导读:为了完美的总结2017年,更好的走向2018年,科技媒体KDnuggets向大数据,数据科学,云服务器人工智能和机器学习的一些顶尖专家询问了一些他们认为的2017年最重要的发展以及2018年发展趋势的意见。
本文全篇都是围绕2个问题:
“2017年,机器学习和人工智能最重要发展是什么?2018年有什么发展趋势?”
他们的回答和预测大多集中以下热点:
1.AlphaGo的成功。
2.深度学习的狂热。
3.自动驾驶汽车。
4.TensorFlow对神经网络技术商业化的推动。
Xavier Amatriin:最大赢家Alpha Go Zero
Xavier Amatriin:Curai的联合创始人兼首席技术官,曾是Quora的工程副总裁和Netflix的研究/工程总监。
“AlphaGo Zero无疑是今年最大的亮点。它不仅向我们展示了最有希望的方向上的技术改进(如深度强化学习),而且这种模式可以在没有数据的情况下进行学习,这是一个非常大的转变,我们最近也将Alpha Go Zero 这种问题的解决方案推广到象棋这样的游戏。
2017年在人工智能技术方面,Pytorch开始挑起热潮,成为Tensorflow的真正挑战,特别是在研究方面。为此,Tensorflow通过在Tensorflow Fold中发布动态网络迅速作出应对。大公司的“AI之战”已很激烈,其中最激烈的是云。所有的供应商都加快了脚步,增加了他们在云服务上的AI支持。来自中国的阿里云正在将人工智能应用到工业中,并且已经取得了不错的成绩。译者认为,人工智能的应用应该是从工业开始,进而在接触真正的大众用户。
2017年,关于人工智能社会问题有进一步的升级。伊隆·马斯克(Elon Musk)认为人工智能正在接近杀手级AI。关于人工智能在未来几年会如何影响就业,也有很多讨论,学术界更多的将目光放在AI算法的透明度和偏见上。
Georgina Cosma:让黑匣子看得见
Georgina Cosma是诺丁汉特伦特大学科学与技术学院的高级讲师。
机器学习模式,特别是深度学习模式正在对医疗保健,法律制度,工程和金融业等领域产生重大影响。但是,大多数机器学习模型并不容易解释。了解一个模型如何实现预测尤为重要,也就是说必须要有合理的解释来说服人们相信这个预测结果。更重要的是,一些机器学习模型的预测必须与法律法规相一致。2018年是创建足够透明的深度学习模型来解释他们的预测的时候,特别是当这些模型的结果被用来告知人类决策的时候。
Pedro Domingos:人工智能领域竞争依然激烈
Pedro Domingos是华盛顿大学计算机科学与工程系的教授。
1. Libratus的扑克胜利,将AI的主导地位扩展到不完善的信息游戏
(www.cmu.edu/news/stories/archives/2017/january/AI-beats-poker-pros.html)
2. 自动驾驶汽车和虚拟助手的竞争越来越激烈,Alexa在后者中占有一席之地。
3. AlphaGo Zero是伟大的,但不是一个突破,自我游戏是ML中最古老的想法之一。
4. 云计算市场竞争依然激烈。
Ajit Jaokar:人工智能商业化依然很难推进
Ajit Jaokar是牛津大学数据科学物联网课程的首席数据科学家和创建者。
2017年是AI发展的一年,2018年将是AI成熟的一年。我们已经看到这一趋势从AI与“系统工程/云原生”的角度。AI变得越来越复杂,但h2o.ai这样的公司会简化了部署AI的复杂性。
人工智能被越来越多的当成竞争优势,特别是在工业物联网,零售和医疗保健方面。我也看到人工智能正在迅速部署在企业的各个层面(这会创造很多岗位,但更多的岗位正在失去)。
另外,我认为人工智能可以通过嵌入式AI(即跨越企业和物联网的数据科学模型)让传统企业和更广泛的供应链合并在一起的。
最后,我认为认识AI /深度学习技术的数据科学家的短缺或许将成为阻碍人工智能商业化的过程。
尼基塔·约翰逊:人工智能让商业更智能
尼基塔·约翰逊,RE.WORK的创始人。
2017年,ML&AI取得了巨大的进步,特别是DeepMind最近推出的强化学习算法,通过四个小时的学习,打败了世界上最好的象棋游戏程序。
2018年,我期望看到智能自动化渗透到传统制造组织,零售,公用事业等企业。随着数据收集和分析的不断增加,企业级自动化系统战略的需求将愈加强烈。这将促使公司能够投资于AI的长期计划,并确保未来增长和效率的优先事项。
我们还将看到自动化的机器学习,帮助非AI研究人员更容易地使用该技术,并使更多的公司能够将机器学习方法应用到他们的工作中。
Hugo Larochelle:让人兴奋的元学习
Hugo Larochelle是Google的一名科学家,加拿大高级研究机构和大脑学习机构的副主任。
机器学习最让我兴奋的是是我挚爱的元学习(meta-learning)正在不断的发展。元学习是一个特别广泛的总称。但是,今年对我来说最令人兴奋的是在少数学习问题上取得了进展,它解决了从少数几个例子中发现学习算法的问题。切尔西费恩在今年年初做了一个很好的工作,总结了这个话题的早期进展,并写了一篇博客:
bair.berkeley.edu/blog/2017/07/18/learning-to-learn/。
而且在今年,研究人员发表了更多关于少量镜头学习的元学习的研究,使用深度时间卷积网络(arxiv.org/abs/1707.03141),图形神经网络(arxiv.org/abs/1711.04043)等。
而且在今年,研究人员发表了更多关于少量镜头学习的元学习的研究,使用
深度时间卷积网络
(arxiv.org/abs/1707.03141),
图形神经网络
(arxiv.org/abs/1711.04043)等。
我们现在也看到元学习方法学习做主动学习
(arxiv.org/abs/1708.00088),
冷启动项目推荐
(papers.nips.cc/paper/7266-a-meta-learning-perspective-冷开始推荐项目),
少数分布估计
(arxiv.org/abs/1710.10304),
强化学习
(arxiv.org/abs/1611.05763),
分层RL
(arxiv.org/abs/1710.09767),
模仿学习
(arxiv.org/abs/1709.04905), 还有很多。
Charles Martin:AI经济即将爆发
Charles Martin是数据科学家和机器学习AI顾问。
2017年,深度学习AI平台和应用程序发展势头异常迅猛。今年,Facebook发布了PyTorch,以及Gluon,Alex,AlphaGo也在不断更新。ML从特征工程和逻辑回归发展到阅读论文,应用神经网络,优化培训效果。在我的工作中,客户已经在寻求自定义对象检测,高级NLP和强化学习服务。当比特币飙升的时候,人工智能一直是一场沉默的革命,其在零售业应用激起人们认为人工智能将破坏行业。更多的企业也尝试寻找人工智能方案来改变自己。
2018年必将成为全球人工智能经济的突破之年。全世界各地的人工智能需求也正在增加。来自中国和加拿大的人工智能以及印度等国家战略正从IT调整为人工智能。在国家战略的推动下,人工智能将实现大规模的效率,传统行业受益,如制造业,医疗保健和金融。人工智能创业公司将把新产品推向市场并尽可能的占领更多的市场份额。同时,自动驾驶汽车也将会带来惊人的进步。
Sebastian Raschka:关于AI隐私的话题依然值得关注
Sebastian Raschka,密歇根州立大学应用机器学习和深度学习研究员和计算生物学家,Python机器学习的作者。
在过去的几年中,开源社区已经就新出现的深度学习框架进行了大量的讨论。现在,这些工具已经有所成熟了,我希望看到一种去工具为中心的方法,并将更多的精力用于开发和实现利用深度学习的新颖想法和应用。如今年很火爆的GAN和Hinton capsule来解决更多的现实问题。
此外,根据我们最近的半对抗神经网络保护脸部图像隐私的论文,用户隐私在深度学习应用程序是一个非常重要的问题,我希望并期望这个话题在2018年获得更多的关注。
Brandon Rohrer: AI依然需要更加强壮
Brandon Rohrer是Facebook的一名数据科学家。
2017年有更多机器击败人类,去年,AlphaGo击败了世界上的围棋冠军,成为战胜人类智慧的一个里程碑。今年,AlphaGo Zero从头开始学习,成功的打败了它的前任。
(deepmind.com/blog/alphago-zero-learning-scratch)
重要的是它不仅击败了人类,而且还打败了全体人类集体的经验。
然而,人工智能的成就仍然狭窄和脆弱,改变图像中的单个像素就可以击败最先进的分类器。(arxiv.org/pdf/1710.08864.pdf)我预计,2018年将出现更多通用和强大的AI解决方案。几乎主要的科技公司都已经有了一个人工智能的团队。这些团体及其早期成果将成为头条新闻,而“AGI”将会取代“AI”成为当年的流行词。
Elena Sharova:储存数据的安全性和成本依然是最大的问题
Elena Sharova,一家投资银行的数据科学家。
2017年,我看到公司和个人将他们的数据和分析转移到基于云的解决方案的数量有所增加,以及对数据安全性的重要性的认识急剧增加。
最大最成功的技术公司已经竞相成为用户的数据存储和分析平台。对于数据科学家来说,这意味着他们开发的工具箱和解决方案正在被这样的平台所能提供的功能和能力所改变,但总的方向是好的。
2017年,数据安全漏洞问题在全球范围内引起关注。这是一个不容忽视的问题。随着越来越多的数据转移到第三方存储,对于适应新威胁的更强大安全性的需求将继续增长,选择第三方储存更需要考虑安全性问题。
我个人觉得,2018年我们将需要进行更多工作以确保遵守《全球数据保护条例》(GDPR),并处理更多机器学习系统带来的“隐藏”技术“债务”。GDPR 作为一项欧盟法规具有全球影响力,所有数据科学家应该充分意识到其将会对他们的工作产生什么影响。同时,随着企业创建复杂的数据驱动模型,服务提供商将不得不仔细考虑如何解决这一成本问题。
Tamara Sipes:深度学习算法会继续成为人工智能的核心
Tamara Sipes,Optum / UnitedHealth Group商业数据科学总监。
1. 深度学习和集成建模方法在2017年继续证明了与其他机器学习工具相比的价值和优势。特别是深度学习在各个领域和行业得到了更广泛的应用。
2. 2018年的趋势,深度学习可能会被用来从原始输入中产生新的特征和新的概念,并取代手工创建或设计新变量的需求。深度网络在检测数据的特征和结构方面是非常强大的,数据科学家正在认识到无监督深度学习可以为此发挥的价值。
3. 有效的异常检测可能也是未来的重点。在许多行业中,数据科学工作的重点是异常事件和其他类型的罕见事件:入侵检测,财务欺诈检测,欺诈,浪费,医疗保健中的滥用和错误以及设备故障等等。成果的检测到这些罕见的事件是使竞争优势领域的竞争者。
Rachel Thomas:深度学习框架将越来越容易交互
Rachel Thomas,fast.ai的创始人,也是USF助理教授。
虽然不像Alpha Go或者翻转机器人那样有影响力,在2017年,我最兴奋的AI趋势是深度学习框架变得更加用户友好且易于使用。PyTorch对任何了解Python的人都很友好(主要是由于动态计算和OOP的设计)。即使TensorFlow正朝着这个方向发展,将Keras纳入其核心代码库并宣布发布动态执行。工程师使用深度学习的障碍正在越来越低,我预计2018年开发人员的增长趋势将持续下去。
第二个趋势是媒体报道的专制政府将使用人工智能监控公民。这个隐私威胁对于大多数人来说并不陌生,但直到最近才开始受到广泛的关注。利用深度学习来识别戴着围巾和帽子的示威者,或者通过图片来识别某人的性取向,使得今年更多的媒体关注AI隐私风险。希望在2018年,我们可以聚焦在这些问题,努力的去解决隐私和性别歧视和种族主义偏见的编码问题。
Daniel Tunkelang:人工智能的可解释性仍需探索
Daniel Tunkelang,Twiggle的首席搜索传播者,众多知名组织的顾问。
对于自动驾驶汽车和会话数字助理而言,2017年是一个重要的一年。这两个应用程序是学习将科幻小说变为事实的实践。
但今年机器学习和人工智能最重要的发展一直是关注道德,问责和可解释性。伊隆·马斯克(Elon Musk)以他关于人工智可能会触发世界大战的启示性警告引发来广泛热议,Oren Etzioni和Rodney Brooks等人对其观点都进行了反驳。尽管如此,我们还是面临着机器学习模式偏差可能导致的危险,如word2vec中的sexism(性别歧视),算法刑事判决中的种族主义,以及对社交媒体feed的评分模型的故意操纵。这些问题是一直存在的,但是机器学习的加速应用,已经将这些问题抛向了大众。
我们最终会看到可解释的AI作为一门学科出现,它会汇集学者,业界从业者和政策制定者。