TMT观察网_独特视角观察TMT行业

在商業領域和政府的推動下,AI一直是科技的前沿和中心。但是在實驗室里,他們還將有哪些新的突破?學術界和企業研究人員發現,未來一年AI將會發生新的趨勢轉變。PP云視頻服務專家團隊就普華永道官網最新發布的AI潮流技術前沿進行了詳細深入的翻譯。

最近,普華永道的分析師們從AI加速器研究團隊中,追蹤到一些值得分析師和行業領袖密切關注的2018年最潮AI技術。下面就讓我們介紹一些這些重要的技術趨勢分別是什么,以及為什么很重要。

1.深度學習理論:揭開神經網絡的工作原理

技術趨勢:模仿人類大腦的深度神經網絡已經展示了他們從圖像、音頻和文本數據中“學習”的能力。然而,即使到目前為止,仍然有很多我們還不了解的關于深度學習的技術方法,包括神經網絡如何學習,或者他們如何表現的更出色。這些情況開始悄悄發生變化了,這要歸功于信息瓶頸原理(Information Bottleneck)應用于深度學習的新理論。實質上,它表明在初始擬合階段后,深度神經網絡將“忘記”并壓縮噪聲數據,即拋棄含有大量無意義信息的數據集,同時仍保留相關數據代表的信息。

重要性:準確理解深度學習理論有助于促進它未來深度的應用和發展。例如,它可以深入了解最佳網絡設計和架構選擇,同時為安全關鍵或監管應用提供更高的透明度。未來有機會看到更多的學習結果,從探索這一理論應用于其他類型的深度神經網絡和深度神經網絡設計中去。

2.膠囊網絡:模擬大腦的視覺處理優勢

技術趨勢:膠囊網絡是一種新型的深度神經網絡,它以與大腦處理視覺信息完全相同的方式,這意味著它們可以基本完全對等。這與最廣泛使用的神經網絡之一“卷積神經網絡”形成鮮明對比。卷積神經網絡未能考慮簡單和復雜對象之間的重要空間層次結構,導致錯誤分類和高錯誤率。

重要性:對于典型的識別任務,膠囊網絡通過減少錯誤提供更高的準確性高達50%。他們也不需要太多的訓練模型數據。未來可以看到膠囊網絡在許多問題領域和深度神經網絡架構中被廣泛使用。

3.深入強化學習(DRL):與環境交互以解決業務問題

技術趨勢:深入強化學習是一種神經網絡。通過觀察,行動和激勵與環境相互作用來學習。深度強化學習(DRL)已被用于學習策略游戲,例如Atari和Go--包括著名的AlphaGo項目,通過AI技術擊敗人類冠軍。

重要性:DRL是所有學習技術中最通用的目的,因此它可用于大多數商業應用程序。與其他技術相比,它需要更少的數據來訓練其模型。更值得注意的是,它可以通過模擬進行訓練,從而無需完全標記數據。鑒于這些優勢,預計未來一年將會有更多將DRL和基于代理的仿真相結合的業務應用。

4. 生成式對抗網絡:配對神經網絡來刺激學習并減輕處理負擔

技術趨勢:生成式對抗網絡(GAN)是一種無監督的深度學習系統,實現為兩個競爭神經網絡。一個網絡,即生成器,會創建與真實數據集完全相同的假數據。第二個網絡,鑒別器,攝取真實和合成數據。隨著時間的推移,生成式對抗網絡會得到改進,機器的知識來源不再局限于人類,而是可以彼此之間相互交流相互學習。

重要性:GAN向更廣泛的無監督任務開放了深入的學習,其中標記的數據不存在或獲取成本太高。它們還減少了深度神經網絡所需的負載,因為這兩個網絡分擔了這個負擔。預計未來會在更多的商業應用中看到GAN,例如網絡探測。

5.精益數據分析:解決標簽數據挑戰

技術趨勢:機器學習(尤其是深度學習)面臨的最大挑戰是可用大量標記數據來訓練系統。兩種廣泛的技術可以幫助解決這個問題:一是綜合新數據;二是將針對一個任務或領域訓練的模型轉移到另一個任務或領域。諸如轉移學習:將從一個任務/領域學到的見解轉移到另一個任務/領域;或單次學習:轉移學習極端化,僅通過一個或沒有相關示例發生學習的技術,使他們成為“精益數據”學習技術。同樣,通過模擬或內插合成新數據有助于獲取更多數據,從而擴大現有數據以改善學習。

重要性:使用這些技術,我們可以解決更多種問題,尤其是那些歷史數據較少的問題。預計會看到精益數據分析更多用于工業大數據,以及適用于廣泛業務問題的不同類型數據學習。

6.概率編程:簡化模型開發的語言

技術趨勢:一種高級編程語言,更容易讓開發人員設計概率模型,然后自動“解決”這些模型。概率編程語言可以重用模型庫,支持交互式建模和形式驗證,并提供必要的抽象層以促進通用模型類中的通用高效推理。

重要性:概率編程語言能夠適應業務領域中常見的不確定和不完整的信息。我們將看到商業領域會更廣泛地采用這些語言,比如產品決策;除此之外,它們也能夠應用于數據深度學習。

7.混合學習模型:結合模型不確定性的方法

技術趨勢:不同類型的深度神經網絡,如GAN或DRL,在性能和廣泛應用于不同類型的數據方面顯示出巨大的前景。然而,深度學習模型不能模擬不確定性,貝葉斯方法或概率方法。混合學習模式結合了這兩種方法來充分利用每種方法的優勢。混合模型的一些例子是貝葉斯深度學習,貝葉斯GAN和貝葉斯條件GAN。

重要性:混合學習模式可以擴展各種業務問題,包括深度學習和不確定性。這可以幫助我們實現更好的模型性能和可解釋性,從而可以鼓勵醫療方面采取更廣泛的應用。期望看到更深層的學習方法獲得貝葉斯等價物,而概率編程語言的組合開始融入深度學習。

8.自動機器學習(AutoML):無需編程即可創建模型

技術趨勢:開發機器學習模型需要耗時且由專家驅動的工作流程,其中包括數據準備,特性選擇,模型或技術選擇,培訓和調優。 AutoML旨在使用大量不同的統計和深度學習技術來自動化此工作流程。

重要性:AutoML是AI工具民主化的一部分,使商業用戶可以在沒有深厚編程背景的情況下開發機器學習模型。它還將加快數據科學家創建模型的時間。期待在更大的機器學習平臺中看到更多的商業AutoML包和AutoML集成。

9.數字化雙胞胎:超越工業應用的虛擬復制品

技術趨勢:數字化雙胞胎是一個虛擬模型,用于促進身體或心理系統的詳細分析和監測。數字化雙胞胎的概念起源于工業界,廣泛用于風車農場或工業系統的分析和監測。現在,使用基于代理的建模(用于模擬自治代理的行為和交互的計算模型)和系統動力學(計算機輔助的政策分析和設計方法),數字化雙胞胎正在應用于非物理對象和過程,包括預測客戶行為。

重要性:數字雙胞胎可以促進物聯網(IoT)的發展和更廣泛的應用,為預測性診斷和維護物聯網系統提供了一種方法。未來更多應用于物理系統和消費者選擇建模。

10.可解釋的AI:了解黑盒子

技術趨勢:今天,有許多機器學習算法正在使用,它們在各種不同的應用中感知,思考和行動。然而,這些算法中的很多被認為是“黑盒子”,對于如何達成結果幾乎沒有任何洞見。可解釋的AI是開發機器學習技術的一種運動,它可以產生更多可解釋的模型,同時保持預測的準確性。

重要性:可解釋、證明和透明的AI對于建立對技術的信任至關重要,并將鼓勵更廣泛地采用機器學習技術。企業在啟動人工智能廣泛部署之前將采用可解釋的AI作為需求或最佳實踐,而政府可能會在未來將可解釋的AI作為監管要求。

后記:PP云憑借PPTV 十多年媒體技術和服務經驗,在AI領域已經有些重大突破,以上10種技術中,深度學習、精益數據分析等技術都已經很好的在業務中有成熟運用和發展。同時,PP云將AI前沿技術充分融合融入到流媒體技術、P2P、CDN 分發、海量存儲、安全策略等,成為專注視頻云服務行業首屈一指的一站式SaaS 服務平臺。在未來,將支持更多云上企業,實現全場景視頻云服務業務發展。