行業(yè)資訊
人工智能技術(shù)在2018年發(fā)展趨勢的共性
人工智能技術(shù)在2018年發(fā)展趨勢的共性
步入2018年,技術(shù)表現(xiàn)出兩個共同特點:智能和自動化。
2017年形成的許多技術(shù)趨勢在2018年仍將繼續(xù):互聯(lián)設備、數(shù)字化轉(zhuǎn)型、物聯(lián)網(wǎng)、機器學習、人工智能和自動化。這些熱點話題仍隸屬2018以及之后最流行的科技詞匯,其實質(zhì)性差異在于技術(shù)的融合。AI和IoT本身就具有變革性,現(xiàn)在可以想象,人工智能互聯(lián)將促進互連和自動化世界的數(shù)字化轉(zhuǎn)型。
一、智能
如果想實現(xiàn)智慧工廠、智慧城市、智能汽車和智能家庭,那么支持系統(tǒng)也要智能化。人工智能在過去取得重大進步得益于有監(jiān)督深度學習的支持:訓練深度神經(jīng)網(wǎng)絡執(zhí)行特定的單一任務。所謂學習被監(jiān)督,指已經(jīng)提供大量的樣例給算法,且其被告知正確答案。這種深度學習十分強大,可以構(gòu)建超出人類能力的系統(tǒng)。斯坦福大學科學家訓練了一種診斷皮膚癌的神經(jīng)網(wǎng)絡,準確性達到執(zhí)證皮膚科醫(yī)生的診斷水平。訓練過程所用的醫(yī)學圖像超過129,000張。
人的學習方法不同,我們不需要如此大量的數(shù)據(jù)。另一方面,機器處理數(shù)據(jù)的速度比我們快得多。因此,訓練算法往往比訓練人類專家更快。其中一個限制因素是需要為大量高質(zhì)量訓練數(shù)據(jù)提供正確標簽?,F(xiàn)在,我們看到學習速度更快、所需數(shù)據(jù)更少、表現(xiàn)極為出色的無監(jiān)督學習系統(tǒng)。從2018年開始,我們將看到基本不需要監(jiān)督的增強學習系統(tǒng)—超越游戲規(guī)則。
供應鏈優(yōu)化、客戶交互、預測性維護、數(shù)據(jù)中心運維和樓宇自動化是基于規(guī)則的系統(tǒng)應用領(lǐng)域中的幾個案例?,F(xiàn)在應用這些規(guī)則來迅速訓練系統(tǒng)來比利用人為生成的邏輯要強。對監(jiān)督算法訓練的優(yōu)化投入了巨大努力,如今,焦點轉(zhuǎn)向如何優(yōu)化無監(jiān)督方法與現(xiàn)實模式關(guān)聯(lián),在復雜的環(huán)境中采取最佳行動。
二、自動化
如果可以自動執(zhí)行任務或流程,人們一定會采用這種方法。自動化不僅在于使人能夠?qū)⒕杏诟邇r值的任務,而且可以提高運營效率和重復性。自動化已成為不可或缺的技術(shù)。我們生活在大數(shù)據(jù)時代,數(shù)據(jù)量一直在不斷增加并被物聯(lián)網(wǎng)放大。分析是獲得洞察和創(chuàng)造物聯(lián)網(wǎng)價值的關(guān)鍵所在。分析自動化已成為解決大量數(shù)據(jù)驅(qū)動問題的必要手段。
機器學習和人工智能是幫助實現(xiàn)自動化的技術(shù)。這讓很多人略感不安:人們不會對只需少量技能以及基本上不需要培訓的簡單任務進行自動化。街頭公告員這個職業(yè)早已沒有了。如今,自動化針對的是需要對人進行廣泛培訓的崗位—例如法律助理和醫(yī)療專業(yè)人員。人們對機器學習和人工智能的信任還沒有達到對其它自動化技術(shù)的信任程度——人人都信任復印機或傳真機。機器學習和人工智能系統(tǒng)無法解釋它們是如何工作以及做出決策是主要的信任障礙。
人們有時會把自動與自主混為一談。自動化任務不是代替人類做決定,人類仍然可以保持控制權(quán)。事實上,人們還沒有準備好改變他們與數(shù)學和邏輯之間的關(guān)系。人們喜歡自己能夠理解并加以整理的邏輯。軟件利用計算機系統(tǒng)以人們已知的方式去處理信息,因為這是他們編寫的代碼。當出現(xiàn)錯誤時,人們可以調(diào)試并糾正邏輯。
正因為算法的學習方式與人不同,因此人工智能對事物的看法也不同。它們可以看到人類觀察不到的關(guān)系和模式。正如Tom Gruber在其TED演講中指出,我們應該討論的是機器和算法如何使我們變得更聰明,而不是我們?nèi)绾问箼C器變得聰明。也許我們不會讓算法自主運行供應鏈,而是期待它提出下一步行動的建議。這種建議可能會讓我們大吃一驚。
像所有技術(shù)一樣,AI是輔助技術(shù)。也許在2018年,我們將不再只把AI看成是 “虛擬人工智能”,而將它作為一種“輔助信息”技術(shù)。
步入2018年,技術(shù)表現(xiàn)出兩個共同特點:智能和自動化。

一、智能
如果想實現(xiàn)智慧工廠、智慧城市、智能汽車和智能家庭,那么支持系統(tǒng)也要智能化。人工智能在過去取得重大進步得益于有監(jiān)督深度學習的支持:訓練深度神經(jīng)網(wǎng)絡執(zhí)行特定的單一任務。所謂學習被監(jiān)督,指已經(jīng)提供大量的樣例給算法,且其被告知正確答案。這種深度學習十分強大,可以構(gòu)建超出人類能力的系統(tǒng)。斯坦福大學科學家訓練了一種診斷皮膚癌的神經(jīng)網(wǎng)絡,準確性達到執(zhí)證皮膚科醫(yī)生的診斷水平。訓練過程所用的醫(yī)學圖像超過129,000張。


二、自動化
如果可以自動執(zhí)行任務或流程,人們一定會采用這種方法。自動化不僅在于使人能夠?qū)⒕杏诟邇r值的任務,而且可以提高運營效率和重復性。自動化已成為不可或缺的技術(shù)。我們生活在大數(shù)據(jù)時代,數(shù)據(jù)量一直在不斷增加并被物聯(lián)網(wǎng)放大。分析是獲得洞察和創(chuàng)造物聯(lián)網(wǎng)價值的關(guān)鍵所在。分析自動化已成為解決大量數(shù)據(jù)驅(qū)動問題的必要手段。
機器學習和人工智能是幫助實現(xiàn)自動化的技術(shù)。這讓很多人略感不安:人們不會對只需少量技能以及基本上不需要培訓的簡單任務進行自動化。街頭公告員這個職業(yè)早已沒有了。如今,自動化針對的是需要對人進行廣泛培訓的崗位—例如法律助理和醫(yī)療專業(yè)人員。人們對機器學習和人工智能的信任還沒有達到對其它自動化技術(shù)的信任程度——人人都信任復印機或傳真機。機器學習和人工智能系統(tǒng)無法解釋它們是如何工作以及做出決策是主要的信任障礙。

正因為算法的學習方式與人不同,因此人工智能對事物的看法也不同。它們可以看到人類觀察不到的關(guān)系和模式。正如Tom Gruber在其TED演講中指出,我們應該討論的是機器和算法如何使我們變得更聰明,而不是我們?nèi)绾问箼C器變得聰明。也許我們不會讓算法自主運行供應鏈,而是期待它提出下一步行動的建議。這種建議可能會讓我們大吃一驚。

更多相關(guān)信息 還可關(guān)注中鐵城際公眾號矩陣 掃一掃下方二維碼即可關(guān)注
文章推薦
- 精確曝氣系統(tǒng)在污水處理中的能耗節(jié)約是如何實現(xiàn)的?
- 精確曝氣系統(tǒng)在污水處理中的效果如何量化?
- 精確曝氣的系統(tǒng)原理、控制功能及特點
- 公路工程預算有哪6個階段?
- 地下管線探測技術(shù)主要應用場景有哪些?
- 雨污水管網(wǎng)施工后需要進行哪些檢測
- 新疆開展2025年城市體檢工作,今年將改造城市管網(wǎng)3670余公里
- 甘肅敦煌市市政道路地下管網(wǎng)改造項目全面開工
- 天津高新區(qū)啟動燃氣地埋管線防腐層檢測工作,提升地下管線安全運行能力
- 中鐵城際分享在地下(雨污)管網(wǎng)普查技術(shù)要點及難點及相關(guān)優(yōu)化建議