风清扬 的blog

深度长文:关于AI,你最该了解可也许从没想过的四个问题

在过去的几年里,我们一直在讨论人工智能(AI)将如何拯救或摧毁世界:自驾车有利于保护我们的生命; 社交媒体泡沫将破坏民主;机器烤面包机会让人类连烤面包的能力都丧失。

你可能很清楚,这其中的一些是无稽之谈,一些是真实的。但是,如果你没有深入地沉浸在这个领域,可能很难分辨孰真孰假。虽然对于想要学习人工智能编程的人来说,互联网上有大把的启蒙教程,但对于不想成为软件工程师或者数据专家的人来说,却缺乏对于人工智能的概念的了解,以及它所面临的社会上和伦理学上的挑战。

如果全社会真的要讨论人工智能,我们就需要解决这个问题。所以今天我们要谈谈人工智能的现实:它能做什么,不可能做什么,未来可能可以做些什么,以及它带来的一些社会、文化和道德方面的挑战。我不会涵盖每一个可能的挑战; 其中的一些,譬如泡沫和虚假信息,大的需要一整篇文章来解释。但是,我会给你们足够的例子说明我们所面临的真正的问题,你们就能够独立提出自己的问题。

我先给大家剧透一下: 大多数最难的挑战不是来自于技术。人工智能最大的挑战往往始于,它迫使我们编程时不得不非常明确地表达我们的目标 ,几乎没有别的事情会这样——而有的时候,我们并不想对自己说实话。

1、人工智能和机器学习

人工智能和机器学习有什么区别?

人工智能(AI)和机器学习(ML)现在是两个非常热门的流行语,通常似乎可以互换使用。但这二者并不完全一样,但是有时会导致人们的看法有一些混乱,因此需要解释这二者之间的区别。当大数据、数据分析,以及更广泛的技术变革浪潮席卷全球时,这两个术语都会频繁出现。总之,最好的答案是:人工智能是一种机器能够以人们认为“聪明”的方式执行任务的更广泛的概念。而且,机器学习是人工智能的一个最新应用,它基于这样一个想法:真的应该能够让机器访问数据,让他们自己学习。

早期的发展

人工智能已经存在了很长一段时间——希腊神话中就有模仿人类行为的机械人的故事。早期的欧洲研发的计算机被认为是“逻辑机器”,通过复制诸如基本算术和记忆等功能,工程师们从根本上认为他们的工作是试图创造机械的大脑。

作为技术,重要的是,人们对于人类的思想如何运作的理解已经取得了进展,我们对人工智能的构想的概念发生了变化。人工智能领域的工作不是日益复杂的计算,而是集中于模仿人类决策过程和以更具人性化的方式执行任务。

人工智能设备被设计成为具有智能行为的设备通常被分为两个基本群体之一——应用型或通用型。应用人工智能则是更为常见的,例如,智能地交易股票和股票的系统,或操纵自主车辆的系统将属于这一类。

对于机器学习,到底该选择哪种编程语言?

开发者到底应该学习哪种编程语言才能获得机器学习或数据科学这类工作呢?这是一个非常重要的问题。我们在许多论坛上都有讨论过。现在,我可以提供我自己的答案并解释原因,但我们先看一些数据。毕竟,这是机器学习者和数据科学家应该做的事情:看数据,而不是看观点。

让我们看一些数据。我将在Indeed.com上使用趋势搜索。它可以根据时间搜寻实际工作机会中特定的条款。这表明了雇主们正在寻找拥有该技能的人才。然而,请注意,这并不是一项有效使用技能的民意调查。这种指标更能体现技能的受欢迎程度。

话不多说,上数据。我搜索了与“机器学习”和“数据科学”一起使用的技能,搜索选项包括编程语言Java、C、C+++和JavaScript。然后还包括了Python和R,因为我们知道它在机器学习和数据科学方面很受欢迎,当然还有Scala,考虑到它与Spark的关系,再加上Julia,一些开发中认为这是“the next big thing”。运行这个查询,我们得到的数据如下:

对于机器学习,到底该选择哪种编程语言

外行也能看懂的科普:这就叫自然语言处理

一、什么是自然语言处理

简单地说,自然语言处理(Natural Language Processing,简称NLP)就是用计算机来处理、理解以及运用人类语言(如中文、英文等),它属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。由于自然语言是人类区别于其他动物的根本标志。没有语言,人类的思维也就无从谈起,所以自然语言处理体现了人工智能的最高任务与境界,也就是说,只有当计算机具备了处理自然语言的能力时,机器才算实现了真正的智能。

从研究内容来看,自然语言处理包括语法分析、语义分析、篇章理解等。从应用角度来看,自然语言处理具有广泛的应用前景。特别是在信息时代,自然语言处理的应用包罗万象,例如:机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息检索、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

AI医疗图谱——浅述AI在医疗界的新发展

提起AI医疗,人们不外乎想起这些问题:AI医生们可以帮助人们预防疾病吗?可以判断我们的病情吗?甚至,AI们会在手术台上对我们进行“切割”吗?

这听起来似幻想,想起来又觉得颇为真实,毕竟电影里面展现未来的时候从来都不吝啬使用这些画面。事实上是,实验室里头每天都发生着我们看不见也想不到的变化,成功了就是真的,失败了也暂时一笑而过吧。但那些已经上市或即将上市的“医疗AI”们已经足够震撼我们。

其实,除了我们熟知的那些早早进入AI领域的超级公司们,还有很多初创企业如雨后春笋般出现在AI医疗市场当中。CB Insights去年年末绘制了一张“AI医疗图谱”,我们除了能够看到这些公司的名称,还能看到他们所致力的领域——也就是AI“医生”们现在究竟能做些什么:

AI医疗图谱——浅述AI在医疗界的新发展

• 病人数据与风险分析
• 医学影像与诊断
• 生活方式管理与检测
• 营养学
• 急诊室与手术
• 住院护理和医院管理
• 心理健康
• 药物发现

有关机器学习每个人都应该了解的东西

摘要:本文科普了机器学习方面的知识,简单介绍了机器学习可以做什么,以及如何做的。以下是译文。

在过去的几个月中,我与很多的决策者交流了有关人工智能特别是机器学习方面的问题。其中有几名高管已经被投资者询问了有关他们在机器学习(Machine Learning)方面的战略,以及在哪些方面运用了机器学习。那么这个技术课题为什么突然会成为公司董事会讨论的话题呢?

计算机应该为人类解决问题。传统的方法是“编写”所需的程序,换句话说,就是我们教电脑问题解决的算法。该算法详细描述了解决问题的过程,就像食谱一样。很多任务都可以用算法来描述。例如,在小学里,我们学习了数字加法算法。当涉及到要快速、完美地运行这种算法时,计算机比人类更胜任这个工作。

有关机器学习每个人都应该了解的东西

AI世界:2018年八大趋势

本文展望了人工智能未来一年的发展趋势,希望能给相关从业者一点参考。以下是译文。

从计算上来讲,大数据分析这股潮流并不会像是流星那样转瞬即逝。随着数据量的不断增加,对大数据分析的改进也不会停止。 对于预测分析方面的应用,我们只看到了冰山一角。 一些机构正在使用数据挖掘、机器学习和人工智能技术来分析当前的数据以求更好地开展业务(例如预测销售情况、优化营销活动等)。 所有这些不同类型的人工智能技术已紧密地结合了在一起,改变了我们的日常生活,而且这种改变仍将持续。

以下是人工智能、大数据、预测分析和机器学习方面主要的统计数据:

• 到2018年,75%的开发人员将在一个或多个业务应用或服务中采用人工智能技术 - IDC
• 到2019年,人工智能技术可应用在100%的物联网上 - IDC
• 到2020年,30%的公司将引入人工智能以至少增加一个主要的销售过程 - Gartner
• 到2020年,算法将积极地改变全球数十亿工人的行为 - Gartner
• 到2020年,人工智能市场将超过400亿美元。 - 星座研究
• 到2025年,人工智能将驱动95%的客户交互 - Servion

机器学习算法工程师必须掌握的七大技能

实话实说,目前大部分人上各种班来学习机器学习,学习大数据,归根到底还是希望能找到一个好的工作,拿到更高的薪水,当然还有一部分原因是自己对这一方面比较感兴趣,希望更深入的了解这个领域。
我个人觉得,第一个原因的因素更大。

首先,我们看看一个机器学习的系统长成什么样子

机器学习算法工程师必须掌握的七大技能

几乎所有的机器学习系统都是由上述系统图组成,不同的是监督型的系统训练数据可能需要人工干预而非监督型的系统不需要人工干预,简单来说就是给一批训练数据给这个机器学习模型进行学习,得到一个预测模型,然后用这个预测模型对新的未知数据进行预测。

现在网络上机器学习方面的文章,博客到处都是,市面上各种各样的书籍也到处都是,而且目前在线教育最火的领域也是这个,各种各样的机器学习的在线教育的班,学费还挺贵。

深度学习在 NLP 上的七大应用

作者|Jason Brownlee
译者|CarolGuo

自然语言处理领域正从统计模型转到神经网络模型。

自然语言中仍然存在许多具有挑战性的问题。然而,深度学习方法在某些特定的语言问题上可以获得最先进的结果。
最有趣的不仅仅是深度学习模型在基准问题上的性能;事实上,一个单一的模型可以学习单词的意思和执行语言任务,从而避免需要一套专门的和手工的方法。

在这篇文章中,你将发现 7 种有趣的自然语言处理任务,其中深度学习方法正在取得一些进展。

概述

在此文中,我们将看看下面的 7 种自然语言处理问题。
1、文本分类
2、语言模型
3、语音识别
4、说明生成
5、机器翻译
6、文本摘要
7、问答系统

我尝试着重于你可能感兴趣的最终用户问题类型,而不是那些深度学习应用性能很好的学术或语言子问题(如词性标签、分块、命名实体识别,等等)。
每一个例子提供了问题描述、示例以及对演示方法和结果的参考文献。大多数参考文献来自于 Goldberg 所整理的 2015 年 NLP 研究人员深度学习入门。
这里有没有尚未列出的你最喜欢的深度学习之 NLP 应用?

文本分类

未来十年,智慧医院与人工智能领域7大技术预见

开展技术预见行动已经成为国家各行业遴选优先发展技术领域和技术课题的重要活动。作者根据在生命健康领域的研究经历,遴选出在未来十年左右七个重要技术领域的技术预见,并绘制出关键技术发展路线。

预见一:基于临床样本表型与生命组学融合技术的精准医学临床决策支持系统在院内得到实际应用

建立在分子诊断、基因检测为基础上的,面向重大疾病及罕见病风险预测、早期筛查、分子分型、靶向治疗以及个性化治疗策略的精准医学临床决策支持系统是精准医学技术取得实际应用的重要标志,也是未来医学进步速度的重要体现。

目前,美国已有eMERGE等临床表型与生命组学信息深度融合的协作网络技术平台,并产生了重要的科研成果。但是能够普遍用于临床的,并与精准医学相结合的决策支持产品国际、国内尚未出现。

精准医学临床决策支持系统其数据来源不仅包括院内临床信息,同时包括来自于基因组、转录组、代谢物组、糖组、人体微生物组等生命组学数据及生物样本信息,涉及中文自然语言处理、语义映射转化、临床与组学数据规范化、临床与组学关联分析、机器学习等众多关键技术。

同步内容
--电子创新网--
粤ICP备12070055号