Demi 的blog

IBM预测未来5年对人类产生最大影响的5大创新

IBM认为,随着人工智能(AI)的迅速进步、超级天文望远镜、智能传感器和医疗设备的发展,从医疗卫生、环境到对地球、宇宙的了解等各个方面都将受益。当然这些预测都是基于目前出现的技术和研发水平,谁也不知道未来5年还会出现什么创新。

现在就看看IBM的科学家们对近期的愿景,到2022年我们可以再比照,就知道他们是否正确了:

1、得益于AI,说话将成为了解心理是否健康的窗口

5年内我们说的话和写的字都可以成为心理健康和身体健康的信号。最新的认知系统通过分析我们说话和书写,找到早期发育紊乱、心理疾病和神经退行性疾病的信号,帮助医生和患者更好预测、监控和跟踪这些健康问题。虽然看起来将语言线索与疾病信号联系起来还有段距离,但这种试验系统已经出现。去年南加州大学的团队建立一个项目,能检测到正常说话方式的变化并发现患上抑郁症的信号。

2、通过AI和强大的新设备,具备超级英雄视觉成为可能

人工智能有望助力精准医疗

随着计算机的不断发展,医学影像的精度、密度等数据信息量会越来越大,生物标本库和生物组学信息的数据也在快速增长,数据的存储甚至人工的智能判读成为重要问题。

精准医疗,就是要克服千人一方、万人一药的瓶颈问题,根据患者个体的遗传基因特征,量体裁衣式地制定具有个性化的治疗方案。然而,随着生物数据的爆炸式增长,更多的挑战出现在了计算技术领域。

“我们已经进入了一个医学数据大规模整合的时代,要参考基因组学、微生物组、环境、行为、临床检验等各种信息,这个整合就导致数据量出现指数级的增长。”中国国家罕见病注册系统执行总监弓孟春在2017人工智能计算大会上表示,现在精准医疗的知识体系已经超过医生个人承载的范围,知识更新的速度也超出了传统医学教育系统处理的能力。

而人工智能最大的优势就是其碾压性的计算能力,医疗若想更精准,急需人工智能前来救场。

“胖数据”待“瘦身”

“现在病人会拿着基因测序的报告问你,糖尿病会不会遗传给孩子、会不会很早就得眼底病变、会不会很快出现心血管病变、是不是应该用胰岛素、应该先吃什么药、运动会不会对我有效……”精准医疗普及的同时也给医生提出了很多难题,弓孟春就遇到过很多问题不断的病人,这些问题已经远远超出医生原来数据搜集的范围。

「AI For Business」,是昔日蓝色巨人IBM 对其人工智能的定位,清晰而坚定,即便其营收连续21个月下滑、遭到投资人的质疑,也未曾改变。

对于这家最善于把脉未来趋势的公司,在人工智能席卷而来时当然也早有准备,比如他们的明星产品Watson。

认知商业,这是 IBM 人工智能的战略方向,而毫无疑问Watson 是实现一切战略的核心。

从最近的信息中,我们不断看到Watson在不同领域的大小动作,与某医院签约,入驻某家机构,和某公司战略合作,一副沃森很忙的样子。而忙的一切,也都成了为IBM努力赚钱的最终结果。

至于一家有国际影响力的巨头公司,当然提钱不免有些俗气,除此之外,它更想让人知道的是这家公司在人工智能的诗和远方:教AI来表现得更像人脑。

今天,我们希望通过这篇文章来试图描述这位重要玩家在其AI上的布局和观点,希望对你有帮助。

灵感来源:大脑

人类最伟大的思想家也逃脱不了从自然界寻求创作的灵感的路径,比如达芬奇设计的“ Ornithoper ”(翼型飞机)。

即便现在也没有改变。人工智能和机器学习方面的突破性进步也是以从自然语言中最先进的计算机构提取设计线索:那就是人的大脑。

2017全球十大新兴技术,或在未来三五年内落地

世界经济论坛每年评选年度十大新兴技术。在此前五年的榜单中,3D打印、CRISPR-Cas9、光遗传等技术已经成为我们生活、研究中的重要元素。而在今年的榜单中,又有哪些将改变人类的未来?今年报告中的新兴技术包括将二氧化碳变成燃料的“人造叶子”,以及从空气中获取水的技术,可能很快解决全球上最迫切的问题。

这些技术由世界经济论坛的专家和全球未来理事会、科学美国人杂志及其顾问委员会合作选定。每种技术都拥有改善生活,改造行业和维护地球的潜力。专家们也在寻找迹象,表明这些技术已经达到了一个成熟度水平,预计可以在未来3-5年内广泛采用。

“新技术正在重新界定产业,模糊传统的边界,创造新机会。公共和私人机构必须制定正确的政策、协议。相互合作,以创新建立一个更美好的未来,同时避免技术变革所带来的风险。”世界经济论坛管理委员会委员Murat Sönmez 表示。

以下为 2017 年 10 大新兴技术:

1、液态活检技术

2017全球十大新兴技术

【导读】如果你的神经网络不工作,该怎么办?本文作者列举了搭建神经网络时可能遇到的11个常见问题,包括预处理数据、正则化、学习率、激活函数、网络权重设置等,并提供解决方法和原因解释,是深度学习实践的有用资料。

如果你的神经网络不工作,该怎么办?作者在这里列出了建神经网络时所有可能做错的事情,以及他自己的解决经验。

1.忘记规范化数据
2.忘记检查结果
3.忘记预处理数据
4.忘记使用正则化
5.使用的batch太大
6.使用了不正确的学习率
7.在最后层使用了错误的激活函数
8.你的网络包含了Bad Gradients
9.初始化网络权重不正确
10.你使用的网络太深了
11.使用隐藏单元的数量不对

忘记规范化数据了

问题描述:
在使用神经网络时,思考如何正确地规范化数据是非常重要的。这是一个无法改变的步骤——假如这一步骤没有小心、正确地做,你的网络就几乎不可能工作。由于这个步骤非常重要,在深度学习社区中也是众所周知的,所以它很少在论文中被提及,因此初学者常常在这一步出错。

怎样解决?

编者按:本文来自“极限元”,作者 马骥,极限元智能科技联合创始人,中科院-极限元“智能交互联合实验室”副主任。

深度学习在2006年开始崭露头脚后,近几年取得了飞速的发展,无论是学术研究还是企业应用均呈现出指数级增长的趋势;伴随着这项技术的不断成熟,深度学习在智能语音领域率先发力,取得一系列成功的应用。

例如,
一. 音色的定制化,需要跟踪录大量的音库,重新训练一个模型;
二. 个性化表示方法的定制化,可以录一些数据,通过深度学习训练模型,自适应的方法来实现。

深度学习在统计参数语音合成中的应用

语音合成主要采用波形拼接合成和统计参数合成两种方式。波形拼接语音合成需要有足够的高质量发音人录音才能够合成高质量的语音,它是商业产品中最常用的语音合成技术。统计参数语音合成虽然整体合成质量略低,但是在小规模语料、低占用资源的情况下,优势更为明显。此外,混合语音合成联合了波形拼接合成和统计参数合成的优势,选音方法类似于传统的波形拼接方法,它利用参数合成方法来指导选音;接下来重点介绍目前广泛使用的语音合成方法:

(1) 传统的基于DNN/LSTM的合成

你怎么存活于大数据和人工智能结合的时代?

【编者按】这篇文章最初以“Digitale Demokratie statt Datendiktatur”的名字出现在Spektrum der Wissenschaft(科学美国人的姊妹出版物)。作者是Dirk Helbing、Bruno S. Frey、Gerd Gigerenzer等9位著名教授(文后附作者介绍),主要论述了大数据与人工智能对未来社会经济、政治、安全、法律等相关问题的影响,讨论了数字革命和数字时代策略,并对成功实现数字社会给出具体的建议。

发展背景:大数据与人工智能

数字革命正如火如荼地进行着。每年我们产生的数据量都在翻倍,每分钟我们在Google搜索、在Facebook上发帖,不久我们周围的事物都将与互联网相连。据估计,在10年的时间内,将有1500亿个网络测量传感器,比人类总数多20倍,而且,数据量将每隔一段时间翻一番。许多公司已经在努力把“大数据”变成“大商机”。这将如何改变我们的世界?一切都将变得智能,我们将不仅拥有智能手机,还有智能家居,智能工厂和智能城市,甚至于出现智能国家和更智能的地球。

AI哲学家:人工智能应该先研究细胞而不是大脑

从一开始,我们就被告知,智能与大脑是密不可分的。智力是智能的一个非正式的同义词,而且,对天赋和智慧的任何讨论都将大脑作为隐喻。自然地,当技术发展到人类决定在机器中复制人类智能的时候,我们的目标是在人工智能中模拟大脑。

但如果这是错误的呢?如果所有关于创造“神经网络”和机器人大脑的讨论都是一种误入歧途的做法呢?如果在推进人工智能方面,我们抛弃了大脑的比喻,转而支持更小的细胞呢?

这种反直觉的方法正是Ben Medlock的工作,他不是你的普通人工研究员。作为SwiftKey的创始人(一家使用机器学习参数来设计智能手机键盘应用的公司),他的日常工作是围绕人工智能系统如何能增强我们已经在我们的电子设备上使用的标准工具。

但是Medlock却像一个人工智能哲学家。他的想法不是思考如何在短时间内从短信中减少几秒钟的时间。他希望推动人工智能研究和开发领域的范式转变,以及我们如何定义智力。

“我过着这种双重生活,”Medlock说。“我与SwiftKey的合作一直围绕着你如何使用人工智能,让它变得实用。从某种意义上而言,这是我的日常工作。

“但是,我也花了相当多的时间思考人工智能发展的哲学意义,而智能是一种非常具有人类价值的东西。”这种想法让他想到了人类生活的基石——细胞。

深度学习在情感分析中的应用

编者按:本文选自图书《Keras快速上手:基于Python的深度学习实战》第七章,本书覆盖当前最热门的传统数据挖掘场景和四个深度学习应用场景,据市场调研,是目前唯一一本以应用为导向的介绍机器学习和深度学习的专业书籍,具备很高的参考价值和学术价值。

自然语言情感分析简介

情感分析无处不在,它是一种基于自然语言处理的分类技术。其主要解决的问题是给定一段话,判断这段话是正面的还是负面的。例如在亚马逊网站或者推特网站中,人们会发表评论,谈论某个商品、事件或人物。商家可以利用情感分析工具知道用户对自己的产品的使用体验和评价。当需要大规模的情感分析时,肉眼的处理能力就变得十分有限了。情感分析的本质就是根据已知的文字和情感符号,推测文字是正面的还是负面的。处理好了情感分析,可以大大提升人们对于事物的理解效率,也可以利用情感分析的结论为其他人或事物服务,比如不少基金公司利用人们对于某家公司、某个行业、某件事情的看法态度来预测未来股票的涨跌。

进行情感分析有如下难点:

• 第一,文字非结构化,有长有短,很难适合经典的机器学习分类模型。
• 第二,特征不容易提取。文字可能是谈论这个主题的,也可能是谈论人物、商品或事件的。人工提取特征耗费的精力太大,效果也不好。

深度 | 神奇的神经机器翻译:从发展脉络到未来前景

机器翻译(MT)是借机器之力「自动地将一种自然语言文本(源语言)翻译成另一种自然语言文本(目标语言)」。使用机器做翻译的思想最早由 Warren Weaver 于 1949 年提出。在很长一段时间里(20 世纪 50 年代到 80 年代),机器翻译都是通过研究源语言与目标语言的语言学信息来做的,也就是基于词典和语法生成翻译,这被称为基于规则的机器翻译(RBMT)。随着统计学的发展,研究者开始将统计模型应用于机器翻译,这种方法是基于对双语文本语料库的分析来生成翻译结果。这种方法被称为统计机器翻译(SMT),它的表现比 RBMT 更好,并且在 1980 年代到 2000 年代之间主宰了这一领域。1997 年,Ramon Neco 和 Mikel Forcada 提出了使用「编码器-解码器」结构做机器翻译的想法 。几年之后的 2003 年,蒙特利尔大学 Yoshua Bengio 领导的一个研究团队开发了一个基于神经网络的语言模型 ,改善了传统 SMT 模型的数据稀疏性问题。他们的研究工作为未来神经网络在机器翻译上的应用奠定了基础。

神经机器翻译的诞生

同步内容
--电子创新网--
粤ICP备12070055号