|
人工智能 (AI)、機器學(xué)習 (ML) 和算法這幾個(gè)詞經(jīng)常出現誤用、混淆和誤解。盡管它們都有各自的固定含義，但是人們常常會(huì )將這幾個(gè)概念互換使用。遺憾的是，如果沒(méi)有領(lǐng)會(huì )這些含義，它們可能會(huì )讓本已十分復雜的快速發(fā)展領(lǐng)域亂上加亂�，F在，就讓我們認識一些有關(guān)算法、人工智能和機器學(xué)習的基礎知識，了解它們是什么、如何使用、用在哪里以及分別是為了什么才創(chuàng )造出它們。我們首先從算法開(kāi)始討論，因為算法構成了人工智能和機器學(xué)習的基礎。 算法 簡(jiǎn)而言之，算法就是執行計算或解決特定問(wèn)題時(shí)要遵循的一組規則，它包含求解所需的一系列步驟。盡管我們大多數人對算法的第一個(gè)反應都是向計算機發(fā)出的指令，但哪怕是今天您做晚餐時(shí)用到的簡(jiǎn)單食譜，也可以視為一種算法。 算法實(shí)質(zhì)上是一種快捷地告訴計算機下一步要做什么的方式，通過(guò)使用“and”（與）、“or”（或）或“not”（非）語(yǔ)句給出這些指令。它們可能非常簡(jiǎn)單（圖1），也可能極其復雜。 
圖1： 一種用于在隨機排列的數字列表中找出最大數字的簡(jiǎn)單算法。（來(lái)源：維基百科） 對于(圖1)中的算法，其高級描述如下： 如果數組中沒(méi)有數字，則沒(méi)有最大數字。 假設數組中的第一個(gè)數字是其中的最大數字。 對于數組中剩余的每個(gè)數字：如果該數字大于當前的最大數字，則假設該數字為數組中的最大數字。 如果數組中的數字都已經(jīng)循環(huán)到，則將當前的最大數字視為數組中的最大數字。 這些指令可以明確地編寫(xiě)成具體程序；但是，還有一些算法則使計算機能夠自行學(xué)習，比如機器學(xué)習。在討論機器學(xué)習之前，讓我們介紹一下人工智能這一更廣泛的主題。 人工智能 人工智能 (AI) 需要將一系列的算法結合起來(lái)，以便處理意外情況。如果說(shuō)人工智能就像一把傘，那么機器學(xué)習和深度學(xué)習 (DL) 就好比是傘骨。AI系統能夠以一種自然的方式與用戶(hù)交互。Amazon、Google和Apple處于利用人工智能及其核心非結構化數據的最前沿。 2018年，人工智能的閱讀理解能力朝著(zhù)人類(lèi)同等能力的目標邁出了巨大的一步。開(kāi)發(fā)人員利用監督學(xué)習和帶標簽的示例來(lái)訓練AI模型，以執行諸如圖像分類(lèi)等有具體目標的任務(wù)。一年后，人工智能出現了一種新的趨勢。自我監督學(xué)習被用來(lái)通過(guò)容易獲得的相關(guān)內容幫助模型形成對語(yǔ)言中豐富上下文語(yǔ)義的理解。這種突破性方法幫助模型學(xué)習的一種方式是通過(guò)閱讀文本、屏蔽不同的單詞并根據剩余的文本進(jìn)行預測。 利用這種自我監督的學(xué)習，Microsoft的Turing模型在2020年達到了170億參數量的新高度，實(shí)現了包括生成摘要、語(yǔ)境預測和問(wèn)題解答在內的各種實(shí)用語(yǔ)言建模任務(wù)。通過(guò)其對人類(lèi)語(yǔ)言深刻的根本性理解，Microsoft Turing模型能夠獲取人們所要表述的含義，并對實(shí)時(shí)對話(huà)和文檔中的問(wèn)題準確作出回應。 準確性會(huì )隨著(zhù)AI系統的學(xué)習而提高。在未來(lái)數年內，AI系統的參數量預計將達到萬(wàn)億級，這將使AI能夠更輕松地協(xié)助用戶(hù)，實(shí)現僅憑結構化數據無(wú)法得到的驚人準確性。那么，是什么讓這種學(xué)習帶來(lái)前所未有的準確性的呢？ 機器學(xué)習 機器學(xué)習使用結構化數據輸入和算法進(jìn)行假設、重新評估數據，并根據新發(fā)現的條件重新配置原始算法（圖2）。它無(wú)需人工干預即可做到這一點(diǎn)，因此稱(chēng)為機器學(xué)習。因為機器學(xué)習系統可以非�？焖俚靥幚泶罅繑祿�，所以它的優(yōu)勢在于可以用人類(lèi)無(wú)法企及的速度和能力發(fā)現所有可能的模式和解決方案。 然而，復雜的系統也提出了復雜的挑戰。由于機器學(xué)習太依賴(lài)于假設了，因此系統可能會(huì )迅速走上錯誤的道路，從而導致意外的行為和結果。一個(gè)例子就是Uber的自動(dòng)駕駛試點(diǎn)項目，由于錯誤假設導致撞死了一名行人，最終在2018年叫停了所有試驗。
圖2： 機器學(xué)習涉及自動(dòng)根據經(jīng)驗改進(jìn)的計算機算法。這種算法基于樣本或訓練數據構建模型，目的是作出預測（學(xué)習）。（來(lái)源：維基百科） 有關(guān)機器學(xué)習的例子不勝枚舉， 這里我們就舉一個(gè)信用卡欺詐檢測的例子。在這一場(chǎng)景中，如果信用卡的使用超出了預期中持卡人的正常使用模式，則要求用戶(hù)驗證可疑交易是否合法。然后，機器學(xué)習系統進(jìn)一步調整和修正其對可接受使用模式的理解。 機器學(xué)習可以預想到一系列結果，這些結果可能全部正確，但是許多結果一開(kāi)始可能是不可預測的。機器學(xué)習項目缺乏準確性的原因還有很多。 問(wèn)題出在哪里？ 大多數人工智能實(shí)驗失敗的原因之一是缺乏能夠讓機器學(xué)會(huì )推理的早期指導。機器只認得“0”和“1”， 不能處理其他模棱兩可的情況。 例如，想象一下“痛”的概念。孩子需要有人教她說(shuō)：“如果你摸到火爐會(huì )好痛，這樣做不對�！� 或者，同樣也可以說(shuō)：“如果你要跑步，就有可能會(huì )疼。你會(huì )感到痛，這是正�，F象�！� 推理有助于讓機器學(xué)習系統知道正面結果與負面結果之間的差異。從Uber的例子可以看出，這在深度學(xué)習中變得更加重要，因為如果某種類(lèi)型的指導者沒(méi)有提供反饋，系統就可能會(huì )做出錯誤的假設。只有在引導機器如何處理各種模棱兩可結果之后，機器才談得上實(shí)現了充分學(xué)習。如果一個(gè)問(wèn)題的答案是“也許”而不是“是”或“否”，則必須提出更多問(wèn)題！ 另一個(gè)挑戰在于，要有無(wú)窮無(wú)盡的時(shí)間和無(wú)限的資金，才能使用各種可能的組合和條件建立例程，而且還不能止步于此—— 還應考慮各種條件和它們的組合在將來(lái)可能會(huì )如何改變。例程往往會(huì )流于僵化，從而導致數據流不靈活。 推理的要義在于舉一反三。隨著(zhù)引擎變得更智能，修正成為了可能。購物單上看似清楚的“half-and-half”（鮮奶油），如果用戶(hù)沒(méi)有修正，則會(huì )因為把and作為邏輯運算符而只顯示兩個(gè)“half”。但是，如果用戶(hù)修正了條目，引擎將考慮這種更正，并可能考慮上萬(wàn)個(gè)其他條目中的相同修正，從而默認接受“half-and-half”作為有效項目。這就像教孩子說(shuō)英語(yǔ)： 了解單詞的含義，然后理解在特定的條件下將一個(gè)單詞與另一個(gè)單詞放在一起，可能會(huì )使含義發(fā)生變化。 必須要有這樣的規則和規定，算法才能正確地發(fā)揮作用。算法本身是沒(méi)有常識的，它對明顯的錯誤一無(wú)所知——程序根本就不知道這是怎么回事。算法需要有非常完善、具體且明確的行動(dòng)計劃才能發(fā)揮作用。問(wèn)題的癥結恐怕就在這里。 總而言之，當您審視人工智能、算法與機器學(xué)習這幾個(gè)特定詞語(yǔ)的性質(zhì)時(shí)，很顯然不應該將它們混為一談。最好的做法是，將它們以這樣的方式來(lái)看待：算法是解決問(wèn)題的公式或指令，人工智能使用數據和算法來(lái)激發(fā)行動(dòng)和完成任務(wù)。另一方面，機器學(xué)習是人工智能的一種應用，相當于基于先前數據和歷史的自動(dòng)學(xué)習。算法是人工智能和機器學(xué)習的基礎，而后者是我們未來(lái)的基礎。 文章來(lái)源：貿澤電子 作者簡(jiǎn)介：Stephen經(jīng)常受邀為《財富》100強企業(yè)提供總體產(chǎn)品戰略和架構設計方面的建議，尤其是在涉及工作流管理、電子商務(wù)、人工智能和機器學(xué)習的領(lǐng)域，他對當前流程有著(zhù)客觀(guān)的看法。他建議在戰略上進(jìn)行小幅調整，以產(chǎn)生長(cháng)期重大收益以及快速的投資回報。 作為首席技術(shù)官/首席系統架構師，Stephen深刻了解搭建成功的“軟件即服務(wù)”平臺所需的一切。一般是通過(guò)基于云的可擴展架構，將多個(gè)舊系統組合在一起，讓復雜數據集能夠以安全、統一的視圖呈現給用戶(hù)。 |
