Canlı yayın bile McJia Yangqing, anladığı dört büyük yapay zeka iniş sorunundan bahsediyor | "Salgın" teknoloji açık sınıfına saldırmak
Makine öğrenimi modeli açısından, kabaca iki geliştirme dalgası yaşadı: Sığ Öğrenme ve Derin Öğrenme.
1980'lerde, yapay sinir ağlarının geri yayılma algoritmasının ortaya çıkışı (Geri Yayılma algoritması veya BP algoritması olarak da bilinir), yapay bir sinir ağı modelinin bilinmeyen olayları tahmin etmek için çok sayıda eğitim örneğinden istatistiksel yasaları öğrenmesine izin verdi. İstatistiksel modellere dayalı makine öğrenimi turu.
O zamanlar, yapay sinir ağı, Çok Katmanlı Algılayıcı olarak adlandırılmasına rağmen, aslında yalnızca gizli bir düğüm katmanının sığ bir modelini içeriyordu.
1990'larda, destek vektör makineleri ve güçlendirme gibi çeşitli sığ makine öğrenimi modelleri birbiri ardına önerildi. Ancak bu modellerin yapısı temelde bir gizli düğüm katmanına (SVM, Boosting gibi) sahip veya gizli katman düğümü (LR gibi) içermiyor olarak görülebilir. Ancak bu modeller hem teorik analizde hem de uygulamada büyük başarılar elde etti.
Aynı zamanda, makine öğreniminin bir dalı olarak derin öğrenme, kısa bir zafer dönemi yaşadı ve ardından aşırı uyum ve yavaş eğitim gibi sorunlar nedeniyle hızla sessizliğe büründü.
O sırada bankta oturan araştırmacı, daha sonra derin öğrenmenin babası olarak bilinen Geoffrey Hinton'du. Çaba karşılığını veriyor. Hinton nihayet pratik bir Derin Öğrenme çerçevesi önerdi. Araştırmasında, mükemmel özellik öğrenme yetenekleri ve çoklu gizli katmanlara sahip yapay bir sinir ağı ve "Katmanlı Ön Eğitim" (Katman Bilge Ön Eğitim ) Derin sinir ağlarını eğitmenin zorluğunu aşar. Sonuç olarak, derin öğrenme, makine öğrenimi geliştirme dalgasını yeniden başlattı.
Geleneksel sığ öğrenmeden farklı olarak, derin öğrenmenin farkı, model yapısının derinliğini vurgulaması ve özellik öğrenmenin önemini açıkça vurgulamasıdır. Bununla birlikte, derin öğrenmenin ortaya çıkışı, sığ öğrenmenin oynadığı rolün yerini almamıştır. Günümüzde, sınıflandırma ve regresyon gibi çoğu öğrenme yöntemi sığ yapı algoritmalarıdır ve derin öğrenme bir zamanlar AI zamiri haline gelmiştir.
Bununla birlikte, ister sığ öğrenme isterse derin öğrenme olsun, pratik uygulamalarda algoritma ve mühendislik düzeyinde birçok sınırlama vardır ve bu da yapay zekanın uygulanmasına zorluklar getirir.
Zorluklar her zaman fırsatlarla birlikte var olur. Derin öğrenmenin zincirlerinden kurtulmuş olan yapay zeka, gelecekte nasıl gelişecek?
Geçtiğimiz Nisan ayında, "Ali'nin yeni üyesi" olan Caffe'nin babası Jia Yangqing, dahili olarak yapay zekanın gelişimi hakkındaki düşüncelerini ve görüşlerini paylaştı. Bunlar arasında, geleneksel sistemlerin, mimarilerin ve diğer bilgilerin yanı sıra bilgisayar yazılımı mühendisliği uygulamalarının yapay zekaya getireceği yeni fırsatları vurguladı:
-
Yazılım verimliliğinin iyileştirilmesi. Geleneksel AI çerçeveleri, elle yazılmış yüksek performanslı kodlardır, ancak modeller çok değişkendir ve yeni donanım platformları birbiri ardına ortaya çıkmaktadır. Derleyici teknolojisi ve geleneksel yapay zeka arama yöntemleriyle AI çerçevelerini optimize etme potansiyelini gördük.
-
Platform entegrasyon yeteneklerinin iyileştirilmesi. Büyük ölçekli uygulamalarda, veri miktarı çok büyüktür, model çok karmaşıktır ve kümeler, makine öğrenimi platformum ve müşterilere bulut üzerinden sağlanan hizmetler için zorluklar oluşturan çeşitli zamanlama zorluklarına sahip olacaktır.
-
Yazılım ve donanım ortak tasarım yeteneklerinin iyileştirilmesi. Derin öğrenmenin bilgi işlem modeli (CNN gibi) sağlamlaşmaya başladığında, yeni donanımın ve özel donanımın (ASIC gibi) avantajları ortaya çıkmaya başladı. "Donanım çıktı, program yazmayı bilmiyorum" veya "model değişti, donanım çıktığında modası geçmiş" gibi sorunları önlemek için yazılım ve donanımın ortak tasarımının nasıl gerçekleştirileceği önümüzdeki birkaç yıl için büyük bir yön olacak.
Ona göre, hızlı yinelemenin getirdiği çok sayıda fırsat ve zorluk çok heyecan verici.İster deneyimli bir araştırmacı ister yeni bir yapay zeka mühendisi olsun, günümüzün bulut ve akıllı çağında, algoritmayı hızlı bir şekilde öğrenebilir ve yenileyebilirseniz Mühendislik ve mühendisliğin zorlukları, algoritma yeniliği yoluyla toplumun tüm alanlarına öncülük edebilir ve onları güçlendirebilir.
Daha sonra, büyük ölçekli AI uygulamasına yönelik mevcut talep karşısında, AI mühendisleri zorluklara nasıl yanıt verebilir ve fırsatları nasıl yakalayabilir?
20 Şubat (bu Perşembe) 19:00, Ali CIO Academy CSDN Ortaklaşa başlatılan "salgın" teknolojisi üzerine kamu refahı eğitiminin ikinci oturumunda, Alibaba Grup Başkan Yardımcısı Jia Yangqing'i son yıllarda yapay zeka algoritmaları ve sistemlerinin evrimini tartışmak için size bir diyalog daveti göndermeye davet ediyoruz. Yapay zekanın tanımından çağdaş gelişime kadar konuşacak ve şu anda sektörde popüler olan derin öğrenme, sığ öğrenme ve gelişmiş öğrenmeyi derinlemesine yorumlayacak, aynı zamanda ürün formlarını ve kullanıcı senaryolarını teknik bir bakış açısıyla açıklayacak.
Bu canlı yayın aracılığıyla Jia Yangqing, canlı yayında aşağıdaki dört yapay zeka sorununa odaklanacak:
-
Derin öğrenmenin ve sığ öğrenmenin avantaj ve dezavantajlarının analizi
-
Derin öğrenmenin ve sığ öğrenmenin iş uygulamalarında iniş etkisi
-
Bulut kullanıcıları AI sorunlarını nasıl çözer?
-
Alibaba'nın Feitian AI platformu nasıl gerçekleştirilir?
"Salgın" teknik kamu refahı eğitiminin ilk kayıt ve yayın adresi: https://edu.csdn.net/huiyiCourse/detail/1156, konuk: Alibaba Cloud Intelligent Business Group Veritabanı Ürün Bölümü Başkanı Li Feifei
Kayıtlı ortaklar için çok sayıda interaktif hediye hazırladık:
Konferansa nasıl kayıt olunur?
