精华内容
下载资源
问答
  • 在探讨深度学习、机器学习人工智能的关系之前,先通过一些参考文献这三个名词尝试进行较为宽泛的定义。 人工智能(Artificial Intelligence, 简称AI): 人工智能是计算机科学的一个分支, 致力于智能行为的自动...

    一、 人工智能、机器学习与深度学习的多种宽泛定义

    在探讨深度学习、机器学习与人工智能的关系之前,先通过一些参考文献对这三个名词尝试进行较为宽泛的定义。

    人工智能(Artificial Intelligence, 简称AI):

    1. 人工智能是计算机科学的一个分支, 致力于智能行为的自动化。[1]

    2. 人工智能是关于知识的学科——怎样表示知识以及怎样获得知识并使用知识的学科[2]

    3. 人工智能就是研究如何使计算机去做过去只有人才能做的智能的工作[3]

    除此之外, 还有很多关于人工智能的定义, 至今尚未统一。在我看来,是由于人工智能宽广的应用面和多样的实现方法使不同角度的定义成为可能。综合来看,目前的人工智能应该可以被概括为通过构造具有一定智能行为或者模仿部分大脑思维模式的人工系统,来解决在一个问题领域出现的复杂问题。

    而人工智能的发展方向是通过对生物行为或大脑的研究和模仿, 以期达到对意识、情感、理智三位一体的人工智能建模, 简单来说就是通过无监督学习、人工生命、神经网络等技术让机器具有人类的感知、思维和情感。[4]

    机器学习(Machine Learning, 简称ML):

    1. 计算机利用经验改善系统自身性能的行为(Machine Learning is the study of computer algorithms that improve automatically through experience.)[5]

    2. 在传统意义下, 机器学习可以描述为:令W是一个问题空间, (x, y) ∈W, 称为样本或对象, 其中, x是一个n维矢量, y是一个类别域中的一个值。由于我们观察能力的限制, 我们只能获得W的一个真子集, 记为Q⊂W, 称为样本集合 (对象集合) .由此, 根据Q建立一个模型M, 并期望这个模型对W中的所有样本预测的正确率大于一个给定的常数θ。[6]

    3. 机器学习主要研究如何使用计算机模拟和实现人类获取知识 (学习) 过程, 创新、重构已有的知识, 从而提升自身处理问题的能力。机器学习的最终目的是从数据中获取知识。[7]

    机械学习的定义虽然也较为宏大,但是容易发现在例定义中的“经验”、“预测”、“模拟和实现人类获取知识”等词是属于人工智能的范畴,或者是实现人工智能的一种常用方式。这与之后分辨它们的关系有关。

    个人在CSDN博客上的调查发现,在目前的一些实际操作中,机器学习常常按照这个过程来进行:先给予一批数据样本,然后通过算法来学习这批数据,然后利用学习的结果来实现预测或推断之后系统的行为或者决策的方向。

    深度学习(Deep Learning,简称DL):

    1. 深度学习通过建立类似于人脑的分层模型结构,对输入数据逐级提取从底层到高层的特征,从而能很好地建立从底层信号到高层语义的映射关系。[8]

    2. 深度学习是用于建立、模拟人脑进行分析学习的神经网络,并模仿人脑的机制来解释数据的一种机器学习技术。[9]

    3. 深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近,表征输入数据分布式表示,并体现了它对于输入样本数据的强大的本质特征的抽取能力。[10]

    相比于人工智能和机器学习,深度学习的定义就相对明晰具体了许多。同时深度学习的范围也进一步缩小,成为众多的机器学习的算法中的一种,而且据称已经成为目前基于神经网络算法的最重要的一种[8]。

    而深度学习的发展是在所谓的浅层学习不能满足研究、发展的需要的基础上建立起来的。浅层学习,如多数分类、回归等学习方法,其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限,针对复杂分类问题其泛化能力受到一定制约。[12]

    二、 人工智能、机器学习与深度学习的关系

    按照我目前查找到的部分资料,国内的人工智能的学术界或者应用界对深度学习、机器学习与人工智能的关系主要分为以下两种[13]

    图表1.png

    图表2.png

    第一种如图表1,深度学习是机器学习的子集,而机器学习是人工智能的子集,例如参考文献[8]和[14]。第二种如图表二,仍然认为深度学习是机器学习的子集,但是机器学习并不天生就是人工智能的一部分,而是独立于人工智能以外的一种可以协助完成人工之智能目标的方式,因为机器学习还可以应用在除了人工智能以外的领域,例如参考文献[12]。

    就我而言,我更赞同第一种看法,即机器学习是人工智能的子集。因为后来发展起来的真正有着各个领域有着突破性影响的机器学习,也就是如今常用语境情况下的机器学习基本上都只应用于人工智能领域。

    三、 人工智能对图像处理的影响

    基于人工智能深入研究并分析图像识别技术有着明显的现实意义。在计算机技术与信息技术发展背景下,图像识别技术备受关注。在计算机技术和信息技术发展的背景下,图像识别技术引起了人们的广泛关注。图像识别技术的形成和更新已成为图像识别技术的主要发展趋势,具有广阔的应用前景。[13]

    无论是医疗、金融还是信息采集、产品安全,图像识别技术都得到了应用。其存在价值是让计算机代替人工处理大量的图片等富媒体信息。在计算机技术不断完善的前提下,我们更加深刻地认识到图像识别技术的价值。

    仍然据参考文献[13],融合了人工智能的图像识别技术优势显著最突出的优势就是科技发展中对图像识别技术的应用质量。站在智能化角度分析,较之于传统图像处理技术,人工智能图像识别技术的区别明显。特别是人脸解锁的功能,和图像处理智能识别存在异曲同工之妙。也就是在完成一次人脸解锁以后,就能够以此方法为主要解锁手段。除此之外,智能化还能够自我分析和保存。在此基础上,根据图形识别便捷化分析,伴随图像识别技术的合理运用,使人们生活和工作获得了高质量的服务。基于社会快速发展,图像识别技术大众化特征逐渐突显出来。[14]

    总而言之,我认为人工智能对于图像处理的影响是量变引起质变的一个过程,故没有大量的图像数据就无法支撑起人工智能手段的分析,而一旦这个量上的条件满足,人工智能可以在不断地学习中挖掘出传统手段无法发现的信息,或是完成传统手段难以大批量完成的任务。


    参考资料

    [1] LUGER G F.人工智能:复杂问题求解的结构和策略[M].6版.北京:机械工业出版社, 2009.

    [2] 贾同兴.人工智能与情报检索[M].北京:北京图书馆出版社, 1997.15-103.

    [3] 胡勤.人工智能概述[J].电脑知识与技术, 2010, (13) :3507-3509.

    [4] 贺倩.人工智能技术的发展与应用[J].电力信息与通信技术,2017,15(09):32-37.

    [5] Tom Mitchell. Machine Learning. McGraw Hill HigherEducation, 1997

    [6] 王珏,石纯一.机器学习研究[J].广西师范大学学报(自然科学版),2003(02):1-15.

    [7] 陈康,向勇,喻超.大数据时代机器学习的新趋势[J].电信科学,2012,28(12):88-95.

    [8] 余凯,贾磊,陈雨强,徐伟.深度学习的昨天、今天和明天[J].计算机研究与发展,2013,50(09):1799-1804.

    [9] 华为云技术宅基地(已认证的官方账号).什么是深度学习–知乎[EB/OL]. https://www.zhihu.com/question/24097648 .

    [10] 林妙真. 基于深度学习的人脸识别研究[D].大连理工大学,2013.

    [12] 孙志军,薛磊,许阳明,王正.深度学习研究综述[J].计算机应用研究,2012,29(08):2806-2810.

    [13] 图表1和图表2的图片来自:https://blog.csdn.net/hebi123s/article/details/82770253

    [13] 郦涛.基于人工智能的图像识别技术的研究[J].通讯世界,2019,26(08):69-70.

    [14] 伊新铜,杨建兴.基于深度学习的图像处理[J].计算机产品与流通,2019(07):240.

    展开全文
  • 机器学习、深度学习、强化学习和人工智能的关系是什么?人工智能学习算法大家庭1. 机器学习的定义2. 深度学习的定义3. 强化学习的定义4. 迁移学习的定义5. 人工智能的定义6. 机器学习 VS 深度学习 VS 强化学习 VS ...

    人工智能的学习算法大家庭

      人工智能 (Artificial Intelligence, AI) 浪潮正在席卷全球,在上一讲中,我们给出了人工智能的定义、话题、四大技术分支、主要应用领域和三种形态:弱人工智能、强人工智能和超级人工智能,让大家了解了人工智能这个耳熟能详的概念。其中,我们区别了弱人工智能和强人工智能的概念:前者让机器具备观察和感知的能力,可以做到一定程度的理解和推理;而强人工智能让机器获得自适应能力,解决一些之前没有遇到过的问题。电影里的人工智能多半都是在描绘强人工智能,而这部分在目前的现实世界里难以真正实现;目前的科研工作主要集中在弱人工智能这部分,并且已经取得了一系列的重大突破。
    电影中的强人工智能——黑客帝国
      在这一讲中,我们打算理一下人工智能的发展历史,以及各个历史阶段当中侧重的不同算法。
      1956年,几个计算机科学家相聚在达特茅斯会议,提出了“人工智能”的概念,梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。其后,人工智能就一直萦绕于人们的脑海之中,并在科研实验室中慢慢孵化。之后的几十年,人工智能一直在两极反转,或被称作人类文明耀眼未来的预言,或被当成技术疯子的狂想扔到垃圾堆里。直到2012年之前,这两种声音还在同时存在。
      2012年以后,得益于数据量的上涨、运算力的提升和机器学习新算法——深度学习的出现,人工智能开始大爆发,研究领域也在不断扩大,下图展示了人工智能研究的各个分支,包括计划调度、专家系统、多智能体系统、进化计算、模糊逻辑、机器学习、知识表示、计算机视觉、自然语言处理、推荐系统、机器感知等等。
    人工智能研究的各个分支
      诸多媒体流行词汇萦绕在我们耳边,比如人工智能 (Artificial Intelligence)、机器学习 (Machine Learning)、深度学习 (Deep Learning)、强化学习 (Reinforcement Learning)。不少人对这些高频词汇的含义及其背后的关系感到困惑,这一讲中,我们会从它们的发展历程、概念、算法种类进行介绍,并且理清它们之间的关系和区别;具体的算法原理留到之后的推送当中详解。

    1. 机器学习

      弱人工智能是如何实现的,“智能”又从何而来呢?这主要归功于一种实现人工智能的方法——机器学习。

    1. 机器学习的定义一:机器学习定义的第一类答案是IBM提出的认知计算 (Cognitive Computing)。其目标是构建不需要显式编程的机器(计算机、软件、机器人、网站、移动应用、设备等)。这种机器学习观点可追溯到Arthur Samuel在1959年的定义,“机器学习:让计算机无需显式编程也能学习的研究领域”。Arthur Samuel 是机器学习的创始人之一,在IBM的时候,他开发了一个程序来学习如何在西洋棋棋艺上超过他。
    2. 机器学习的定义二:Samuel的定义很好,但可能有点太模糊。1998年,另一位著名的机器学习研究者Tom Mitchell提出了一个更精确的定义,“正确提出的学习问题:如果计算机程序对于任务T的性能度量P通过经验E得到了提高,则认为此程序对经验E进行了学习”。为了阐述清楚,我们举一个例子:在下棋程序中,经验E指的就是程序的上万次的自我联系的经验,任务T就是下棋,性能度量P指的就是在比赛过程中取胜的概率,有了性能指标后,我们就能告诉系统是否学习该经验。
      机器学习定义
    3. 机器学习的算法分类:上述定义为机器学习设定了清晰的目标,但是,它们没有告诉我们如何实现该目标,我们应该让定义更明确一些。这就需要第二类定义,这类定义描述了机器学习算法,以下是一些流行的定义。在每种情况下,都会为算法提供一组示例供其学习。
       (1) 监督式学习:为算法提供训练数据,数据中包含每个示例的“正确答案”;例如,一个检测信用卡欺诈的监督学习算法接受一组记录的交易作为输入,对于每笔交易,训练数据都将包含一个表明它是否存在欺诈的标记。
       (2) 无监督学习:该算法在训练数据中寻找结构,比如寻找哪些示例彼此类似,并将它们分组到各个集群中。
    4. 机器学习的问题分类:我们希望在机器学习算法分类的基础上更具体一些,一种方法是通过分析机器学习任务能解决的问题类型,对任务进行细化:
       (1) 分类,一种监督学习问题,其中要学习的答案是有限多个可能值之一;例如,在信用卡示例中,该算法必须学习如何在“欺诈”与“诚信”之间找到正确的答案,在仅有两个可能的值时,我们称之为二元分类问题;用于实现分类的常用算法包括:支持向量机 (SVM)、提升 (boosted) 决策树和袋装 (bagged) 决策树、k-最近邻、朴素贝叶斯 (Naïve Bayes)、判别分析、逻辑回归和神经网络
       (2) 回归,一种监督学习问题,其中要学习的答案是一个连续值。例如,可为算法提供一条房屋销售及其价格的记录,让它学习如何设定房屋价格;常用回归算法包括:线性模型、非线性模型、规则化、逐步回归、提升 (boosted) 和袋装 (bagged) 决策树、神经网络和自适应神经模糊学习
       (3) 细分(聚类),一种无监督学习问题,其中要学习的结构是一些类似示例的集群。例如,市场细分旨在将客户分组到有类似购买行为的人群中;用于执行聚类的常用算法包括:k-均值和 k-中心点(k-medoids)、层次聚类、高斯混合模型、隐马尔可夫模型、自组织映射、模糊c-均值聚类法和减法聚类
       (4) 网络分析,一种无监督学习问题,其中要学习的结构是有关网络中的节点的重要性和作用的信息;例如,网页排名算法会分析网页及其超链接构成的网络,并寻找最重要的网页。谷歌等 Web 搜索引擎使用的就是这种算法,其他网络分析问题包括社交网络分析。
      机器学习算法、问题分类
    5. 机器学习工作流及定义三:上述两个定义的问题在于,开发一个机器学习算法并不足以获得一个能学习的系统。诚然,机器学习算法与学习系统之间存在着差距。我给出一个机器学习工作流,如下图所示;机器学习算法被用在工作流的“训练”步骤中,然后它的输出(一个经过训练的模型)被用在工作流的“预测”部分中。好的与差的机器算法之间的区别在于,我们在“预测”步骤中获得的预测质量。这就引出了机器学习的另一个定义:“机器学习的目的是从训练数据中学习,以便对新的、未见过的数据做出尽可能好的预测”。
      机器学习工作流

    2. 深度学习

      我们将从深度学习的发展历程、深度学习的概念、深度神经网络的分类几个方面来阐述。

    1. 深度学习发展历史
       (1) 1943年,由神经科学家麦卡洛克 (W.S.McCilloch) 和数学家皮兹 (W.Pitts) 在《数学生物物理学公告》上发表论文《神经活动中内在思想的逻辑演算》(A Logical Calculus of the Ideas Immanent in Nervous Activity)。建立了神经网络和数学模型,称为MCP模型。所谓MCP模型,其实是按照生物神经元的结构和工作原理构造出来的一个抽象和简化了的模型,也就诞生了所谓的“模拟大脑”,人工神经网络的大门由此开启。MCP当时是希望能够用计算机来模拟人的神经元反应的过程,该模型将神经元简化为了三个过程:输入信号线性加权,求和,非线性激活(阈值法),如下图所示:
      MCP模型 (2) 1958年,计算机科学家罗森布拉特 (Rosenblatt) 提出了两层神经元组成的神经网络,称之为“感知器” (Perceptrons),第一次将MCP用于机器学习分类:“感知器”算法算法使用MCP模型对输入的多维数据进行二分类,且能够使用梯度下降法从训练样本中自动学习更新权值。1962年,该方法被证明为能够收敛,理论与实践效果引起第一次神经网络的浪潮。
       (3) 1969年,纵观科学发展史,无疑都是充满曲折的,深度学习也毫不例外。1969年,美国数学家及人工智能先驱Marvin Minsky在其著作中证明了感知器本质上是一种线性模型 (Linear Model),只能处理线性分类问题,就连最简单的亦或 (XOR) 问题都无法正确分类。这等于直接宣判了感知器的死刑,神经网络的研究也陷入了将近20年的停滞。
       (4) 1986年,由神经网络之父Geoffrey Hinton在1986年发明了适用于多层感知器 (MLP) 的反向传播BP (Backpropagation) 算法,并采用Sigmoid进行非线性映射,有效解决了非线性分类和学习的问题。该方法引起了神经网络的第二次热潮。
      反向传播算法
       Sigmoid 函数是一个在生物学中常见的S型的函数(S型生长曲线)。在信息科学中,由于其单增以及反函数单增等性质,常被用作神经网络的阈值函数,将变量映射到[0, 1]: S i g m o i d ( x ) = 1 1 + e − x Sigmoid(x)=\frac{1}{1+e^{-x}} Sigmoid(x)=1+ex1
       (5) 90年代时期,1991年BP算法被指出存在梯度消失问题,也就是说在误差梯度后项传递的过程中,后层梯度以乘性方式叠加到前层,由于Sigmoid函数的饱和特性,后层梯度本来就小,误差梯度传到前层时几乎为0,因此无法对前层进行有效的学习,该问题直接阻碍了深度学习的进一步发展;此外90年代中期,支持向量机 (SVM) 算法诞生等各种浅层机器学习模型被提出,SVM也是一种有监督的学习模型,应用于模式识别,分类以及回归分析等。支持向量机以统计学为基础,和神经网络有明显的差异,支持向量机等算法的提出再次阻碍了深度学习的发展。
       (6) 2006年——2012年(发展期),2006年,加拿大多伦多大学教授、机器学习领域泰斗、神经网络之父——Geoffrey Hinton和他的学生Ruslan Salakhutdinov在顶尖学术刊物《科学》上发表了一篇文章,该文章提出了深层网络训练中梯度消失问题的解决方案:无监督预训练对权值进行初始化+有监督训练微调。斯坦福大学、纽约大学、加拿大蒙特利尔大学等成为研究深度学习的重镇,至此开启了深度学习在学术界和工业界的浪潮。2011年,修正线性单元 (Rectified Linear Unit, ReLU) 激活函数被提出,该激活函数能够有效的抑制梯度消失问题: R e L U ( x ) = m a x ( 0 , x ) ReLU(x)=max(0, x) ReLU(x)=max(0,x)
       2011年以来,微软首次将深度学习应用在语音识别上,取得了重大突破。微软研究院和Google的语音识别研究人员先后采用深度神经网络 (DNN) 技术降低语音识别错误率20%~30%,是语音识别领域十多年来最大的突破性进展。2012年,DNN技术在图像识别领域取得惊人的效果,在ImageNet评测上将错误率从26%降低到15%。在这一年,DNN还被应用于制药公司的DrugeActivity预测问题,并获得世界最好成绩。
      在这里插入图片描述
       (7) 2012年——2017年(爆发期),2012年,Hinton课题组为了证明深度学习的潜力,首次参加ImageNet图像识别比赛,其通过构建的卷积神经网络 (CNN) AlexNet一举夺得冠军,且碾压第二名(SVM方法)的分类性能。也正是由于该比赛,CNN吸引到了众多研究者的注意。
      AlexNet 2016年,随着谷歌 (Google) 旗下的DeepMind公司基于深度学习开发的AlphaGo以4 : 1的比分战胜了国际顶尖围棋高手李世石,深度学习的热度一时无两。后来,AlphaGo又接连和众多世界级围棋高手过招,均取得了完胜。这也证明了在围棋界,基于深度学习技术的机器人已经超越了人。
      阿尔法狗 VS 李世石
       2016年末2017年初,该程序在中国棋类网站上以“大师” (Master) 为注册帐号与中日韩数十位围棋高手进行快棋对决,连续60局无一败绩;2017年5月,在中国乌镇围棋峰会上,它与排名世界第一的世界围棋冠军柯洁对战,以3比0的总比分获胜。围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平;同年,基于强化学习算法的AlphaGo升级版AlphaGo Zero横空出世,其采用“从零开始”、“无师自通”的学习模式,以100:0的比分轻而易举打败了之前的AlphaGo。除了围棋,它还精通国际象棋等其它棋类游戏,可以说是真正的棋类“天才”。
       此外在这一年,深度学习的相关算法在医疗、金融、艺术、无人驾驶等多个领域均取得了显著的成果。所以,也有专家把2017年看作是深度学习甚至是人工智能发展最为突飞猛进的一年。
    2. 深度学习的定义:深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如人脸识别、面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征
    3. 深度神经网络:深度学习的模型有很多,目前开发者最常用的深度学习模型与架构包括卷积神经网络 (CNN)、深度置信网络 (DBN)、受限玻尔兹曼机 (RBM)、递归神经网络 (RNN & LSTM & GRU)、递归张量神经网络 (RNTN)、自动编码器 (AutoEncoder)、生成对抗网络 (GAN)等等,更多的模型可以参考下图:
      在这里插入图片描述

    3. 强化学习

      强化学习在各个领域当中应用十分广泛,在这里主要给出它的定义、适用范围、组成成分和交互过程。

    1. 强化学习的定义:强化学习 (Reinforcement learning, RL) 是机器学习中的一个领域,强调如何基于环境而行动,以取得最大化的预期利益;其灵感来源于心理学中的行为主义理论,即有机体如何在环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。
    2. 强化学习适用范围:尽管我们在机器学习社区中广泛使用强化学习,但强化学习不仅仅是一个人工智能术语,它是许多领域中的一个中心思想,如下图(强化学习的多个方面,Many Faces of Reinforcement Learning)所示。事实上,许多这些领域面临着与机器学习相同的问题:如何优化决策以实现最佳结果,这就是决策科学 (Science of Decision-Making);在神经科学中,人类研究人脑并发现了一种遵循著名的强化算法的奖励系统;在心理学中,人们研究的经典条件反射和操作性条件反射,也可以被认为是一个强化问题;类似的,在经济学中我们研究理性博弈论;在数学中我们研究运筹学;在工程学中我们研究优化控制;所有的这些问题都可以被认为一种强化学习问题——它们研究同一个主题,即为了实现最佳结果而优化决策。
      强化学习的多个方面
    3. 强化学习基本组成成分:强化学习主要由智能体 (Agent)、环境 (Environment)、状态 (State)、动作 (Action)、奖励 (Reward)、策略 (Policy)、目标 (Objective) 组成。
       (1) 智能体:强化学习的本体,作为学习者或者决策者;
       (2) 环境:强化学习智能体以外的一切,主要由状态集合组成;
       (3) 状态:一个表示环境的数据,状态集则是环境中所有可能的状态;
       (4) 动作:智能体可以做出的动作,动作集则是智能体可以做出的所有动作;
       (5) 奖励:智能体在执行一个动作后,获得的正/负反馈信号,奖励集则是智能体可以获得的所有反馈信息;
       (6) 策略:强化学习是从环境状态到动作的映射学习,称该映射关系为策略。通俗的理解,即智能体如何选择动作的思考过程称为策略;
       (7) 目标:智能体自动寻找在连续时间序列里的最优策略,而最优策略通常指最大化长期累积奖励。在此基础上,智能体和环境通过状态、动作、奖励进行交互的方式为:智能体执行了某个动作后,环境将会转换到一个新的状态,对于该新的状态环境会给出奖励信号(正奖励或者负奖励)。随后,智能体根据新的状态和环境反馈的奖励,按照一定的策略执行新的动作。
      强化学习的个体和环境
       智能体通过强化学习,可以知道自己在什么状态下,应该采取什么样的动作使得自身获得最大奖励;因此,强化学习实际上是智能体在与环境进行交互的过程中,学会最佳决策序列。由于智能体与环境的交互方式与人类与环境的交互方式类似,可以认为强化学习是一套通用的学习框架,可用来解决通用人工智能的问题。因此强化学习也被称为通用人工智能的机器学习方法。

    4. 迁移学习

      迁移学习 (Transfer Learning) 顾名思义就是就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务是存在相关性的,所以通过迁移学习我们可以将已经学到的模型参数(也可理解为模型学到的知识)通过某种方式来分享给新模型从而加快并优化模型的学习效率不用像大多数网络那样从零学习 (Starting From Scratch)。

    1. 迁移学习的定义:迁移学习是机器学习技术的一种,其中在一个任务上训练的模型被重新利用在另一个相关的任务上,定义一:“迁移学习和领域自适应指的是将一个任务环境中学到的东西用来提升在另一个任务环境中模型的泛化能力” ——2016年“Deep Learning”,526页;迁移学习也是一种优化方法,可以在对另一个任务建模时提高进展速度或者是模型性能,定义二:“迁移学习就是通过从已学习的相关任务中迁移其知识来对需要学习的新任务进行提高。”——第11章:转移学习,机器学习应用研究手册,2009年;同在2009年,Sinno Jialin Pan和Qiang Yang发表了一篇迁移学习的《A Survey on Transfer Learning》,他们给出了迁移学习的数学定义三:Given a source domain D S = { X S , f S ( X ) } D_S=\{X_S, f_S(X)\} DS={XS,fS(X)} and learning task T S T_S TS, a target domain D T = { X T , f T ( X ) } D_T=\{X_T, f_T(X)\} DT={XT,fT(X)} and learning task T T T_T TT, transfer learning aims to help improve the learning of the target predictive function f T ( ⋅ ) f_T(·) fT() in D T D_T DT using the knowledge in D S D_S DS and T S T_S TS, where D S ̸ = D T D_S\not=D_T DS̸=DT, or T S ̸ = T T T_S\not=T_T TS̸=TT.
    2. 迁移学习在深度学习中的应用:迁移学习还与多任务学习概念漂移等问题有关,它并不完全是深度学习的一个研究领域。尽管如此,由于训练深度学习模型所需耗费巨大资源,包括大量的数据集,迁移学习便成了深度学习是一种很受欢迎的方法。但是,只有当从第一个任务中学到的模型特征是容易泛化的时候,迁移学习才能在深度学习中起到作用。 “在迁移学习中,我们首先在基础数据集和任务上训练一个基础网络,然后将学习到的特征重新调整或者迁移到另一个目标网络上,用来训练目标任务的数据集。如果这些特征是容易泛化的,且同时适用于基本任务和目标任务,而不只是特定于基本任务,那迁移学习就能有效进行。”——深度神经网络中的特征如何迁移的?这种用于深度学习的迁移学习形式被称为推导迁移 (Inductive Transfer)。就是通过使用合适但不完全相同的相关任务的模型,将模型的范围(模型偏差)以有利的方式缩小。
      推导迁移
      举个例子,使用图像数据作为输入的预测模型问题中进行迁移学习是很常见的,它可能是一个以照片或视频数据作为输入的预测任务。 对于这些类型的问题,通常会使用预先训练好的深度学习模型来处理大型的和具有挑战性的图像分类任务,例如ImageNet 1000级照片分类竞赛,我们可以下载以下模型,并合并到以自己图像数据作为输入的新模型中:牛津的VGG模型、谷歌的Inception模型、微软的ResNet模型
    3. 迁移学习使用方法:我们可以在自己的预测模型问题上使用迁移学习,通常有两种方法:开发模型方法和预训练模型方法。
      对于开发模型方法,分为四步:
       (1) 选择源任务:必须选择一个与大量数据相关的预测模型问题,这个大量的数据需要与输入数据,输出数据和/或从输入到输出数据映射过程中学习的概念之间存在某种关系。
       (2) 开发源模型:接下来,必须为这个第一项任务开发一个熟练的模型;该模型必须比原始模型更好,以确保一些特征学习已经发挥了其作用。
       (3) 重用模型:然后可以将适合元任务的模型用作感兴趣的另一个任务模型的起点;这取决于所使用的建模技术,可能涉及到了全部或部分模型。
       (4) 调整模型:可选项,对感兴趣任务的调整输入—输出配对数据或改进模型。
      对于预训练模型方法,分为三步:
       (1) 选择源任务:从可用的模型中选择预训练的元模型,许多研究机构会发布已经在大量的且具有挑战性的数据集上训练好的模型,在可用模型的模型池里面也能找到这些模型。
       (2) 重用模型:然后可以将预训练的模型用作感兴趣的另一个任务模型的起点,这取决于所使用的建模技术,可能涉及使用全部或部分模型。
       (3) 调整模型:可选项,对感兴趣任务的调整输入—输出配对数据或改进模型。
      其中,第二类迁移学习方法在深度学习领域是很常见的。

    5. 机器学习 VS 深度学习 VS 强化学习 VS 迁移学习 VS 人工智能?

      以上我们分别介绍了机器学习、深度学习、强化学习、迁移学习算法,那么它们之前存在怎样的关系呢?它们和人工智能又存在怎样的关联呢?

    1. 机器学习 VS 深度学习:机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术,目前,学术界的各个人工智能研究方向(计算机视觉、自然语言处理等等),深度学习的效果都远超过传统的机器学习方法,再加上媒体对深度学习进行了大肆夸大的报道,有人甚至认为,“深度学习最终可能会淘汰掉其它所有机器学习算法”。这种看法是正确的吗?
      深度学习,作为目前最热的机器学习方法,但并不意味着是机器学习的终点,目前存在以下问题:
       (1) 深度学习模型需要大量的训练数据,才能展现出神奇的效果,但现实生活中往往会遇到小样本问题,此时深度学习方法无法入手,传统的机器学习方法就可以处理。
       (2) 有些领域,采用传统简单的机器学习方法,可以很好地解决,没必要采用复杂的深度学习方法。
       (3) 深度学习的思想,来源于人脑的启发,但绝不是人脑的模拟,举个例子:给一个三四岁的小孩看一辆自行车之后,再见到哪怕外观完全不同的自行车,小孩也十有八九能做出那是一辆自行车的判断,也就是说,人类的学习过程往往不需要大规模的训练数据,目前深度学习方法显然很难做到。
       (4) 目前在工业界,基于深度学习的人工智能项目落地非常困难。
      机器学习和深度学习
    2. 深度学习 VS 强化学习:深度学习和强化学习的主要区别在于:
       (1) 深度学习的训练样本是有标签的,强化学习的训练是没有标签的,它是通过环境给出的奖惩来学习。
       (2) 深度学习的学习过程是静态的,强化学习的学习过程是动态的;这里静态与动态的区别在于是否会与环境进行交互,深度学习是给什么样本就学什么,而强化学习是要和环境进行交互,再通过环境给出的奖惩来学习。
       (3) 深度学习解决的更多是感知问题,强化学习解决的主要是决策问题;有监督学习更像是”五官”,而强化学习更像“大脑”。
    3. 机器学习 VS 深度学习 VS 强化学习:机器学习、深度学习、强化学习之间的关系如下:
       (1) 机器学习:一切通过优化方法挖掘数据中规律的学科,多用于数据挖掘、数据分析和预测等领域。
       (2) 深度学习:一切运用了神经网络作为参数结构进行优化的机器学习算法,广泛地应用于是计算机视觉和自然语言处理领域。
       (3) 强化学习:不仅能利用现有数据,还可以通过对环境的探索获得新数据,并利用新数据循环往复地更新迭代现有模型的机器学习算法;学习是为了更好地对环境进行探索,而探索是为了获取数据进行更好的学习;目前实际应用场景还比较窄,主要包括AI游戏 (Atari),推荐系统(阿里巴巴),机器人控制(如吴恩达的无人机)。
       (4) 深度强化学习:一切运用了神经网络作为参数结构进行优化的强化学习算法 (Google AlphaGo, Master)。
    4. 机器学习 VS 深度学习 VS 迁移学习:当前的机器学习、深度学习存在一些局限性,我们采用迁移学习的方法可以解决这些痛点。
       (1) 我们可以在这个数据集上训练一个模型 A,并期望它在同一个任务和域A中的未知数据上表现良好;但是,当我们没有足够的来自于我们关心的任务或域的标签数据时(新的标签数据很难获取、费时、昂贵),传统的监督学习方法会失灵——它往往无法得出一个可靠的模型。
       (2) 表达能力的限制:因为一个模型毕竟是一种现实的反映,等于是现实的镜像,它能够描述现实的能力越强就越准确,而机器学习和深度学习都是用变量来描述世界的,它们的变量数是有限的。
       (3) 模型复杂度高:随着模型复杂度的提高,其参数个数和所需的数据量也是惊人的。
      在NIPS 2016,吴恩达表示,“在继深度学习之后,迁移学习将引领下一波机器学习技术”
    5. 总体关系:以上讨论的算法和人工智能的关系如下图所示,可以看出,提及的算法都是属于人工智能的范畴,他们相互交叉却不完全重合:机器学习是人工智能的算法基石,而其它算法都是机器学习的一个分支。
      各种人工智能算法之间的关系
      深度学习大佬Yoshua Bengio在 Quora 上有一段话讲得特别好,这里引用一下:Science is NOT a battle, it is a collaboration. We all build on each other’s ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking! 这段话的大致意思是:科学不是战争而是合作,任何学科的发展从来都不是一条路走到黑,而是同行之间互相学习、互相借鉴、博采众长、相得益彰,站在巨人的肩膀上不断前行。机器学习的研究也是一样,开放包容才是正道!
      Yoshua Bengio

    微信公众号同步

      关注微信公众号“机器学习和人工智能”,干货多多~
      我们会定期推送Python编程,人工智能基础算法,学术界、工业界最新动态,让更多的人了解人工智能~
      欢迎扫描下方二维码关注哈~
    在这里插入图片描述

    展开全文
  • 人工智能和AI到底是什么??浅谈人工智能和AI

    万次阅读 多人点赞 2020-06-24 18:09:25
    AI对传统行业的冲击AI对广告行业媒体行业的冲击AI对教育行业的影响AI对艺术创作行业的影响AI对物流行业工业行业的影响 我们每天所谈论的人工智能,究竟是什么?        &...

    我们每天所谈论的人工智能,究竟是什么?

            人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
            人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
            人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。人工智能是包括十分广泛的科学,它由不同的领域组成,如机器学习,计算机视觉等等,总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。 2017年12月,人工智能入选“2017年度中国媒体十大流行语”。
            简单而言什么是人工智能这个问题的答案很简单,但它非常重要。如何理解人工智能,决定了我们如何面对人工智能,如何抓住人工智能浪潮所带来的时代机遇。

            在知道答案之前,需要先了解一下:最近一些年,人工智能给我们的生活带来了哪些变化。它们不声不响地发生着,当你发觉时却早已势不可挡……

    我们正处于AI时代:

            其实,我们即将处于一个人工智能时代,每天都在和人工智能打交道。现在,让我们一起正式推开人工智能的大门,一起来扒一扒AI对我们『衣食住行』的影响。

    衣食住行中的AI

            前几日我去逛街,发现Selected的实体店里多了一个试衣神器叫魔镜系统,手只要轻轻一挥,就可以展现各种衣服在身上的效果,原来它长这副模样。

            它主要使用了计算机视觉和3D建模技术,消费者只在魔镜里输入自己的性别、身高、体型就可以选择心仪的衣服,进而通过技术将服装的虚拟影像『穿』在镜中的人像上,同时还可更换为同一款式的其他色彩。这就可以在更短的时间里试穿更多的衣服,而且省去排队的麻烦,这真是给女生的一大福利啊!对于商家也是一大福音,自2008年,全球最大的时尚集团之一绫致时装将selected引进中国市场以来,SELECTED由最初的50家店铺,增长到现在已超过1000家。
            SELECTED基于新零售这个时代趋势下的,采用大数据技术、人工智能技术更大程度上的充实客户体验感,提高品牌影响力。

            同是服装行业的优衣库,在四月新发布的福布斯2019年富豪榜中,优衣库的创始人柳井正击败软银掌门人孙正义再次成为日本首富,其中RFID电子标签、智慧门店发挥了不容小觑的作用。

            RFID电子标签也就是射频识别技术,相较于需要人工操作的条形码,RFID标签使得购物篮中的所有商品可以一次扫描,大大节省支付和库存管理的时间,从而保证热销产品产量迅速提高。

            另外,RFID电子标签将获取更加详尽的信息,比如消费者何时拿取商品和放回货架,及产品于何时何地售出,其产生的大量数据可以结合人工智能技术可以分析消费者行为。

            智慧门店采用智能导购可以为顾客选择和搭配服饰,提高购买率。

            在深圳万象天地的优衣库,每层楼都有两个电子智能屏幕。这是一款导购机器人,智能导购员是其主要功能。通过人机对话,分析用户的筛选条件,最终在屏幕上推送用户所需商品。

            智能导购给我们提供了更加精准、优质、舒适的服务。

            技术真是日新月异,90年代时,我们只会在实体店里买衣服,根本不会有什么网上购物的概念。随着互联网技术和移动支付技术的成熟,网购似乎已成为了大多数人生活中不可或缺的一部分,足不出户就可以购买到心仪的衣服。

            如今,AI、VR技术的发展,智能试衣更是会提高消费者网店和实体店的购物体验。

    『民以食为天』,那在饮食方面,人工智能对我们有什么影响呢?人工智能可不可以帮助我们控制饮食,保持魔鬼身材和好气色呢?

            推荐一款APP——Coco Nutritionist给大家,它是由麻省理工开发的,通过AI分析食物成分,合理地安排膳食并燃烧你的卡路里。

            这款APP的使用非常简单,只需要打开APP说你今天吃了什么,APP通过语音识别技术和语义分析技术,自动记录你的饮食信息;然后通过另外一套AI分析系统分析各个食物的营养成分和卡路里,并将营养数据可视化。我们可以清晰地掌握和控制自己的饮食。

            还有啊,你可以拍下那些『不知其名』的食材,APP会为你分析它的营养价值和热量,并给出适宜你的烹饪食谱。可谓是集合了计算机视觉、语音识别、语义分析各大技术于一体的健康小助手,指导人们科学健康地生活。

            聊完吃的,我们再一起来到美丽的西湖畔,感受一下阿里巴巴未来酒店里面的黑科技。

            进入酒店,刷脸完成check-in,乘电梯刷脸就可以按楼层;进入房间,刷脸就可以打开房门;

            当进入房间之后,客房小管家天猫精灵已等候在内,你可以通过天猫精灵控制房间温度、灯光、窗帘、电视等;餐厅里为你上菜的是机器人服务员。

            从大堂到电梯再到房间,乃至餐厅、健身房等等,都涵盖人脸识别、语音控制、智能机器人等黑科技服务。

            基于AI智能的酒店智慧系统解决方案,为住客节省时间、提供方便,且帮助酒店服务人员减少重复性工作。据阿里未来酒店CEO王群介绍,“未来酒店的人效比是同档次、同规模酒店的1.5倍。”可能再过10年,可能司机这个职业将被AI取代,2017年12月2日,深圳无人公交车打响了第一枪,无人公交正式上路。

            虽然有司机的监控,但已基本实现了无人驾驶的功能。

            除此之外,还记得2018年春晚上,100辆比亚迪无人驾驶车队声势浩浩荡荡,在港珠澳大桥向全球华人展示强大的科技魅力!


    什么是人工智能?

            人工智能这个词近年来已经深入到我们生活的方方面面并被捧得热火朝天,但是,极少人真正知道它到底是怎么一回事。

    机器人

            相信很多人都会说机器人,其充其量只能算是人工智能的外在形态。

            人工智能并不等同于这些“外在形态”,它是在背后负责操控一切的“大脑”,比我们想象的还要强大得多。

    image-20200524140044406

            我们每天所谈论的人工智能,究竟是什么?

            维基百科这样解释:“人工智能亦称机器智能,是指由人制造出来的机器所表现出来的智能。”而更富远见与洞察的答案却是:

    image-20200524140114426

            人工智能 = 技术 + 应用。此处,技术是指那些能“让机器模拟人的基础能力”的技术。比如,人的眼睛能看,传统的机器不能,那我们就去研发“图像识别技术”,让机器能看;比如,人能理解文字,传统的机器不能,那我们就去研发“自然语言处理技术”,让机器能理解文本。

            此处,应用是指各行各业。所有可能应用到上述技术的地方,比如:安防、新零售、交通、工业等。

            这个等式在告诉我们:同样的技术,应用在不同的领域,能够创造不同的社会价值;同样的应用场景,搭配不同的技术,则都能够以不同的方式创造社会价值。

            接下来,我会为你详细地诠释这一点。

            人工智能,最终把那些传统意义上,只有人能做的事情,不管是简单劳累的体力劳动——感知和运动,还是复杂的脑力劳动——推理、决策和学习,都交给机器或软件去完成,它们会做得和人一样好,甚至是比人更好。

            那我们一起感受一下AI是如何把图像识别技术、GAN网络、自然语言处理技术应用到各行各业中。比如:广告行业、媒体行业、教育行业、艺术创作行业、物流行业和工业行业,颠覆了各传统行业的工作方式,消灭重复性劳动!

    AI对传统行业的冲击

    AI对广告行业和媒体行业的冲击

            阿橙大学专业学的是广告设计,毕业后,他去了一家4A广告公司担任设计师。

            对他而言,工作中最痛苦的时候并不是找不到做图的灵感,而是无休止地根据甲方爸爸的要求改图。

            半夜守着电脑等甲方回复,打开电脑看到辛苦做的图又被提了一大堆修改意见,就觉得要精神崩溃。

    “logo再大一点、颜色再亮一点,要体现出我们的理念和精神……”
    “我感觉设计得还不够大气,能不能换一个更高端的字体……”

    image-20200524140352076

            而另一位在互联网公司做新媒体编辑的小爽,她的苦恼则是:你永远不知道新的热点和明天哪个会先来。

            当新事件发生的时候,就是她在电脑前埋头码字、思考抓眼球的标题的时候。

    “晚上十点主编打电话告诉我某某明星又爆出大料……”
    “你体会过辛苦排版了一下午的微信文章被打回的心碎吗……”

            我听着大家吐槽,却不知该如何告诉他们:这些烦恼,很快将不复存在了。不想重复性地替甲方爸爸改图?没问题啊,这件事,未来将由AI来替你做。

    image-20200524140440757

            早在去年,阿里就发布了一款名叫“鲁班”的人工智能设计师。

            鲁班在去年双十一期间上岗,平均每秒做8000张海报,共计在双十一期间完成了四亿张设计图。

            简单来说,在鲁班的“人工智能小脑袋瓜”里存着海量的广告元素:如文案、产品、背景、点缀元素、LOGO等,他们不同的组合方式形成了一套“设计语言库”。

            设计师在做图的时候需要分析甲方的需求,调用脑子里存储的资源,思考解决方案,有时难免会出现“灵感枯竭”的情况。

            但鲁班的小脑袋瓜里装的东西可太丰富了,只要你一声令下,它就能一秒调出你想要的。

            这意味着,在大批量作业的商业设计领域,AI有着非常明显的优势:既快速,又齐整。

            从此再也不需要设计辛辛苦苦地做完一大批“每一个都不一样,但整体又要一样”的图后,感觉自己是个瞎子。

            可我们有没有想过为什么鲁班可以将脑袋中的元素完美地组合呢?

    前面有提及过按照一系列地组合方式呀。

            但是组合方式,或是说广告的模版是怎么来的呢?难道是设计师给出的?No,No,其实是依靠其背后的深度学习,对大量的设计广告案例(图像)进行结构化标注,然后输入大型的神经网络学习风格和排版,最后输出空间 + 视觉的设计模版。

            其实鲁班就是深度学习在设计行业里的一个应用,技术是应用的灵魂,而应用是技术的载体。

    image-20200524140650044

    好吧,人工智能又能如何帮忙解决媒体行业里文字创作的烦恼呢?

            好,我们就来看看新媒体运营们头疼的:追赶热点、组织文案、写稿。

            不想大晚上被主编的电话叫醒,没问题啊,这份工作AI一样可以帮你完成得好好的。

            早从去年开始,公众号“中国地震台网”就已经在用AI新媒体编辑写即时新闻了。

            比如说,前不久日本北海道地区发生5.5级地震的新闻就是由AI写的,排版和文字长这样:

    image-20200524140736203

    虽然文字和排版都很简单,但猜猜写这篇推送AI用了多久?

    image-20200524140753634

            只用十秒,就完成一篇推送。24小时超长在线,一有突发事件就能马上开始工作。

    换做是我来写作的话,十秒钟大概只够时间写完一个标题吧_;。

            人工智能写作依靠的是背后的数据库和优秀的技术比如自然语言处理,将数据、案例素材、文字流畅地组合一起形成文章。

    image-20200524140827627


            如果说,上班一族最讨厌的是无意义的重复性劳动,那么,对于学生党而言,最烦恼的应该就是考试了吧。考试不仅考的是学习能力,还有应试技巧(没错,就是套路)。那么,在考试之中,人工智能的表现又如何呢?

    AI对教育行业的影响

            先看看千军万马过独木桥的高考。2017年,成都的AI-MATHS高考机器人参加了高考数学,在掐断题库、断网、无人干涉的情况下进行解题。结果是,它分别用了22分钟和10分钟完成了高考北京文科数学卷和数学全国卷二,最终分别获得了105分和100分,平均分102.5。

    image-20200524141206433

            虽然人家考得一般,但人家题目做得快啊,给你十分钟写一张卷子,你能考这个成绩吗?可见,在学习方面,人工智能做的也并不比你差。不好好学习的话,可能连考试都考不过AI。再告诉你个事儿,AI在“考试”领域可不仅仅能成为参与者,它还能成为老师一样的批改者。
            在浙江外国语学院国际学院,来自阿里巴巴的人工智能已经为11位留学生批改了作文,平均每篇作文批改时间为40秒。

    image-20200524141333950

            说不定在不远的将来,决定你考试过不过,能不能拿到毕业证的,不再是人类批改员,而是更准确、更高效的人工智能批改员。同样的,无论是AI考试还是AI批阅试卷还是上个案例中的AI写作,都是深度学习——自然语言处理的应用,我们看到了同一技术可以实现不同的应用。

    image-20200524141416359


    AI对艺术创作行业的影响

            图像风格迁移是计算机视觉领域中,比较有意思的应用。风格迁移也就是:你给人工智能一张随便拍的照片,它就能帮升级成梵高风格的绘画作品。

    image-20200524141529521

            图像风格迁移的背后可以是深度学习——卷积神经网络的图像特征提取,比如2016CVPR(CVPR是计算机视觉的顶级会议)论文《Image Style Transfer Using Convolutional Neural Networks》就采用卷积神经网络来进行风格迁移。

            还可以是利用GAN网络技术风格迁移,在2018CVPR论文《Multi-Content GAN for Few-Shot Font Style Transfer》中,将设计师设计好的某些艺术字母风格迁移到没有出现过的字母上,避免重复设计。

    image-20200524141556304

            GAN网络学习第一行的P、U、W三个字母的艺术风格,生成其余23个字母的艺术风格,如上图中的最后一行。

            或许现在你还不知道什么是卷积神经网络、GAN网络,或许还比较难理解背后技术的思想,但现在我们只需知道它是深度学习的一个技术即可。

            一个应用的实现往往可以选择不同的技术,这就需要我们结合具体应用和分析应用的特点选择适宜的技术。

    image-20200524141620028
            人工智能确实无法凭空创造,但只需要给它一点点线索,它就能从强大的小脑袋瓜里给你输出想要的东西。

            比如谷歌家出的一个会画画的黑科技AutoDraw。大概就是,你随便鬼画个什么,谷歌都能把它变成一副正儿八经的画。

    没想到AI还真能手绘图像,那它背后的技术是什么?

            其实AutoDraw使用了图像识别技术,AutoDraw首先识别出用户用简单线条画出的图形,然后根据识别的结果将『简单线条』替换为系统内置的『准确』图形。通常提及图像识别技术时,人们大多数时候会想到人脸识别、物品识别,现在我们可以了解到同样的图像识别技术,当稍微调整之后可以做出更多有趣的应用。

    image-20200524141743561

    在制图、绘画的设计行业里,需要大量的创意和灵感,AI表现得并不比人类差,同样是艺术领域里的音乐演奏和创作,AI的表现如何呢?

            近日,首个机器人音乐舞台剧《墨甲幻音》上演为清华大学庆生,演员有竹笛机器人,箜篌机器人和排鼓机器人,奏响了科技和文化的琴瑟和鸣。

    image-20200524141817198

            但是,这可不是AI初次展露在音乐中的天赋,深圳平安科技在“全球AI艺术大赛(Global AI Art Competition)”的作品《青春记忆》荣获大赛最高荣誉一等奖。它可是由人工智能完全创作的音乐,无论是制曲还是填词。

            那它是如何制造出来的呢?它学习了5万多首相同风格的音乐作品,10万多篇流行音乐歌词和诗歌,通过深度神经网络学习特征,制作出曲和词,然后再学习一个深度模型将曲和词联合起来。

            人工智能已经称为一种可行的工具,帮助音乐创作人创造出更多佳作。流行歌手泰伦萨瑟恩(Taryn Southern)与AI合作,共同打造她的首张专辑《I AM AI》。


    以上这些需要用脑的工作都能交给人工智能完成,还做得不比人类差。那么,那些重复性劳动程度高的体力活就更不用说了。我们来看看需要大量人力支持的物流行业是如何利用AI的?

    AI对物流行业和工业行业的影响

            京东早就用上了物流机器人。

            在东莞麻涌的一个京东分拣中心,原来的300位分拣员工,被裁到了仅剩20人,而这个裁员还将继续。

    那谁负责去派送呢?

            去年开始,京东的无人车就在北京的6所大学完成了第一次的派送任务。原本由快递小哥负责的派送工作,现在也换成了人工智能。

            不需要担心无人车会送错、延误等等,这辆无人车配置多种传感器结合计算机视觉技术一路上能360度感知路况,比人类派送员还要靠谱。

            感慨这世界变化太快?其实,在你的视线范围之外,还有更多行业正在受到人工智能的冲击。物流行业如今朝着无人化、自动化发展,工厂和生产流水线就更不用说了。你知道上海通用金桥工厂的凯迪拉克轿车是如何生产出来的吗?繁重劳累的焊接工作,在机器人的手中如同拈花般轻松自如。

            偌大的车间内,只有10多位工人,他们管理着386台机器人,每天与机器人合作生产80台凯迪拉克。


            无论是AI制图、制曲、写作、考试、阅卷、快递派送、无人车间都依靠【技术】的支撑,而【应用】上的更高需求使得技术得以迭代优化。

            我们从人工智能在传统行业中的应用中探索AI的本质,除此之外,我们还需想想看,用AI既节省成本,又提高效率,有哪个聪明的企业家不会选择使用人工智能替代人力的重复性劳动呢?

            这下,你能明白为什么我说,在不久之后,大家的“烦恼”都将不复存在了吧。

            全球最权威的咨询公司麦肯锡的研究报告称:预计到2030年,人工智能的发展,将有7500万至3.75亿人需要重新找工作。

            这意味着全球每100人中,就有3~14个人需要另谋出路。

            在18年西班牙世界零售大会上,刘强东说“未来京东,百分之百无人化运营,未来的京东将是一家自动化运营的企业,京东将在未来的十年里,把现在的16万员工减少到8万。”

            在这样的背景下,有的人会想我的工作也不一定会被机器替代,且行且看不着急,但我想说的是:科技不一定只意味着淘汰,更多是机会和价值。

            人工智能简而言之:人工智能 = 技术 + 应用。



    (后续待补充)
    展开全文
  • 人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它正在影响我们生活的方方面面,你知道多少呢?    1.提升医疗...

    人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它正在影响我们生活的方方面面,你知道多少呢?
      
        1.提升医疗诊断准确率
      
        即便是最有能力和经验的心脏病专家,也只能在4次看诊中做出3次准确的诊断。对于其他医师,准确率更低,接近二分之一。英特尔® Saffron™ 人工智能(AI)分析了心电图的 10,000 个特性,将心脏病诊断的准确率提高到了 90%。
      
        2.揭露保险金融诈骗
      
        保险行业是有利可图的诈骗目标。通过使用人工智能(AI)的“相似性原因分析”(可查找索赔中的相似性和模式),保险行业调查员可以发现以前隐藏的诈骗。在模型建立后的10小时内,英特尔® Saffron™ 平台发现了一年内造成超过 240 万美元损失的多笔诈骗。
      
        3.人工智能(AI)帮助寻找失踪儿童
      
        一个专门搜索失踪儿童的 25 人团队,每天收到大约 22,000 条线索。通过使用人工智能(AI)来分析案例,该组织能够更快地将潜在线索提供给相应的权威机构。
      
        4.提高工厂产出
      
        零件损坏时,制造商每分钟可能会损失数千美元。Fero Labs 与英特尔合作加速机器学习模型,以便保持机器人运转,降低材料成本以及改进产品质量。借助这一由英特尔提供技术支持的人工智能(AI)平台,一个一般的工厂预计每年可以节省数百万美元的费用。
      
        AI在制造业中的未来
      
        这些年随着人工智能(AI)的快速发展,引起了产业公司的关注,通过应用与AI技术的组合,制造业工厂可以更好的提升生产效率、改善灵活性、降低成本等,甚至促进自优化运营,据分析发现,通过AI的使用可以降低制造业的20%成本,而降低的这些成本中有70%是来自于劳动生产率。同时制造业还可以通过AI技术的运用来为客户开发生产定制型的创新产品,并且交货周期也大幅度的减短。可以说AI技术的运用在未来制造业中是不可缺少的,也是离不开的。
      
        人工智能这么厉害,那该怎么办,如何应对呢?既然趋势不可避免,小编建议当下应该做的是:学习人工智能的相关知识,不要把他当敌人,而是当合作的伙伴,去了解他,适应他,拥抱他。
        人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
    1.人工智能时代,AI人才都有哪些特征?
    http://www.duozhishidai.com/article-1792-1.html
    2.大数据携手人工智能,高校人才培养面临新挑战
    http://www.duozhishidai.com/article-7555-1.html
    3.人工智能,机器学习和深度学习之间,主要有什么差异
    http://www.duozhishidai.com/article-15858-1.html


    多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

    多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
    展开全文
  • 人工智能时代的工作与学习---《人工智能》阅读笔记。
  • 人工智能AI)的模式识别、机器学习和深度学习 模式识别(pattern recognition)、机器学习(machine learning)深度学习(deep learning)代表三种不同的思想流派。模式识别是最古老的(作为一个术语而言,...
  • 一、人工智能基本概念 1.1 基本概念 数据分析:历史规律的展现、未来数据的预测。 机器学习:机器学习是...人工智能:Artificial Intelligence, AI,亦称机器智能,是指利用计算机来人的意识、思维信息过程、...
  • 人工智能、机器学习和深度学习之间区别 文章摘要: 搞清三者关系的最简单方法,就是把它们想象成一个同心圆,其中人工智能最大。 本文由挚
  • 一篇文章看懂人工智能、机器学习和深度学习

    千次阅读 多人点赞 2019-05-15 10:53:10
    在下文人工智能和AI可能会交替使用,但是意思是一样的。 不少人这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。为了帮助大家更好地理解这些概念,在这篇文章中我讲尽量用最简单的语...
  • 人工智能机器学习和深度学习的区别 有人说人工智能AI是未来趋势人工智能是科幻人工智能是我们日常 生活的一部分这些表述都没问题就看你指的是哪一种人工智能 今年早些时候Google DeepMind 的 AlphaGo 打败了韩国的...
  • 机器学习和大数据将彻底颠覆商业和生活,如果你见识过大数据的威力,你就会意识到几乎所有的商业领域都将被机器学习和大数据颠覆,如果你还没有行动,就会被竞争对手远远地甩掉。 今天无论是网络安全公司、金融企业...
  • 在将来不懂人工智能就像现在不懂操作电脑的人一样,会被社会淘汰;而掌握了人工智能技术的人,则可能引领世界。...但其实只要你按照我编写的这一系列学习路线,静下心来一步一步学习,相信你很快就能学会人工智能了。
  • 人工智能、机器学习和深度学习的区别? 人工智能浪潮正在席卷全球,诸多词汇时刻萦绕在我们耳边:人工智能(Artificial Intelligence)、机器学习(Machine Learning)、深度学习(Deep Learning)。不少人这些...
  • 作为消费者,我们已经体验到了人工智能对我们生活影响。接下来,我们将看到“开箱即用” 式的人工智能和机器学习解决方案的企业应用情形。异常检测、事件关联容量预测的应用情形?是的,由它们来接手。具备机器...
  • 人工智能-机器学习笔记 定位 作为人工智能领域(数据挖掘/机器学习...知道人工智能和机器学习、深度学习三者之间的关系 1 人工智能应用场景 2 人工智能小案例 案例一: 参考链接:https://quickdraw.withgoogle.c
  • 最近参加了百度云智学院的AI学习课程,下面是课程链接: 人工智能全栈学习路线 课程内容通俗易懂,下面是我在学习的过程中整理的笔记 AI趣味课堂 人工智能基础知识 计算机视觉 自然语言处理 语音任务 人工智能发展...
  • 说到人工智能对我们普通人生活影响,相信大家都能感受到。指纹识别,人脸识别,视网膜识别,虹膜识别,专家系统,智能搜索,定理证明等等。可以说人工智能活跃在各个领域,帮助人类高效的处理繁杂枯燥、技术含量较...
  • 特别是关于人工智能。企业正在以惊人的速度利用人工智能。根据 BI Intelligence 的报告,到 2020 年,将有 80% 的公司使用 AI 聊天机器人。这是人工智能可以为您的中小型企业带来的五个优势。 市场趋势有多快发展?...
  • 人工智能AI、机器学习模型理解

    万次阅读 多人点赞 2018-10-22 22:05:00
    人工智能就是机器学习和大数据; 机器学习是什么:就是算法模型; 算法模型是什么: 俗地说,模型就是机器学习采用的算法。“模型文件”一般说的是这个算法用到的各种输入、输出数据的值。 因为机器学习往往需要...
  • 不少朋友常常问,人工智能、机器学习和深度学习三者怎么区别,他们的有什么关系?因此,大圣众包(www.dashengzb.cn)小编为了让大家不再混淆,我们一起来看看专家的详细讲解,一一揭秘!  人工智能是最早出现的...
  • 人工智能英文缩写为AI,它是研究、开发用于模拟、延伸扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学研究领域的一个重要分支,又是众多学科的一个交叉学科,它企图了解智能的...
  • 通过易于理解的演示教程视频,您很快就可以立即掌握人工智能,机器学习和计算机科学的基础知识。 YouTube上的机器学习教程 Siraj Raval:人工智能学院是一个不断发展的学习社区,旨在为任何人提供免费的世界级...
  • 朋友聊天,我总是很兴奋地跟他们说,人工智能影响我们生活的方方面面。他们也都表示同意,因为现在的人工智能太火了。但是,但是一般他们都会说人工智能貌似没有影响到我们的生活。言外之意,人工智能离真正影响...
  • 能落地的都是NB,不能落地...以下是人工智能发展值得关注的六个领域,电子产品服务的未来将会产生巨大的影响。我将解释它们是什么、为什么重要、如何被运用,以及列举相关技术领域的公司。 01强化学习Reinforceme
  • 人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支,它企图了解智能的实质,并...
  • 斯坦福「AI百年研究」首份报告:2030年的人工智能生活 2014 年秋季,人工智能百年研究(One Hundred Year Study)项目启动,这是一项对人工智能领域及其人类、社区、社会影响的长期学术研究。这项...
  • ai人工智能的本质未来Chinese philosophy yin and yang represent how the seemingly opposite poles can complement each other and achieve harmony.中国的阴阳哲学代表着看似相反的两极如何相互补充,实现和谐...
  • 回顾前二十年 ...关于未来趋势,媒体的说法众说纷纭,但综合国内国外科技巨头企业的动态以及各国的产业发展扶持政策,总的来说,人工智能、产业互联网大数据与算法将是未来十年甚至是几十年的发展.
  • 人工智能是现在普及的最...因为人工智能是隐藏我们平时用的手机里,就比如说手机地图会根据你的目的地推荐最近的路线其他各种方案,这就是人工智能最基本的表现。 但是你们对于人工智能是干什么的,或者...
  • 智能城市生活服务:电影买票,订机票泰国旅游,购买地铁票,免押金入住酒店。所有的便利化都是依托于场景,所以AI离不开场景。人们在享受各种服务的同时,产生了海量的数据,通过这些数据,人进行多维度刻画,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 88,410
精华内容 35,364
关键字:

人工智能对学习和生活的影响