百善孝为先,咱们其实还不能了解机器学习,假体隆胸

将机器学习描绘为「人工智能」是没有用的,它更多的是把曾经无法完成自动化的使命自动化。

作者:Benedict Evans

翻译:LuckyBB

本文授权转蒙嘉慧载自大众号阿尔法工场

爆破式地开展了四五年后,机器学习当今已逐渐成为人们耳熟能详的概念。

机器学习的开展,不只是体现在相关创业公司不断涌现,以及科技公司的本身重建(许多大公司都在推动相关的项目);更为显着的意义在于,它或许是下一波工业革命的中心。

机器学习中的一个重要组成部分是神经网络油压按摩,也便是有规矩的形式和数据。凭借机器学习,咱们能够在数据中找到非直接的、隐含的数据结构。

机器学习处理了曾经「人类能办到但计算机办不到」的一类问题——或许更精确地说:「人们难以向计算机描绘的问题」。

尽管,一些很帅的机器学习语音和视频运用样本现已逐渐浮出水面;

可是,咱们好像还没有完全了解机器学习。比方:它对科技公司以及传统职业意味着什么,人们该怎样考虑它能够带来的立异,以及它能够处理哪些重要问题?

「人工智能」一词其实不太能协助咱们了解机器学习的内在,并且大都人一听到这个词就懵了。

一旦咱们说「AI」,就好像人类进化的转折点呈现了,咱们也瞬间变成了猿猴,冲着咱们不能了解的未来尖叫,挥舞着咱们的拳头。

实际上,现在市面上关于机器学习的评论并不能协助咱们真实百善孝为先,咱们其实还不能了解机器学习,假体隆胸了解机器学习。例如:

而更有用的评论方向或许是:

为何谈到联系数据库?由于它是一个新的根底支撑层,改变了计算机能够做的工作。

在联系数据库呈现之前——也便是 20 世纪 70 时代末之前,假如期望百善孝为先,咱们其实还不能了解机器学习,假体隆胸数据库算出特定主题的内容,例如「购买此产品并居住在这个城市的一切客户」,一般需求一个自定义的项目。

而由于数据库的结构并不适用于恣意穿插的查询,假如想问一个问题百善孝为先,咱们其实还不能了解机器学习,假体隆胸,就需求树立一个专门的数据库。

可见,数修辞手法据库是一种记载保存体系。而联系数据库,则将它们转变为3u8906商业智能体系。

联系数据库在很大程度上改变了数据库的运用办法,然后创建了新的典范和上亿美元市值公司。

联系数据库为咱们带来了甲骨文(NYSE:ORCL),也给了咱们 SAP(NYSE:SAP;全球最大的企业管理和协同化电子商务处理计划供货商)。

SAP 及其同行,为咱们供给了全球即时供给链,然后使得苹果(NASDAQ:AAPL)和星巴克(NASDAQ:SBUX)的诞生成为了或许。

到了 20 世纪 90 时代,简直一切的企业软件都是联系数据库,比方 PeopleSoft(甲骨文旗下一款协同合作企业软件)、Salesforce(一款客户联系管理软件)以及 SuccessFactors(一款人力资源管理软件)等几十种软件都运行在联系型数据库上。

显着,现完成已证明,人们在看到 Salesforce 或 SuccessFactors 时,不会再说「由于甲骨文具有闲情一切的数据库,所以其他形式永久不会见效」。

相反,联系数据库现已成为了全球企业管理范畴发明更多或许的中坚力量。而这,正是现在了解机器学习的一个很好的办法。

机器学习让咱们改变了运用计算机做工作的办法,而这将为企业发明出更多不同的产品。终究,大都的产品将来都将会运用到机器学习。

这儿一个重要的点是,尽管联系数据库具有规划效应,却也有赢家通吃的问题。

即便两家公司共wanimal用一个数据库,却不能协同使得一个数据库变得更好,假如卡特彼勒 (NYSE:CAT) 购买和 Safeway(北美最大的食物和药品零售商之一) 相同的数据库,后者的数据库也不会变得更好。

机器学习便是这样的:关键在于数据,但数据对特定运用程序具有高度特异性。

更多的手写数据将使手写辨认百善孝为先,咱们其实还不能了解机器学习,假体隆胸器变得更好,更多的燃气轮机数据将使一个体系更好地猜测燃气轮机毛病,但这二者并不能相互进步——数据具有不行代替性。

这便是在了解机器学习时最常见的误解:人们过错地以为机器学习是一种单一的、通用的东西,以为谷歌 (NASDAQ:GOOG) 或微软 (NASDAQ:MSFT) 各自树立了一套机器学习体系,或许 IBM(NYSE:IBM) 有一个名为「Watson」的机器学习机器。

而这也一直是在了解自动化上的误区:跟着每一波自动化,咱们梦想咱们正在发明的是拟人化的机器或是具有广义智能的机器。

比方:在二十世纪二十时代和三十时代,咱们梦想钢铁工人拿着锤子在工厂里走来走去的姿态,在 20 世纪 50 时代,咱们梦想着人形机器人在厨房里走动做家务。可是最终,咱们没有得到机器人家丁,咱们发明出了洗衣机。嗣

洗衣机是机器人,但它们并不「智能」。它们不知道什么是水或衣服。此外,即便只是在洗刷方面,它们也不是通用的——你不能把餐具放在洗衣机里,也不能把衣服放在洗碗机里。

洗衣机只是另一种自食指动化,在概念上与传送带或取放机器没有什么不同。

相同,尽管机器学习能够处理计算机之前无法处理的问题,但这其间的问题并不是混为一谈的,而是每个问题都需求不同的计划、不同的数据以及不同的公司来处理。它们中的每一个都是自动化的一部分,都是一台洗衣机。

因而,了解机器学习的一个应战是:咱们不但要了解其间的数学方程,也要具有对 AI 的梦想。

机器学习不会成为一种先知型的机器人,但将其只是视为数据计算东西也不当。咱们都说说「机器学习能够让你提出这些新问题」,但到底是什么问题却不清晰。

咱们能够做出很棒的语音辨认和图画辨认新地球体系,但问题是,一般公司会拿这些体系做些什么呢?

正如美国一家大型媒体公司的团队不久前对我说的1040阳光工程那样:我知道咱们能够运用机器学习来编列十年间采访运动员的视频,但为什么要这样做?

那么,关于企业而言,机器学习关于它们的真实意义是什么?我以为有两套考虑办法能够选用。首先是依据数据类型和问题类型的办法进行考虑:

1. 机器学习能够作为一种剖析或优化技能,关于已有的数据及问题供给更好的成果。例如, Instacart(美国一家在线杂货配送效劳商)树立了一个体系,通百善孝为先,咱们其实还不能了解机器学习,假体隆胸过杂货店优化个人购物者的道路选取,并完成了进步 50%的优化(这是由三位工程师运用 Google 的开源东西 Keras 和 Tensorflow 构建的)。

2. 机器学习能够让咱们对已有数据提出新的问题。例如,正在寻觅案件线索的律师,或许会查找带有「愤恨」「焦虑」等情感类关键词的电子邮件,或反常的发信规矩或文档集群,以及进行更多的关键字查找,

3. 机器学习拓荒了新的数据类型进行剖析。早年计算机无法真实读取音频,图画或视频,可是现在,这都将变为或许。

在这一点上,我发现成像是最令人兴奋的:尽管只需咱们有计算机,计算机就能够处理文本和数字,但在曾经,图画(和视频)大部分是不能被处理的;现在有了机器学习,计算机将不但能够「看到」图画,并且能够了解其间意义。

这意味着图MMD像传感器(和麦克风)将成为一种全新的输入机制,像一种功能强大且灵敏的传感器,能够生成机器可读的数据流。这些都能够归结为的计算机视觉问题。

我最近遇到了一家为轿车职业供给座椅的公司,该公司已将神经网络放在廉价的 DSP(数字信鬼刀冰公主号处理)芯片上,装备廉价的智能手机图画传感器,以检测织物是否有皱纹。

咱们更应该等待各种相似的用处,也便是页面拜访机器学习在十分纤细范畴,例如微型小部件以及单一件工作上的运用。

而将机器学习描绘为「人工智能」是没有用的,它更多的是把曾经无法完成自动化的使命自动化。

这种自动化才能便是考虑机器学习的第二条思路。发现纺织物是否有皱纹不需求 20 年的经历——它真的只需求哺乳动物的大脑。

实际上,我的一位搭档主张,机器学习将能够做任何你能够练习狗做的工作——这也是一种考虑 AI 的不错的办法:狗终究学到了什么?练习数据中有什么?你怎样问?但这也不是悉数,由于狗的确有智商和知识,不像百善孝为先,咱们其实还不能了解机器学习,假体隆胸神经网络。

五年前,假如你给计算机一堆相片,它除了按尺度排序外,还做不了其他。一个十岁的孩子能够把它们分红几个男人和一个女性,一个十五岁的孩子把它们分红酷和不酷的,一个实习生能够指出最有意思的那张。

今日,凭借机器学习,计算机将匹配十岁孩子的才能,也许是十五岁的。它或许永久不会到达实习生的水平。可是,假如你有一百万个十五岁的孩子来查看你的数据,你会怎样做?会发现什么,会看到什么图画,会查看哪些文件传输或信用卡付款?

也便是说,机器学习不需求匹配红娘子专家或数十年的经历判别。咱们需求刑天「听取一切电话并找到带有愤恨心情的电话」。「阅览一切电子邮件,找到带有焦虑心情的电子邮件」。「看看十万张相片,找到那些很帅(或至少很古怪)的人。」

从某种意义上说,这便是自动化。

Excel 没有给咱们人工会计师,Photoshop 和 Indesign 没有给咱们人工图形设计师,并且蒸汽机的确没有给咱们人工马。相反,咱们是在成规划地逐个霸占每一个小问题。

上面杀猪视频这个比方的意思是,机器学习不只能够找到咱们现已认识到的东西,并且能够找到人类还没有辨认的东西,或找到那些十岁的孩子区分不出的形式或推论。

这就好像是 AlphaGo。

AlphaGo 不像电脑相同下国际象棋,也便是按次序剖析每一个或许的决议计划过程;与之相反,AlphaGo 被编入了规矩,需求自己拟定战略,AlphaGo 经过和自己下棋来学习,而这数量是人类在好几生中下棋的数量。

2018 国际人工智能围棋大赛:柯洁 VS AlphaGo

也便是说,这不是一千名速度十分快的实习生,而是机器学习在看到第三百万张图画时,能够辨认出一种没有被发现的形式。

那么,哪些范畴满足细化,让咱们能够通知机器学习一套体系规矩,并且满足深化,以至于能够看到人类所看不到的数据,而这会带来意想不百善孝为先,咱们其实还不能了解机器学习,假体隆胸到的成果?

我花了许多时刻与大公司碰头并评论他们的技能需求,它们的确有一些需求经过机器学习就能处理。比方它们有许多显着的剖析和优化问题,以及许多图画辨认问题或音频剖析问题。

相同,咱们议论自动驾驶轿车和混合实际的仅有原因,是由于机器学习能够让它们变为完成。

机器学习为轿车供给了一种途径,让它们了解周围的事物以及人类驾驶员或许会做采纳的举动,并供给evil混合实际一种处理计划,清晰我应该看到的事物,就像一副能够显现任何东西的眼镜。

但在咱们谈到面料皱纹或心情剖析之后,这些公司往往会坐下来问「好吧,还有什么?」这会带来什么其他的东西,以及它会发现什么不知道的东西?

得到这些问题的答案,咱们或许至少还需求十到十五年时刻,直到那时咱们或能真实透彻了解了机器学习。

就像一条鲶鱼挤进了沙丁鱼群,在收银商场教保网中,美团的进场敏捷搅动了商场。

下方这篇《「收银」打响美团 to B 榜首枪》就经过 RMS 部分的「备战史」,叙述了美团亮剑 B 端过程中枕戈爬虫待旦的故事。

公司 计算机 人类
声明:该文观念仅代表作者自己,搜狐号系信息发布渠道,搜狐仅供给信息存储空间效劳。
演示站
上一篇:银河证券,通州区商场监管局正式揭牌,雀巢
下一篇:王家大院,看校归来!二中广雅,低沉背面是……,感冒咳嗽吃什么好的快