东方时讯网
一旦他们了解了它，就不再认为它是AI。一旦对机器人技术有了充分的了解，它就不再是AI，而成为了自己的分支。一旦了解了计算机视觉，它就会变得独立。语音识别和自然语言处理也遵循这条路线。”也许是，机器学习，即使用复杂的数学运算法则进行插补的科学，是唯一一个众所周知的领域，但对AI如此重要，以至于分离会使AI失去意义。潜在功能。正是由于这种特殊的地位，我们有时会出现诸如“ AI和机器学习”之类的口号，有点像说“数学和微积分”。
机器学习(包括更著名的分支“ 深度学习 ”)当然至关重要。机器学习算法在许多AI领域都很常见，它们的奥秘在于它可以帮助机器从一些晦涩的输入中猜测出所需的结果。将数据集加载到模型中，瞧-您可以获得预测。ML实现了这一目标。媒体收到消息。如果您最近读过最受欢迎的文章，您可能会相信AI会神奇地解决所有问题。总体配方对故障是无用的–收集数据集，找到可以插值问题复杂性的ML算法，训练模型并收集现金。简单。
然而，正如任何真正的AI从业者所知，机器学习虽然至关重要，但并不是问题的核心。Google ML研究人员发表的一篇具有开创性的NIPS论文深入解释了机器学习只是构成AI应用程序的一小部分。大部分工作围绕着优化管道，收集干净的数据和提取对ML模型而言可口且在动态环境中可维护的功能。这在自然语言理解中尤其明显，在自然语言理解中，为了提取可归类到分类器模型的特征，需要解决拼写错误，词干，停用词，歧义的实体引用，可能要看上下文，了解人们经常使用虚构的东西。单词，请为逐渐变化的词汇和主题分布以及许多其他事物做好准备。
有人可能会问，为什么不完全跳过该步骤并将任务加载到功能强大的深度学习框中?当然，我们可以权衡建模数据的复杂性，以便在培训阶段花费更多时间?好吧，祝你好运。您是否尝试过预测树木年轮的天气?它们是相关的……您的机器应该能够找到一条到另一条的路径。问题是，您可能会在发生的时候长时间在地下安息。某些用于根据天气影响更大的信号来预测天气的功能最强大的超级计算机仍然做出不准确的预测。有一个原因–计算中的指数复杂性不是开玩笑。
这是领域专业知识不可估量的地方。简而言之，人类专家可以通过提供机器的快捷方式来修剪许多不必要的计算。这是通过使用多年来在特定领域中积累的知识的专家对推理路径进行建模来完成的。继续使用NLU，一个很好的例子是使用来自语言学的信息(例如语音部分，句子结构(即，语法分析树)，正字法等)来丰富数据。要了解其好处，请考虑如何有效地管理复杂的项目。您要做的第一件事是分解并建立中间里程碑。它们的范围更小，更易于定义，因此更容易实现。然后，实现更大的整体将减少到达到每个中间里程碑，从而更易于定义和跟踪。
但是建模不仅仅是捷径。支持对数据集进行训练的支持者忽略了很多领域，在这些领域中甚至很难定义如何编译用于训练的数据集。这意味着将很难向注释者(用预期结果标记数据集的注释者)解释如何为每个数据样本得出预期结果的逻辑。有时，标签的含糊不清使事情复杂化。有时，分析输入数据非常复杂-完全不可能向人类提供所需的感觉数据。在物理世界中，某些测量值可能会对注释者造成危险(例如，如果您输入的是气体)。这些情况中的每一种都会立即使收集数据的整个过程从一开始就不可行。
也许值得重新审视所有从人工智能“分支”下来的领域。其中一个共同的主题是数量惊人的领域建模和知识。例如，机器人技术依赖于运动物理学，力学，材料，电气工程，光学和其他更基础的科学。尽管最终结果可能是将图像馈送到CV单元中，但实际上大多数“魔术”都在此之前发生。换句话说，完全不是ML构成了“神奇的” AI应用程序，而是描述了系统进行预测的领域的公理，定理，测量，调整等的混合。ML只是锦上添花。这些领域的应用程序不再依赖机器将输入与输出相关联，而是将领域知识放在首位，从基础规则到复杂的系统，建立他们的技术自下而上，可能将ML与某些步骤联系起来。它们的整体构成始终由域逻辑驱动。
这样做的好处很多。首先，您不再需要过多地依赖手动数据收集，正如我们所讨论的那样，手动数据收集到处都是约束和错误。这样可以更全面地覆盖您的域。试想一下您想要的是2个数字相乘的规则还是列出了不同对的可到达数字对的乘积的无穷表?其次，您可以向最终用户解释推断。
无需突出显示反向传播在第7个隐藏层上的进行方式，而是可以说明这是具有真实英文名称的某个域功能，对结果的影响最大。第三，它可以使产品的组装更清洁，并能够以更优化的实施方式替换组件。尝试使用ML管道来做到这一点!(这是值得再次阅读上述NIPS论文的地方)
那你可能会问什么呢?到目前为止，您可能已经同意领域建模对于有效实施至关重要。您决定聘请领域专家并继续工作。还有更多吗?是! 由于领域建模对于AI应用程序至关重要，因此它还可以充当指南针，以查找尚未开发的新颖AI应用程序!换句话说，寻找新的机会，寻找一个领域，在该领域中，很难收集数据，而一般域环境却被很好地理解，而缺乏自动化。正是在这些空间中，人们可以使用一个简单的ML桥梁缩小两个领域知识集群之间的微小差距，并突然获得令人印象深刻的结果。而且，与“我们将所有事物与所有人群相关联”不同，您将拥有完整的域覆盖，更好的描述能力以及最终的优势。