人工智能 (AI) 自 20 世纪 50 年代以来就已出现,在过去 60 多年里,其受欢迎程度经历了起起落落。 但今天,随着大数据、高性能并行处理和先进神经算法的爆炸式增长,我们看到了人工智能的复兴——从亚马逊到 Facebook 再到谷歌,公司都在争先恐后地占据领先地位。 人工智能专家罗曼·亚姆波尔斯基(Roman Yampolskiy)表示,2016年是“人工智能增强版”的一年,其爆炸性增长并未停止。
虽然人工智能有多种形式,但机器学习 (ML) 代表了当今最受广泛重视的实现智能的机制。 这就是它的意思。
执行摘要
什么是机器学习? 机器学习是人工智能的一个子领域。 它不是依赖于显式编程,而是一个计算机使用大量数据并应用算法来“训练”(自学)并做出预测的系统。
机器学习什么时候开始流行的? “人工智能”一词是艾伦·图灵在 20 世纪 50 年代创造的。 机器学习在 20 世纪 90 年代开始流行,并在 2016 年 Google 的 DeepMind 击败围棋世界冠军后重新回到公众视野。从那时起,机器学习应用和机器学习的受欢迎程度有增无减。
为什么机器学习很重要? 机器学习系统能够快速应用大数据集中的知识和训练,以擅长面部识别、语音识别、物体识别、翻译和许多其他任务。
哪些行业使用机器学习? 机器学习涉及从政府到教育再到医疗保健的各个行业。 它可供专注于营销、社交媒体、客户服务、无人驾驶汽车等领域的企业使用。 它现在被广泛认为是决策的核心工具。
企业如何使用机器学习? 机器学习的商业应用有很多,但都归结为一种用途:处理、排序和查找人类无法理解的大量数据中的模式。
机器学习的安全和道德问题是什么? 人工智能已经经过训练可以绕过先进的反恶意软件,并且它有可能在未来构成巨大的安全风险。 道德方面的担忧也比比皆是,特别是在失业和允许机器做出道德决策(例如自动驾驶汽车中所需的决策)的实用性方面。
有哪些机器学习工具可用? IBM、亚马逊、微软、谷歌等企业提供机器学习工具。 也有免费的平台。
什么是机器学习?
机器学习是人工智能的一个分支。 其他实现人工智能的工具包括基于规则的引擎、进化算法和贝叶斯统计。 虽然许多早期的人工智能程序,例如 1997 年在国际象棋比赛中击败加里·卡斯帕罗夫的 IBM 深蓝程序,都是基于规则并依赖于人类编程,但机器学习是一种工具,计算机通过它能够自学并设定自己的规则 。 2016 年,谷歌的 DeepMind 通过使用机器学习(在专家走棋的大数据集上进行自我训练)击败了围棋世界冠军。
机器学习有几种类型:
在监督学习中,“训练者”将向计算机呈现某些规则,这些规则将输入(对象的特征,例如“平滑”)与输出(对象本身,例如弹珠)连接起来。
在无监督学习中,计算机接受输入,然后自行发现模式。
在强化学习中,计算机系统连续接收输入(例如,无人驾驶汽车接收有关道路的输入)并不断改进。
训练机器学习算法需要大量数据。 首先,必须标记“训练数据”(例如,照片上附加的 GPS 位置)。 然后它就被“分类”了。 当相关对象的特征被标记并使用一组导致预测的规则放入系统时,就会发生这种情况。 例如,“红色”和“圆形”是系统的输入,导致输出:Apple。 类似地,学习算法可以单独创建自己的规则,当它提供大量对象(例如一组苹果)时,该规则将适用,机器会发现它们具有“圆形”和“圆形”等属性。 红”的共同点。
机器学习的许多案例都涉及“深度学习”,这是机器学习的一个子集,它使用分层算法,形成一个网络来处理信息并进行预测。 深度学习的独特之处在于系统可以自行学习,无需人工训练。
机器学习什么时候开始流行的?
机器学习在 20 世纪 90 年代很流行,最近又重新兴起。 以下是一些时间表要点。
2011年:谷歌大脑诞生,这是一个可以识别和分类物体的深度神经网络。
2014年:Facebook推出DeepFace算法。 该算法可以从一组照片中识别人物。
2015年:亚马逊推出了机器学习平台,微软提供了分布式机器学习工具包。
2016 年:谷歌的 DeepMind 程序“AlphaGo”在复杂的围棋游戏中击败了世界冠军李世石。
2017年:谷歌宣布其机器学习工具可以比人类更好地识别照片中的物体并理解语音。
2018 年:Alphabet 子公司 Waymo 在亚利桑那州凤凰城推出了机器学习驱动的自动驾驶叫车服务。
2020 年:机器学习算法在应对 COVID-19 大流行中发挥作用,有助于加快疫苗研究并提高跟踪病毒传播的能力。
为什么机器学习很重要?
除了机器学习在 Jeopardy、国际象棋和围棋等游戏中击败人类的巨大力量之外,机器学习还有许多实际应用。 机器学习工具用于翻译 Facebook 上的消息、从照片中识别面孔以及查找全球具有某些地理特征的位置。 IBM Watson 用于帮助医生做出癌症治疗决策。 无人驾驶汽车使用机器学习从环境中收集信息。 机器学习也是预防欺诈的核心。 例如,无监督机器学习与人类专家相结合,已被证明在检测网络安全威胁方面非常准确。
尽管人工智能有许多潜在的好处,但人们对其使用也存在担忧。 许多人担心人工智能(如自动化)会让人类的工作面临风险。 无论人工智能是否在工作中取代人类,它都肯定会改变必要的工作类型。 例如,机器学习对标记数据的要求意味着非常需要人类手动进行标记。
随着机器学习和人工智能在工作场所的发展,其许多应用都集中在帮助工人而不是彻底取代他们。 在 COVID-19 大流行期间尤其如此,它迫使许多公司将大部分员工派回家远程工作,导致人工智能机器人和机器学习辅助人类处理日常任务。
有多家机构致力于探索人工智能的影响。 以下是一些(从我们的 Twitter 人工智能内部人士名单中挑选出来的)。
生命未来研究所汇集了一些最伟大的思想家——从 Skype 的联合创始人到哈佛大学和麻省理工学院的教授——来探索有关机器未来的一些重大问题。 这家位于剑桥的研究所的科学顾问委员会也拥有出色的阵容,从尼克·博斯特罗姆(Nick Bostrom)到埃隆·马斯克(Elon Musk)再到摩根·弗里曼(Morgan Freeman)。
牛津大学人类未来研究所是尖端学术研究的首要场所之一。 FHI Twitter feed 是提供最新人工智能内容的绝佳场所,该帐户的多次转发也有助于寻找其他正在研究最新人工智能的 Twitter 用户。
伯克利机器智能研究所是人工智能最新学术工作的绝佳资源。 Twitter 表示,MIRI 的存在不仅是为了研究人工智能,也是为了“确保创造比人类更聪明的智能产生积极影响”。
哪些行业使用机器学习?
几乎任何想要利用数据来获取洞察、改善与客户关系、增加销售额或在特定任务上保持竞争力的组织都将依赖机器学习。 它在政府、商业、教育领域都有应用——几乎任何想要做出预测并且拥有足够大数据集的人都可以使用机器学习来实现他们的目标。
与分析一起,机器学习可以用来补充人类工人,承担平凡的任务,让他们从事更有意义、创新和富有成效的工作。 与分析一样,员工处理重复性大批量任务的企业可以从机器学习中受益。
企业如何使用机器学习?
2017 年是机器学习能力增长的重要一年,2018 年为爆炸性增长奠定了基础,到 2020 年初,我们发现 85% 的企业在其部署的应用程序中使用某种形式的人工智能。
德勤表示,可能阻碍这种增长的因素之一是混乱——机器学习到底能为企业做什么?
关于企业如何利用机器学习的例子有很多,所有这些都可以归结为同一个基本原理:处理大量数据以比数据科学家团队更快地得出结论。
机器学习的商业用途的一些示例包括:
Alphabet 旗下的安全公司 Chronicle 正在使用机器学习来识别网络威胁并最大程度地减少其可能造成的损害。
空客防务与 太空正在使用基于机器学习的图像识别技术来降低卫星图像中云识别的错误率。
全球渔业观察通过监测渔船的 GPS 坐标来打击过度捕捞,这使渔船能够同时监测整个海洋。
保险公司 AXA 通过使用机器学习构建准确的驾驶员风险档案,将事故预测准确性提高了 78%。
日本食品安全公司丘比 (Kewpie) 可以自动检测有缺陷的马铃薯块,这样工人就不必花费数小时来观察它们。
Yelp 使用深度学习根据某些标签对人们拍摄的企业照片进行分类。
麻省理工学院的 OptiVax 可以在完全虚拟的环境中开发和测试针对 COVID-19 和其他疾病的肽疫苗,其变量包括地理覆盖范围、人口数据等。
任何涉及大数据分析的企业都可以使用机器学习技术来加快流程并更好地利用人类,而且不同行业的细节可能存在很大差异。
人工智能应用程序并不是第一位的——它们是用于解决业务问题的工具,并且应该被视为解决业务问题的工具。 寻找机器学习技术的正确应用涉及提出正确的问题,或者面对人类无法处理的大量数据。
机器学习的安全和道德问题是什么?
使用机器学习和人工智能存在许多担忧,包括云托管数据的安全性和自动驾驶汽车的道德考虑。
从安全角度来看,人们总是担心大量数据被盗,但安全担忧超出了如何锁定数据存储库的范围。
安全专业人士几乎普遍担心人工智能绕过反恶意软件和其他安全措施的潜力,他们的担心是有道理的:人工智能软件已经开发出来,可以修改恶意软件以绕过人工智能驱动的反恶意软件平台。
埃隆·马斯克、史蒂芬·霍金和比尔·盖茨等几位科技领袖都表达了对人工智能可能被滥用的担忧,以及创造道德人工智能的重要性。 微软种族主义聊天机器人 Tay 的灾难证明,如果不加监控,人工智能可能会出错。
请参阅:机器学习即服务:可以教授隐私吗? (ZD网)
机器学习领域的道德问题也比比皆是。 一个例子是自动驾驶汽车对电车问题思想实验的适应。 简而言之,当自动驾驶车辆面临杀死乘客和行人之间的选择时,哪个是正确的选择? 像这样的哲学问题没有明确的答案——无论机器如何编程,它都必须对人类生命的价值做出道德判断。
深度造假视频根据照片和其他录音真实地用其他人的脸部和/或声音替换了一个人的脸部和/或声音,有可能扰乱选举,将不情愿的人插入色情内容,或者以其他方式将个人置于他们不喜欢的境地。 这种机器学习驱动的工具的深远影响可能是毁灭性的。
除了赋予学习机器做出道德决策的能力是否正确,或者使用某些机器学习工具是否对社会造成危险之外,机器学习还可能带来另一个主要的人力成本问题:失业。
如果人工智能革命确实是世界的下一个重大转变,那么很多工作将不复存在,而且不一定是你想象的那样。 虽然许多低技能工作肯定面临被淘汰的风险,但需要高度培训但基于模式识别等简单概念的工作也是如此。
放射科医生、病理学家、肿瘤学家和其他类似的职业都是基于发现和诊断异常情况,而机器学习特别适合这样做。
还有进入壁垒的道德问题——虽然机器学习软件本身并不昂贵,但只有世界上最大的企业才拥有正确训练学习机器以提供可靠结果所需的大量数据。
随着时间的推移,一些专家预测,小公司将变得更加难以产生影响,这使得机器学习主要成为最大、最富有的公司的游戏。