lǐng)域知識集群之間的微小差距，并突然獲得令人印象深刻的結(jié)果。而且，與“我們將所有事物與所有人群相關(guān)聯(lián)”不同，您將擁有完整的域覆蓋，更好的描述能力以及最終的優(yōu)勢。