人工智能:复杂问题求解的结构和策略 普华永道的最新观点:2018年人工智能技术的十大趋势

2018年4月24日,普华永道发布了最新的“ 201 8)人工智能技术十大趋势。报告显示,我们正处在一个巨大的变革时代。令人怀疑的是,人工智能(AI)是否已成为一种技术的前沿,这将给许多行业带来破坏性影响,并可能在未来重塑公司的人才战略,运营模式和与客户的合作模式。人工智能将如何影响他们的业务战略,以免被第四次工业革命的浪潮抛在后面。

事实上,深度学习和强化学习在日常生活中有许多应用。例如,机器翻译是对文本数据的处理; Siri是语音数据的处理;自动驾驶是视频数据的处理;人脸识别这是图像数据的处理。许多美容应用程序都具有在照片上添加可爱贴纸的功能。这是为了识别图像并自动识别用户的面部器官。用户可以随意处理图片以达到美化或娱乐的效果。

但是现在实验室正在发生什么?可以预见的是,那里的研究人员的发现将决定未来一段时间内人工智能的发展过程。普华永道AI Accelerator研究团队与许多技术专家和商业领袖一样,正在密切关注人工智能技术的领先发展。

以下是Yiou智囊团的精选建议:

普华永道:2018年人工智能技术的十大趋势

01深度学习:揭开神经网络工作原理的神秘面纱

简要描述:模仿人类大脑的深层神经网络展示了它们从图像,音频和文本数据中“学习”的能力。但是,即使已经应用了十多年,但对于深度学习我们仍然不了解很多事情,包括神经网络的学习方式以及为什么它们表现如此出色。现在,这种情况可能会改变,这要归功于将信息瓶颈理论应用于深度学习的新理论。信息瓶颈理论认为,深度神经网络就像在学习过程中从瓶颈中挤出了无用的信息,去除了噪声信息,仅保留了由噪声表达的真实信息。

意义:对深度学习的工作原理的准确理解将有助于使其更加发达和应用。例如,深度学习可以为网络设计优化和架构选择提供参考。可以肯定的是,通过探索深度学习理论,可以激发更多场景并将其应用于其他类型的深度神经网络和深度神经网络设计。

02胶囊网络:模拟大脑视觉处理的优势

简要说明:胶囊网络是一种新型的深度神经网络体系结构,可以像处理大脑一样处理视觉信息人工智能:复杂问题求解的结构和策略,这意味着它可以识别特征之间的逻辑和层次关系。此功能与卷积神经网络形成鲜明对比。卷积神经网络是使用最广泛的神经网络之一,但是它不能考虑简单特征和复杂特征之间的重要空间关系,从而导致较高的错误率和频繁的错误分类。

意义:对于典型的图像识别任务,胶囊网络可通过减少错误来确保50%的更高准确度,并且胶囊网络不需要那么多的训练样本数据。可以预期,胶囊网络已广泛应用于多个问题域和深度神经网络体系结构。

03深度强化学习:解决互动问题的方法

简要说明:深度强化学习是一种神经网络算法,通过观察,行动和奖励与环境互动来进行学习。它已用于Atari和Go等游戏策略中,其中包括击败人类冠军的著名“ AlphaGo”。

意义:获得深度增强的学习能力是人工智能应用商业化的重要指标之一。与其他技术相比,它只需要较少的数据即可训练其模型。更强大的是,它可以通过模拟进行训练,而无需标记任何数据。鉴于这些优点,预计将在未来一年中出现更多将深度强化学习和基于代理的模拟相结合的商业应用。

04生成对抗网络:网络匹配可促进培训并减轻处理负担

简要说明:生成对抗网络是由两个相互竞争的神经网络组成的无监督深度学习系统,“生成网络”产生的伪造数据看起来像真实数据集,“判断网络”吸收真实和合成数据。随着时间的推移,每个网络都会得到改善,以便两个网络都可以学习给定数据集的整个分布。

意义:生成式对抗网络进一步扩展了深度学习,使其能够处理更大范围的无人监督任务。这些任务的标记数据不存在或太昂贵而无法获得。生成对抗网络还可以减少深度神经网络所需的负载,因为该负载由两个网络共享。期望看到更多的商业应用,例如使用生成对抗网络技术进行网络检测。

05简化和增强数据学习:解决数据标记的挑战

简要说明:机器学习(尤其是深度学习)遇到的最大挑战是需要使用大量标记数据来训练系统。当前有两种广泛使用的技术可以帮助解决此问题:(1)合成新数据;(2)将训练模型从一个任务或领域转移到另一个任务或领域,例如“转移学习”技术(从一个任务/领域转移到另一任务/领域),或“一次学习”技术(极端转移学习,仅通过一个示例进行学习,或者不通过任何相关示例进行学习),从而使它们成为“减少数据”的“学习技能”。通过模拟或插值获得的数据有助于获取更多数据,从而扩展现有数据以改善学习效果。

意义:使用这些技术,我们可以解决更多问题,尤其是在历史数据较少的情况下。期望看到简化和增强数据的更多变体,以及适用于更广泛业务问题的不同类型的学习技术。

06概率编程:一种方便模型开发的语言

简要说明:概率编程是一种高级编程语言和建模框架,它使开发人员可以轻松地设计概率模型并自动求解这些模型。概率编程语言使我们能够重用模型库,支持交互式建模和身份验证,并提供必要的抽象层,以更广泛和有效地推断通用模型集。

意义:概率编程框架适用于业务领域中非常常见的场景,包括不确定和不完整的信息。未来,我们将看到这些语言得到更广泛的使用,并期望它们也将用于深度学习。

07混合学习模式:结合算法优势解决不确定性问题

简要说明:生成对抗网络和深度强化学习等不同类型的深度神经网络在其效果以及组合不同类型数据的广泛应用方面显示出广阔的前景。但是,深度学习模型无法对不确定的数据场景进行建模,而贝叶斯概率方法则可以。混合学习模型将这两种方法结合在一起,可以充分利用每种方法的优势。混合模型的一些示例包括贝叶斯深度学习,贝叶斯生成对抗网络和贝叶斯条件生成对抗网络。

意义:混合学习模型将业务问题的类型扩展到对不确定性的深度学习。这可以帮助我们获得更好的结果,改善模型的可解释性,并鼓励更广泛的应用。我们将看到可与贝叶斯方法相提并论的更多深度学习方法,以及可以更好地与深度学习集成的概率编程语言。

08自动化机器学习:无需编程即可创建模型

简要说明:开发机器学习模型是一项耗时且由专家驱动的工作,包括数据准备,功能选择,模型或技术选择,培训和调试等。各种不同的统计和深度学习算法。

含义:自动机器学习被视为人工智能工具“民主化”的一部分。用户可以使用它来开发机器学习模型,而无需高级编程技能。这将加快数据科学家创建模型的速度。我们将看到更多的商业化自动化机器学习软件包,以及将自动化机器学习与更广泛的机器学习平台相集成的方式。

09数字双胞胎:超越工业应用的虚拟副本

简要说明:数字孪生是一种虚拟模型,用于对身体或心理系统进行详细分析和监视。数字孪生的概念起源于行业,并广泛用于分析和监视,例如风电场或工业系统。现在,通过使用基于代理的建模(用于模拟自动代理的行为和交互的计算模型)和系统动力学(计算机辅助策略分析和设计方法),数字孪生被广泛用于非物理应用中。对象和过程控制,例如预测客户行为。

意义:数字孪生可以帮助促进物联网(IoT)的发展和更广泛的应用,从而为IoT系统的预测性诊断和维护提供一种方法。展望未来,预计将在物理系统和消费者选择模型中更多地使用数字孪生。

10种可解释的人工智能:打开黑匣子

简要说明:当前,正在使用许多机器学习算法,这些算法可以感知人工智能:复杂问题求解的结构和策略,思考并在各种不同的应用程序中起作用。但是,这些算法中有许多被认为是“黑匣子”,人们对如何计算结果几乎一无所知。可解释的人工智能旨在进一步发展机器学习技术,以产生更多可解释的模型,同时保持人工智能预测的准确性。

意义:可解释,可证明和透明的人工智能对于建立对技术的信任至关重要,这将促进机器学习技术的广泛采用。我们预测,在大规模采用人工智能之前,公司可能会将可解释的人工智能视为一项要求或最佳实践。同时,政府可能将可解释的人工智能作为未来的法规要求。

【版权声明】本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 playplus@qq.com 举报,一经查实,本站将立刻删除。