Şu anda Wu Enda kuru mallarla dolu yepyeni bir yapay zeka dersi öğretti, tahtaya yazma sürecinin tamamı
Xia Yi derleyin ve organize edin
Qubit Üretildi | Genel Hesap QbitAI
Wu Enda'ya üç beyaz tahta ve bir keçeli kalem verin ve onun harika bir ders vermesini dinleyin.
Şu anda Oreilly'nin düzenlediği AI Konferansı'nda Wu Enda 25 dakikalık bir konuşma yaptı. Tema hala "AI yeni elektriktir" idi, ancak içeriğin çok samimi ve kuru olduğu söylenebilir.
Bu sınıfta, Bay Wu Enda esas olarak şu dört bölümden bahsetti:
-
AI ne yapabilir? Çeşitli algoritmaların ticari değeri nedir?
-
AI ürünleri yaparken nelere dikkat etmeliyim?
-
Nasıl gerçek bir AI şirketi olunur?
-
AI liderleri için tavsiyeler
Esas olarak kelimelere bakarak canlı videonun ekran görüntüsü
Qubit videoyu izledi ve kuru malları aşağıdaki gibi çıkaran bir not yazdı:
Wu Enda'nın öğretmeninin açılış konuşması, yapay zekanın geçmişte elektrik gibi tüm endüstrileri değiştirmeye başladığı yönünde.
Yapay zekayı anlamak için önce ilk bölümümüze girmeliyiz:
AI ne yapabilir?
Şu anda, AI teknolojisinin sağladığı ekonomik katkıların neredeyse tamamı Denetimli öğrenme , A'dan B'ye, girişten çıkışa haritalamayı öğrenmektir.
Örneğin, bir fotoğraf girin, makinenin fotoğrafın siz olup olmadığınızı belirlemesine izin verin ve 0 veya 1 çıktısını alın.
Şu anda en karlı makine öğrenimi uygulaması çevrimiçi reklamcılıktır. Bu örnekte, girdi reklam ve kullanıcı bilgisidir ve çıktı, kullanıcının reklama (veya 0 veya 1) tıklayıp tıklamayacağıdır.
Denetimli öğrenme, tüketici finansmanı, kredi başvuru bilgilerinin girilmesi ve kullanıcının geri ödeme yapıp yapmayacağının çıkarılması alanında da uygulanabilir.
Son birkaç yılda, makine öğrenimi hızlı bir gelişme yaşadı ve bu tür A'dan B'ye eşlemeyi öğrenmede giderek daha fazla usta hale geldi ve büyük ölçekli ekonomik faydalar yarattı.
Aynı zamanda, yapay zekanın ilerlemesi, denetimli öğrenmenin çıktısına da yansıtılır, artık 0 veya 1 sayısıyla sınırlı değildir.
Örneğin, konuşma tanıma görevi aynı zamanda uçtan uca bir öğrenme, ses girişi ve metin çıkışıdır. Yeterli veri olduğu sürece, konuşma tanıma iyi sonuçlar verebilir.
Bu tür algoritmalar sesli arama, Amazon Alexa, Apple Siri, Baidu DuerOS ve daha fazlası için temel oluşturur.
Ayrıca İngilizce girişi ve Fransızca çıkışı için makine çevirisi, metin girişi ve ses çıkışı için TTS (Metinden Konuşmaya) vb. Tüm denetimli öğrenme uygulamalarıdır.
Denetimli öğrenmenin dezavantajı, çok sayıda etiketli veri gerektirmesidir. , Popülerliğini etkileyen.
İnsanlar sık sık bana sinir ağlarının neden bu kadar uzun süredir var olduğunu soruyorlar, ancak yapay zeka ancak son yıllarda hızla gelişmeye mi başladı?
Pek çok insan bu resmi çizdiğimi görmüş olabilir:
Yatay eksen veri miktarıdır ve dikey eksen algoritmanın performansıdır.
Veri miktarı arttıkça, geleneksel makine öğrenme algoritmalarının performansı önemli ölçüde artmazken, sinir ağlarının performansı önemli ölçüde artacaktır.Sinir ağı ne kadar büyükse, performans artışı o kadar barizdir.
En iyi performansı elde etmek için iki şeye ihtiyacınız var: biri büyük miktarda veri ve diğeri büyük bir sinir ağı.
Beyaz tahtayı silin ve konuşmaya devam edin ~
Başka bir soru daha var: Birçok kişi bana şu soruyu soruyor: Makine öğrenimindeki en büyük eğilim nedir? Algoritmalar nasıl değer yaratır?
Şimdi bakıldığında, en fazla değeri yaratan denetimli öğrenmedir.
Bana denetimli öğrenmeden sonra ne olduğunu sorarsanız, Transfer öğrenimi Şimdi pek çok ekonomik fayda yaratmaya başladı. Belki bu konsept yeterince seksi olmadığı için insanlar onun hakkında pek konuşmuyor.
Örneğin, algoritmanız ImageNet gibi büyük bir veri kümesinden görüntü tanımayı öğrenir ve ardından bunu tıbbi görüntüleme teşhisine uygulamak için aktarım öğrenimini kullanır.
ve Denetimsiz öğrenme Bence uzun vadeli çok iyi bir araştırma projesi. Aynı zamanda, özellikle doğal dil işlemede bir miktar ekonomik değer yaratır.
Takviye öğrenme Ayrıca çok ilginç, uzun yıllar çalıştım ve hala bu alanda küçük işler yapıyorum. Ancak, pekiştirmeli öğrenmenin kamuoyu ve ekonomik faydalarının biraz orantısız olduğunu düşünüyorum.
Pekiştirmeli öğrenme, denetimli öğrenmeden çok daha fazla veriye açtır.Güçlendirmeli öğrenme algoritmaları için yeterli veriyi elde etmek çok zordur.
Oyun oynama alanında, pekiştirmeli öğrenme iyi performans gösterir çünkü video oyunlarında algoritmalar sınırsız veri elde etmek için sınırsız sayıda oynanabilir.
Robotik alanında, takviye öğrenme aracısının insansız araçları ve içindeki insansı robotları simüle etmesine izin vererek "oyunu" sınırsız kez tekrarlayan bir simülatör de yapabiliriz.
Oyunlara ve robotiklere ek olarak, pekiştirmeli öğrenmeyi iş ve pratiğe uygulamadan önce daha gidilecek uzun bir yol var.
Şimdi, dört tür algoritmanın yarattığı ekonomik faydalar: denetimli öğrenme, transfer öğrenimi, denetimsiz öğrenme ve pekiştirmeli öğrenme azalıyor.
Elbette bu sadece mevcut durum. Bilgisayar bilimindeki yeni atılımlar birkaç yılda bir değişmeye devam ediyor. Bu dört alandan herhangi birinde atılımlar olabilir ve bu düzen birkaç yıl içinde yeniden düzenlenebilir.
Fark ettiğim bir diğer şey ise, Makine öğrenimi, yapılandırılmış verilere dayanır ve yapılandırılmamış verilerden daha fazla ekonomik fayda sağlar.
Yapılandırılmış veri örneğini ele alalım: Örneğin, veritabanınız kullanıcı işlemlerini kaydeder, kimin neyi ne zaman satın aldığını ve kimin kime bilgi gönderdiğini, bu yapılandırılmış verilerdir.
Görüntüler, ses, doğal dil vb. Yapılandırılmamış verilerdir.
Yapılandırılmamış veriler kulağa daha çekici gelse ve kamuoyu daha popüler olsa da, yapılandırılmış verilerin değeri genellikle sizin şirketinize özel olmasıdır.Örneğin, yalnızca taksi şirketinizin taksi çağırdığında ve ne kadar beklediklerinde kullanıcıları vardır. Zaman böyle bir veri kümesidir.
Bu nedenle, yapılandırılmış verilerin derin öğrenmeyle birleştirilmesinin yaratabileceği ekonomik değeri küçümsemeyin.
Yukarıda bahsedilen çeşitli öğrenme algoritmaları türleri arasında, tek başına denetimli öğrenme, şirketler ve girişimciler için pek çok ekonomik değer ve fırsat yaratmıştır.
Başka bir beyaz tahtayı silin (× 2), devam edin ~
AI ürünleri yaparken nelere dikkat etmeliyim?
İlginç bir eğilim, yapay zekanın yükselişinin şirketler arasındaki rekabetin temelini değiştirmesidir.
Şirketin engeli artık algoritmalar değil, verilerdir.
Yeni bir şirket kurduğumda, özellikle bir döngü tasarlayacağım:
Ürünün başlatılabilmesi için önce algoritma için yeterli veri toplayın, ardından bu ürünü kullanıcıları edinmek için kullanın, kullanıcılar daha fazla veri sağlayacaktır ...
Bu döngü ile rakiplerin sizi kovalaması zor olacak.
Bunun bariz bir örneği var: arama şirketleri. Arama şirketleri, kullanıcıların bu terimi aradıklarında hangi bağlantıyı tıklama eğiliminde olacağını gösteren birçok veriye sahiptir.
Bir arama algoritmasının nasıl oluşturulacağını biliyorum, ancak büyük bir arama şirketinin veri kümesi olmadan, küçük bir ekibin nasıl eşit derecede iyi bir arama motoru oluşturabileceğini hayal etmek zor. Bu veri varlıkları en iyi engellerdir.
Mühendislerin de bunun farkında olması gerekir:
AI'nın kapsamı, denetimli öğrenmeden çok daha geniştir. İnsanların genellikle AI dediği şeyin aslında birkaç tür araç içerdiğini düşünüyorum: makine öğrenimi, grafik modelleri, planlama algoritmaları ve bilgi temsili (bilgi grafikleri).
İnsanların odak noktası, büyük ölçüde diğer araçların sürekli gelişimi nedeniyle makine öğrenimi ve derin öğrenmedir.
Şimdi bir yapay zeka ekibi kurarsam ve yapay zeka projeleri yaparsam, grafik modelleri ve bazen bilgi grafikleri kullanmalıyım. Ancak en büyük fırsat makine öğreniminde yatıyor. Bu, son birkaç yılda atılımlarla en hızlı büyüyen alan.
Ardından, sorunu gördüğüm çerçeveyi sizinle paylaşmak istiyorum.
Bilgisayar veya algoritma ne yapacağını nasıl biliyor? İki bilgi kaynağı vardır, biri veri, diğeri insan mühendisliğidir.
Farklı problemleri çözmek için farklı yöntemler kullanılmalıdır.
Örneğin, çevrimiçi reklamcılıkta çok fazla veriye sahibiz ve çok fazla manuel çalışmaya ihtiyacımız yok. Derin öğrenme algoritmaları iyi öğrenebilir.
Bununla birlikte, tıp alanında veri miktarı çok azdır ve yalnızca birkaç yüz örnek olabilir Şu anda, insan bilgisini tanıtmak için grafik modellerin kullanılması gibi çok fazla insan gücü gereklidir.
Belli miktarda veriye sahip olduğumuz bazı alanlar da var, ancak aynı zamanda özellik mühendisliği yapacak insanlara da ihtiyacımız var.
Elbette mühendislerin nasıl öğrendiğinden bahsetmem gerekiyor.
Pek çok mühendis AI alanına girmek istiyor ve birçok kişi çevrimiçi kurslar alacak, ancak ciddi şekilde ihmal edilen bir öğrenme yolu var: makaleleri okumak ve araştırmayı yeniden üretmek.
Yeterince makale okuduğunuzda ve yeterli algoritma uyguladığınızda, bunların hepsi bilgi ve fikirlerinizle içselleştirilecektir.
Makine öğrenimi mühendislerini eğitmek için önerdiğim süreç şudur: temel oluşturmak için bir makine öğrenimi kursuna (deeplearning.ai) katılın, ardından kağıtları okuyun ve sonuçları yeniden üretin ve ayrıca yapay zeka konferanslarına katılarak kendinizinkini pekiştirin. temeli.
Başka bir beyaz tahtayı silin (× 3)
Nasıl gerçek bir AI şirketi olunur?
Bundan sonra paylaşacağım bu görüş, muhtemelen bugün bahsedeceğim en önemli şey.
Yaklaşık 20-25 yıl önce İnternet çağının yükselişini görmeye başladık ve İnternet önemli bir şey haline geldi.
O dönemden önemli bir şey öğrendim:
Alışveriş merkezi + web sitesi İnternet şirketi
Büyük bir perakende şirketinin CIO'sunu tanıyorum CEO ona bir keresinde şöyle dedi: İnternette bir şeyler satıyoruz, Amazon da internette satıyor. Biz aynıyız.
Hayır.
İnternet şirketleri nasıl tanımlanır? Bir web sitenizin olup olmadığı değil, A / B testi yapıp yapamayacağınız, hızlı bir şekilde yineleyip yineleyemeyeceğiniz ve mühendislerin ve ürün yöneticilerinin karar verip vermeyeceği.
İnternet şirketlerinin özü budur.
Şimdi sık sık insanların "AI şirketi" dediğini duyuyoruz. Yapay zeka çağında şunları da bilmemiz gerekiyor:
Geleneksel teknoloji şirketi + makine öğrenimi / sinir ağı AI şirketi (Seyirci gülüyor)
Şirkette sinir ağlarını kullanan birkaç kişi var ve bu sizi bir yapay zeka şirketi yapmaz.Daha derin değişiklikler olmalı.
Yirmi yıl önce, A / B testinin İnternet şirketleri için ne kadar önemli olduğunu bilmiyordum. Şimdi, AI şirketlerinin özünü düşünüyorum.
Bence AI şirketleri Verileri stratejik olarak alın . Böyle bir yöntem kullandım: bir bölgede bir ürünü serbest bırakmak, ürünü başka bir bölgede serbest bırakmak amacıyla veri elde etmek ve bu ürün, ürünü bir sonraki bölgede serbest bırakmak için veri elde etmek için kullanılır, vb. Tüm ürünler, daha büyük bir hedefe ulaşmak için veri elde etmek için toplanır.
Google ve Baidu gibi büyük ölçekli yapay zeka şirketlerinin çok karmaşık stratejileri var ve birkaç yıla hazırlar.
İkinci nokta daha taktikseldir, şimdi uygulamaya başlayabilirsiniz: AI şirketleri genellikle Birleşik veri ambarı .
Pek çok şirketin dağınık bir çok veri ambarları vardır.Mühendisler bir şeyler yapmak için bu verileri bir araya getirmek isterlerse, 50 farklı kişiyle iletişim kurmaları gerekebilir.
Bu nedenle, birleşik bir veri ambarı oluşturmanın ve tüm verileri bir arada depolamanın iyi bir strateji olduğunu düşünüyorum.
Ek olarak, Evrensel otomasyon ile Yeni iş tanımı Aynı zamanda AI şirketlerinin önemli bir özelliğidir.
Örneğin, mobil İnternet çağında, ürün yöneticileri etkileşimli uygulamaları tasarlarken bir tel kafes çizebilirler:
Sonra mühendis bunu uygular ve tüm süreci açıklığa kavuşturmak kolaydır.
Ama yapay zeka çağında bir sohbet robotu olmak istediğimizi varsayalım, şu anda ürün müdürü bir tel kafes çizip şöyle diyorsa: Bu bir avatar, bu bir sohbet balonu ve sorunu çözmüyor.
Sohbet balonunun neye benzediği önemli değil, bilmem gereken şey, sohbet robotunun ne söylemek istediği. Tel kafesler chatbot projeleri için işe yaramaz.
Bir ürün yöneticisi insansız bir aracın tel kafesini çizip "bunu yapmak istiyoruz" derse, bunun bir faydası olmayacaktır. (Seyirci gülüyor)
Bir yapay zeka şirketinde, ürün yöneticilerinin verileri kullanmayı öğrenmesi ve mühendislerle iletişim kurarken kesin geri bildirim alması gerekir.
AI liderleri için tavsiyeler
Zaman azalıyor. Yöneticiler için tavsiyeler. "Harvard Business Review" makalemi okumaya hoş geldiniz
Etkileşim süresi
Wu Enda tarafından bahsedilen son makaleyle ilgileniyorsanız, QbitAI diyalog arayüzüne yanıt verebilirsiniz: " hbr "Üç harf, adresi alabilirsin.
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin
