我从吴恩达AI For Everyone中学到的十个重要AI观
寫在前面
在這個人機共存的年代,每個人都應該去嘗試了解并運用人工智慧這個超能力,思考自己未來在這個變化快速的世界的定位?
曾經(jīng)領導Google Brain 的吳恩達教授公開的Coursera 課程:AI For Everyone[1]非常有意義。這堂課不談技術(shù)術(shù)語,專注在與非技術(shù)人士以及企業(yè)經(jīng)理人說明?
何謂AI?
如何建立AI項目?
如何在企業(yè)內(nèi)部建立AI基礎?
AI與社會的關系?
課程內(nèi)容精要,總結(jié)了不少他多年在Google Brain、百度里領導AI 團隊所累積的寶貴經(jīng)驗這堂課也提到了不少AI Transformation Playbook[2] 里頭的內(nèi)容。
雖然課程中很多時候是以CEO 或是企業(yè)管理者的角度說明AI 概念,但我認為每個人都可以用個人角度,從本課學到不少有用的建議以及思考框架。有了這些概念,可以幫助我們在這個變化快速的AI 潮流中掌握好自己手上的船舵并順利航行
本文將列舉出我認為本課中最值得記住的10個AI觀,希望能讓你學到些東西。
這篇不少概念是我自己的心得總結(jié),而你在上完課后肯定會有其他重要見解。事實上,我會推薦你在閱讀本文后就找時間實際去上這堂課,或是通過其他方式進一步了解AI
30秒AI大局觀
以下就是10 個我認為AI For Everyone 這堂課傳達的重要觀念懶人包。如果你一秒鐘幾十萬上下,可以只看這節(jié)就好:
講到AI,我們通常是指狹義AI而非通用AI
多數(shù)AI應用是讓機器學會一個對應關系
大數(shù)據(jù)、神經(jīng)網(wǎng)絡及運算能力是AI成功關鍵
只需花費你1秒的任務,大都可由AI自動化
對AI的態(tài)度不應過度樂觀,但也不必太悲觀
AI偏見難解,但或許比消除人類偏見簡單
擁抱AI的最好方法是將其與領域?qū)I(yè)結(jié)合
機器學習和資料科學的產(chǎn)出分別是系統(tǒng)和洞見
AI時代,你得思考未來自己想要扮演的角色
終身學習在這個年代前所未有的重要
是的,既然是AI For Everyone,自然沒有什么特別深入的內(nèi)容。但就像吳恩達教授在課程里頭所說的,我相信這些基本的核心思想可以引導我們在這個AI 時代更有方向且順利地前進。
本文接著會搭配課程PPT,針對上面提到的一些概念做點簡單的補充說明,供你參考。
AI For Everyone
1、講到AI,我們通常是指狹義AI而非通用AI
現(xiàn)在媒體整天報導的人工智能(Artifical Intelligence, AI)應用如:
智慧音響
自動駕駛
人臉辨識
圖像分類
推薦系統(tǒng)
機器翻譯
背后皆是狹義的AI(Artificial Narrow Intelligence, ANI)。
盡管很多AI 應用的表現(xiàn)甚至已經(jīng)比人類還優(yōu)秀,這些AI 基本上都專注在完成「特定」的任務;這跟科幻電影如魔鬼終結(jié)者里頭,能跟人類以一樣的方式思考并做「任何」事情的通用AI(Artificial General Intelligence, AGI)是有很大差異的。
盡管開發(fā)出AGI 是很多研究者的終極夢想,但事實上現(xiàn)行的科技離實現(xiàn)AGI 還有好一段距離。
2、多數(shù)AI應用是讓機器學會一個對應關系
大部分的機器學習以及AI 應用本質(zhì)上都是讓電腦學會一個映射函數(shù)(Mapping Function),幫我們將輸入的數(shù)據(jù)A 對應到理想的輸出B:
郵件分類:電子郵件->是否為垃圾郵件
語音辨識:音訊檔案->文本
機器翻譯:英文文本->中文文本要實現(xiàn)這種AI應用,最常被使用的方法是監(jiān)督式學習(Supervised Learning):給予機器大量的成對數(shù)據(jù),告訴它什么樣的A要對應到什么樣的B,并讓機器最后自己學會如何將任意的A轉(zhuǎn)換成理想的B,達到自動化的目的。
3、大數(shù)據(jù)、神經(jīng)網(wǎng)絡及運算能力是AI成功關鍵
要實現(xiàn)能幫助人類做復雜判斷的AI技術(shù)有很多種,但近年真正讓AI大紅大紫的是深度學習(Deep Learning)以及人工神經(jīng)網(wǎng)絡(Artifical Neural Network)
值得一提的是,你或許常聽到「神經(jīng)網(wǎng)絡跟人腦運作方式相同」的這種說法,但事實上如果你問相關人士對這種意見的看法的話,得到的答案常常是「兩者天差地遠」。
盡管神經(jīng)網(wǎng)絡的運作方式跟我們神奇的大腦不完全一致,搭配大量數(shù)據(jù)以及前面提到的監(jiān)督式學習,越大的神經(jīng)網(wǎng)絡通常可以在特定任務有越好的表現(xiàn)。
雖然這樣的現(xiàn)象令人振奮,但別忘記
大型神經(jīng)網(wǎng)絡的運作
大量數(shù)據(jù)的處理
這兩件事情都意味著需要更大量的電腦運算能力。而很多時候一般人是沒有這樣的運算資源的。
值得慶幸的是,很多以深度學習為基礎的AI常常有個很好的特性:透過遷移學習(Transfer Learning),我們能將事先已經(jīng)用大量計算資源做訓練,并在任務A表現(xiàn)優(yōu)異的AI做些簡單修改,就能讓修改過后的AI'能在相似的任務B也表現(xiàn)不錯。這時候就算你只有少量數(shù)據(jù)以及不多的計算資源,也能利用AI完成以往難以想像的任務。
4、只需花費你1秒的任務,(未來)大都可由AI自動化
這項概念是吳恩達教授在課程里所提到的「一秒原則」,可以讓你用來判斷一個任務是否能用AI做自動化的準則。通過監(jiān)督式學習以及大量成對A&B數(shù)據(jù),我們可以讓很多以往被認為非常復雜,但人腦僅需1秒鐘就能解決的任務透過AI來自動化,讓我們的生活更加輕松。
當然,這個簡化的原則并不是放諸四海皆準,但可以做為一個不錯的參考基準。
5、對AI的態(tài)度不應過度樂觀,但也不必太悲觀
盡管我們已經(jīng)清楚現(xiàn)代AI 的威力,仍需注意AI 并不是萬能藥,無法(完美地)解決或自動化所有人類的問題。
比方說有研究嘗試把自然語言轉(zhuǎn)成SQL,但短期內(nèi)一個數(shù)據(jù)科學家自己寫SQL查詢數(shù)據(jù)可能還是比較有效率。盡管AI不能(完美地)做到任何事情,我們也不該對AI失望,斷定下一個AI冬天必定會到來。現(xiàn)在可以肯定的是AI已經(jīng),而且也會繼續(xù)改變我們未來以及下一代的生活型態(tài)。
最重要的是理性地理解AI 能做到什么,在能活用的時候善加利用它,同時不抱著「AI 能解決所有問題」的不切實際幻想。
6、AI偏見難解,但或許比消除人類偏見簡單
在利用監(jiān)督式學習的方式訓練AI 的時候,我們常常會使用現(xiàn)實世界的數(shù)據(jù)讓機器學習。
好消息是因為現(xiàn)在數(shù)位化以及網(wǎng)際網(wǎng)絡的發(fā)達,我們有非常多數(shù)據(jù)可以交給AI 學習;壞消息是這些數(shù)據(jù)時常反映了人類數(shù)十年甚至幾個世紀的偏見。
用這些數(shù)據(jù)訓練出來的AI 系統(tǒng)就像是面照妖鏡,也會不可避免地學會這些偏見(Bias)。
知名的例子有:
以白人照片訓練出來的人臉辨識系統(tǒng)在辨識深色膚色的人種時表現(xiàn)很差
自動化雇用的AI系統(tǒng)對女性存有偏見
銀行的自動信用評比AI系統(tǒng)對某些族群產(chǎn)生偏見
以下則是另一個課堂中提出的例子:上例或許稱不上歧視,但很明顯是偏見,一種長久存在于人類社會的性別偏見。
因為很多時候這些AI 系統(tǒng)是學習一種統(tǒng)計關系,因此在此例中,AI 只是忠誠地呈現(xiàn)我們社會的用字習慣罷了。
要消除AI的這些偏見并不容易,但仔細想想,這可能比消除人們腦中數(shù)十年的偏見要來的簡單,而且振奮人心。這件事情當然不簡單,但卻非常值得一試。
當然,你可以選擇不思考這些AI倫理、偏見問題,相信建立AI系統(tǒng)的這些工程師們立意良善以及夠細心,能幫我們將AI系統(tǒng)里的偏見移除,并讓其做出最合適的判斷。
盡管如此,意識到再厲害的AI系統(tǒng)內(nèi)部也可能存在如同人類的偏見,進而導致各種不公平的社會問題這件事情也是很有幫助的。
7、擁抱AI的最好方法是將其與領域?qū)I(yè)結(jié)合
想要學習AI,不需要打掉重練。雖然現(xiàn)在AI 相關領域十分熱門,究其根本也就只是一種工具/技術(shù)。而且AI技術(shù)接下來會越來越平民化,上手的門檻會越來越低。
因此比起現(xiàn)在轉(zhuǎn)行當AI 工程師,你要先做的應該是想辦法利用自己工作累積的領域知識(Domain Knowledge)以及洞見(Insight),找出能應用AI 改善的地方,進而創(chuàng)造出專屬于你或企業(yè)的競爭優(yōu)勢。
8、機器學習和數(shù)據(jù)科學的產(chǎn)出分別是系統(tǒng)和洞見
機器學習(Machine Learning, ML)以及數(shù)據(jù)科學(Data Science, DS)這兩個詞匯常常結(jié)伴出現(xiàn),且依照不同企業(yè)其定義都有所不同。因此,不在這塊領域里的人常常不知道兩者的差異。
一般來說,在企業(yè)內(nèi)的ML項目大都分為3 個階段:
收集數(shù)據(jù)
訓練模型
部署模型
而DS 項目的步驟則為:
收集數(shù)據(jù)
分析數(shù)據(jù)
建議行動/假說
兩者皆需原始數(shù)據(jù)作為輸入,且皆有機會使用AI / ML技術(shù)來解決、分析問題,但最終的產(chǎn)出形式時常不同。
總結(jié)來說,ML項目較注重在軟件工程方面,且最終希望產(chǎn)出一個以AI為基礎的線上系統(tǒng);DS項目的結(jié)果則可能是一份幫助經(jīng)營者做重大投資決策的PPT報告。
9、AI時代,你得思考未來自己想要扮演的角色
AI 目前正是顯學,不少人決定進入這塊領域,而現(xiàn)在跟AI 相關的職業(yè)就有好多種,比方說:
數(shù)據(jù)科學家
機器學習工程師
機器學習研究者
軟件工程師
數(shù)據(jù)工程師
AI項目管理者
等等。而且隨著AI 的影響力持續(xù)擴大,未來可能還會出現(xiàn)新的相關職業(yè)。我們在這邊不會一一列出每個職業(yè)的工作內(nèi)容。
10、終身學習在這個年代前所未有重要
如同課程中吳恩達教授所說的,你并不需要取得一個AI master 才能開始進行AI 項目。很多時候利用線上課程或是網(wǎng)絡上的深度學習資源就可以開始你的第一個AI項目了。
事實上,學習AI For Everyone 這堂課就是一個不錯的開始。網(wǎng)絡上也有很多優(yōu)質(zhì)的博客或教學文章等待你的探索。
AI 領域近年發(fā)展神速,要學習AI,用上一代「讀幾年書,出來用一輩子」的概念是行不通的。臺大電機系的李宏毅教授就曾說過:「在深度學習的領域,超過五年就是遠古時代了」!
因此如果你決定踏上學習AI 的這條路,就做好跟我一起終身學習的心理準備吧!
結(jié)語
看到這里,相信你已經(jīng)了解AI For Everyone 里頭10 個最重要的概念了,恭喜!
這些概念大多是我將課程里頭擷取出的核心概念,佐以自己的心得感想。希望閱讀完此文的你有學到點東西,或是獲得些啟發(fā)。
本文參考資料
[1]
AI For Everyone: https://www.coursera.org/learn/ai-for-everyone
[2]AI Transformation Playbook: https://landing.ai/ai-transformation-playbook/
-?END?-
往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統(tǒng)計學習方法》的代碼復現(xiàn)專輯 AI基礎下載機器學習的數(shù)學基礎專輯 獲取一折本站知識星球優(yōu)惠券,復制鏈接直接打開: https://t.zsxq.com/y7uvZF6 本站qq群704220115。加入微信群請掃碼:總結(jié)
以上是生活随笔為你收集整理的我从吴恩达AI For Everyone中学到的十个重要AI观的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 【竞赛相关】Kaggle活跃竞赛的最新汇
- 下一篇: 刷了三遍面试题仍拿不到offer?如何掌