了解人工智能的进步, 这将对未来产生巨大的影响:
人工智能是前沿和中心, 商界和政府领导人正在思考正确的举措. 但是在实验室里发生了什么呢? 在实验室里, 学术和企业研究人员的发现将为未来一年乃至更长的时间设定人工智能的发展方向. 我们自己的研究团队来自普华永道的 AI 加速器, 专注于领先的发展, 无论是技术人员还是商业领袖都应该密切关注. 这是他们是什么, 为什么他们重要. 这里也可以看到我们在商业上的顶级人工智能趋势.
1. 深度学习理论: 揭开神经网络工作原理的神秘面纱
它是什么: 模仿人脑的深层神经网络已经证明了他们从图像, 音频和文本数据中 "学习" 的能力. 然而, 即使在使用了十多年后, 仍有许多我们还不知道的事情深度学习, 包括神经网络是如何学习的, 以及它们为什么表现得如此好. 这可能正在改变, 多亏了新理论这将信息瓶颈的原理应用于深度学习. 本质上, 它表明, 在初始拟合阶段之后, 深度神经网络将 "忘记" 并压缩噪声数据 - 即包含大量附加无意义信息的数据集 - 同时仍保留有关数据所代表的信息.
为何重要: 准确地理解深度学习是如何使它得到更大的发展和使用的. 例如, 它可以提供对最佳网络设计和体系结构选择的洞察, 同时为安全关键或监管应用程序提供更高的透明度. 期望通过对这一理论的探索, 能够看到更多的结果, 并将其应用于其他类型的深层神经网络和深层神经网络的设计.
2. 胶囊网络: 模仿大脑的视觉加工能力
它是什么: 胶囊网络一种新型的深度神经网络, 其处理视觉信息的方式与大脑相似, 这意味着它们可以保持层次关系. 这与卷积神经网络形成鲜明对比, 卷积神经网络是应用最广泛的神经网络之一, 它没有考虑到简单对象和复杂对象之间的重要空间层次结构, 导致分类错误和错误率高.
为何重要: 对于典型的识别任务, 胶囊网络通过将误差减少 50%, 保证了更高的准确性. 他们也不需要太多的数据来训练模型. 期望看到胶囊网络在许多问题领域和深层神经网络体系结构中的广泛应用.
3. 深层强化学习: 与环境互动解决业务问题
它是什么: 一种通过观察, 行动和奖励与环境相互作用来学习的神经网络. 深层强化学习 (DRL) 已经被用来学习游戏策略, 比如 Atari 和 Go - 包括著名的 AlphaGo 程序, 它击败了人类冠军.
为何重要: DRL 是所有学习技术中最通用的, 因此它可以应用于大多数商业应用中. 它需要比其他技术更少的数据来训练它的模型. 更值得注意的是, 它可以通过模拟来训练, 这样就完全不需要有标签的数据了. 鉴于这些优点, 期望看到更多的业务应用程序 DRL 与基于 Agent 的仿真相结合在未来的一年里.
4. 生成对抗性网络: 配对神经网络促进学习和减轻处理负荷
它是什么: A 生成对抗性网络 GaN(GaN)是一种无监督的深度学习系统, 它是作为两个相互竞争的神经网络来实现的. 一个网络, 即生成器, 创建了与真实数据集完全相同的假数据. 第二个网络, 即鉴别器, 接收真实和综合的数据. 随着时间的推移, 每个网络都在改进, 使这对网络能够学习给定数据集的整个分布.
为何重要: GANS 为更大范围的无监督任务打开了深度学习的大门, 在这些任务中, 标签数据并不存在, 或者获取起来太昂贵. 它们还减少了深层神经网络所需的负载, 因为这两个网络分担了负担. 预计会有更多的商业应用程序, 如网络检测, 聘用甘斯.
5. 精益和增强数据学习: 解决标签数据挑战
它是什么: 机器学习 (尤其是深入学习) 的最大挑战是提供大量的标记数据来训练系统. 两种广泛的技术可以帮助解决这一问题:(1)合成新的数据;(2)将为一个任务或领域训练的模型转移到另一个任务或领域. 技术, 如转移学习 (将所学到的洞察力从一个任务 / 领域转移到另一个任务 / 领域) 或一次尝试学习(将学习转移到极致, 只有一个或没有相关的例子进行学习)- 使他们 "精益的数据" 学习技术. 同样, 通过模拟或插值合成新数据有助于获得更多的数据, 从而增强现有数据以改进学习.
为何重要: 使用这些技术, 我们可以解决各种各样的问题, 特别是那些历史数据较少的问题. 期望看到更多的精益数据和扩展数据, 以及应用于广泛业务问题的不同类型的学习.
6. 概率编程: 简化模型开发的语言
它是什么: 一种更容易使开发人员设计概率模型并自动 "解决" 这些模型的高级编程语言. 概率规划语言使重用模型库, 支持交互建模和形式验证成为可能, 并为在通用模型类中培育通用, 高效推理提供了必要的抽象层.
为何重要: 概率编程语言能够适应业务领域中常见的不确定和不完全信息. 我们将看到这些语言得到更广泛的采用, 并期望它们也能应用于深入学习.
7. 混合学习模型: 模型不确定性的组合方法
它是什么: 不同类型的深层神经网络, 如 GANS 或 DRL, 在性能上有很大的发展前景, 并在不同类型的数据中得到了广泛的应用. 然而, 深度学习模式并不是模型不确定性贝叶斯方法, 或者说概率方法. 混合学习模型将这两种方法结合起来, 以充分利用每一种方法的优势. 混合模型的一些例子有: 贝叶斯深度学习, 贝叶斯 Gans 和贝叶斯条件 Gans.
为何重要: 混合学习模型使得将业务问题的多样性扩展到包含不确定性的深度学习成为可能. 这可以帮助我们实现更好的性能和模型的可解释性, 这反过来又可以鼓励更广泛的采用. 期待看到更多深度学习方法获得贝叶斯等价, 而概率编程语言的组合开始合并深入学习.
8. 自动机器学习(AutoML): 无需编程的模型创建
它是什么: 开发机器学习模型需要耗费时间和专家驱动的工作流程, 包括数据准备, 特征选择, 模式或技术选择, 训练, 调音. AutoML 目的是使用许多不同的统计和深入学习技术来实现这个工作流的自动化.
为何重要: AutoML 是人工智能工具民主化的一部分, 它使企业用户能够在没有深入编程背景的情况下开发机器学习模型. 它还将加快数据科学家创建模型所需的时间. 期望看到更多商业 AutoML 包和 AutoML 在大型机器学习平台中的集成.
9. 数字双胞胎: 超越工业应用的虚拟副本
它是什么: 数字双胞胎是一种虚拟模型, 用于促进对身体或心理系统的详细分析和监测. 数字孪生概念起源于工业世界用于分析和监测风车, 农场或工业系统等事物的地方. 现在, 利用基于 agent 的建模 (用于模拟自治 agent 的动作和交互的计算模型) 和系统动力学(一种计算机辅助策略分析和设计方法), 数字双胞胎正在应用于非物质对象和过程, 包括预测顾客行为.
为何重要: 数字双胞胎有助于促进物联网 (物联网) 的发展和广泛应用, 为预测诊断和维护物联网系统提供了一种途径. 展望未来, 我们将看到在物理系统和消费者选择模型中更多地使用数字双胞胎.
10. 可解释人工智能: 理解黑匣子
它是什么: 今天, 有许多机器学习算法在使用, 在各种不同的应用程序中使用这种意义, 思考和行动. 然而, 这些算法中有许多被认为是 "黑匣子", 对它们如何达到结果几乎没有提供任何见解. 可解释 AI 是一种发展机器学习技术的运动, 它能在保持预测精度的同时产生更可解释的模型.
为何重要: 可解释, 可证明和透明的人工智能对于建立对该技术的信任至关重要, 并将鼓励更广泛地采用机器学习技术. 企业在开始广泛部署人工智能之前, 将采用可解释的人工智能作为一项要求或最佳做法, 而政府今后可能会将可解释的人工智能作为一项监管要求.
来源: http://news.51cto.com/art/201805/574610.htm