深度学习改变日常生活?Netflix、雅虎这么做

作者: 机器人圈 2017-03-10 20:30:24

使用海量数据来识别照片和语音并实时翻译讲话,深度学习计算机朝着真正的人工智能迈进了一大步。还有很多深度学习的应用则在我们的视线之外影响世界。互联网搜索、广告推荐、金融量化交易、机器翻译、医疗大数据分析、智能法律咨询……可以说凡是需要从大量数据中预测未知信息的领域都是深度学习可以一展拳脚的地方。

IBM的超级计算机“深蓝”打败了国际象棋世界冠军Gary Kasparov已过去20年,这是人工智能史上的首次胜利。

深度学习把科幻的智能预测变为现实

科学家们已经取得了巨大的进步,他们创建一个模拟人类大脑神经元的计算系统,用神经网络解决此类问题。今天,超级计算机已足够聪明,不仅可以轻松击败国际象棋玩家,而且可以在类似的复杂游戏中竞技成功,如已有3000岁的中国围棋游戏,以及最近扑克多人挑战赛。

Libratus战胜世界扑克顶尖高手

但是这些人工智能系统是如何获胜的呢?谷歌DeepMind开发的计算机程序AlphaGo是如何打败大师?一个名为Libratus的人工智能程序,是如何在美国宾夕法尼亚州匹兹堡的赌场连续三周挑战世界扑克顶尖高手,赢得了150万美元?人工智能必须不仅创造了高度的战略思维,而且体现了敏锐的直觉和预测性,甚至还不乏虚张声势。

自我学习取自人的学习,再超越它

人工智能的目标是使计算机更聪明,甚至比给它赋予的与人类同样的思维和推理能力还要聪明。现在有许多方法可以实现。

几年前,“深蓝”被人类手动赋予能力,复制人类顶级棋手的知识与智慧。通过实施人工智能,IBM的超级计算机能够识别曾经见过的东西、考虑所有可能的动作、预测人类的反应,然后再决定最好的行动。如果不训练它接受大量的数据并使用运算法则,它就不可能在没有任何人为干预的情况下完成任务。这个过程现在被称为“机器学习”。

但它并没有结束。在更复杂的游戏,比如中国围棋,尤其是扑克,需要更多的智能系统来击败人类玩家,不仅有数十亿种选择可以预见,而且需要感觉或直觉。这就是深度学习过程的开始。深度学习是机器学习的一个高度创新的分支,它密切模仿人脑在处理数据和创造决策模式方面的工作。

对比机器学习方法,通过“深蓝”的使用,alphago和libratus不仅从历史游戏中学习,而且利用一个30000万左右的步法数据库,通过对阵,在所有可能的选项中找到最佳方案。这和人类从实践中学习的方法一样,在做出最后决定之前尝试了许多不同的东西。通过自我学习的过程,在不增加人力投入或手动执行规则下,它能凭直觉经验知道如何达到最佳发挥。

深度学习使计算机超精密

深度学习是人工智能研究中最有前途的领域,使我们更近一步了解可以独立思考的视觉机器人。今天,深度学习被用于游戏行业,并发现许多应用在任何行业都依赖此技术。自学习算法在医疗保健、图像识别,无人驾驶汽车或个人助理等领域有助于达到不同程度的提升。它们可以帮助诊断脊柱损伤、心脏病以及癌症的情况,甚至可以在创作艺术中发挥作用,给黑白照片增加颜色。

深度学习提供的超精度也被用于广告业。自学习算法可以帮助实现超精确的产品推荐,同时,当用户点击广告(转换潜力)或购买价值(转换值)时更好的预测概率,使广告活动收效高达50%以上。

深度学习在广告中的作用是在算法中使用大量的数据,并且没有特定的指令或规则下和人类一样。它除了可以被电子商务公司用来说服客户购买额外的产品,也为其他公司推荐音乐、活动等,还可以在工作中提出其他建议。

用户看到一个基于预定义的假设的广告创意:如果你搜索一个带金扣的黑色鞋子,那就会从已收集的历史信息中建议显示带扣环的黑色靴子。然而,深度学习没有预先假设的规则。计算机通过实践学习将是最佳的组合,它可能是一双黑色的鞋子或一个更好的选择——棕色凉鞋、相匹配的包等。执行上述行为的过程,人类没有对计算机进行任何编程,每个结果都是由数据和算法学习得出的。换句话说,人类的行为只需要按步骤去规划算法,让其实现自身编程。

未来将会怎样?

这是否意味着不再需要人类的知识?至少现在,答案是否定的。当人类活动产生数据时,机器学习开始运行,我们可以利用这些数据更好地了解我们的世界。

从虚拟个人助理,像Siri和Cortana,到谷歌和特斯拉的自动驾驶汽车,深度学习已逐渐成为日常科技的一部分。我们智能手机上的语音识别的程度比以往更好,图像识别的进展远远超出了我们的预期。深度学习的最终目标是使我们的生活更轻松,让我们的工作更有效。

下一步我们需要让更高层次的人工智能参与更多不同领域,尤其是像医学这样重要的领域。多亏了更多、更发达的人工智能方法(如语音或图像识别),未来可以给我们带来像医生一样令人信任的机器人,并且值得人类的信任,用来做简单的疾病诊断。

2014 年 6 月,Ian Goodfellow 等学者发表了论文《Generative Adversarial Nets》,题目即“生成对抗网络”,这标志着 GANs 的诞生。

在图像识别方面,在犯罪现场调查的许多情节也将还原成现实,因为谷歌推出了一个新的AI系统能够把8*8像素的图像,提高分辨率16倍,有效地恢复丢失的数据。奇怪的是,另一个迅速发展的领域技术生成对抗网络(generative adversarial networks),是基于算法看到的其他图片,为给定的请求很快 “画”出新的图片。

其实,有很多方式实现AI,不光是科学,平常生活中亦然。因为当你的软件是由相关的数据集技术支持时,可能性就是无穷无尽的。

深度学习
上一篇:谷歌收购Kaggle为什么会震动三界(AI、机器学习、数据科学界)? 下一篇:机器学习入门算法:从线性模型到神经网络
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

图灵奖得主Yoshua Bengio:深度学习当务之急,是理解因果关系

深度学习擅长在大量数据中发现模式,但无法解释它们之间的联系,而图灵奖获得者Yoshua Bengio想要改变这一点。

佚名 ·  1天前
18个挑战项目带你快速入门深度学习

AlphaGo 大战李世?h之后,深度学习技术便在国内变得异常火。吸引了大批的技术人员争相学习,那么到底如何才能更快速的入门深度学习呢?下面给大家介绍的 18 个挑战项目,通过实践动手带你快速入门深度学习!

实验楼 ·  2019-10-10 14:48:19
盘点 | 8个你可能不知道的深度学习应用案例

深度学习与传统机器学习系统的不同之处在于,它能够在分析大型数据集时进行自我学习和改进,因此能应用在许多不同的领域。

天极网 ·  2019-10-10 14:15:18
2019年较热门的5大深度学习课程

今天,我们将和大家盘点一下,当下较流行的深度学习资源/课程,可以帮助你们提升深度学习技能。

猿哥 ·  2019-09-26 05:16:24
DeepMind一次性开源3个新框架!深度强化学习应用落地即将迎来春天?

深度强化学习(Deep Reinforcement Learning,DRL)一直是近年来人工智能的一些重大突破的核心。然而,尽管 DRL 有了很大的进步,但由于缺乏工具和库,DRL 方法在主流解决方案中仍然难以应用。

杨鲤萍 ·  2019-09-20 09:38:18
一步一步带你完成深度学习与对象检测之人脸识别

要进行人脸识别,就要搜集用户的人脸图片,我们从网站上搜集了几个明星的照片来进行本期文章的分享。此部分文章是人脸识别的第一部分,人脸数据的搜集与提取,后期我们分享人脸识别系统的神经网络训练与人脸识别。

人工智能研究所 ·  2019-09-18 07:20:34
看懂这十步,8岁的小朋友都能理解深度学习

如果对当今人工智能的主流技术——深度学习没有了解,可能真的会有人觉得,当前的科学家们在创造无所不能、无所不知的电影AI形象。那么,如何用最浅显的方式,给大众解释什么是深度学习呢?快来看看吧!

佚名 ·  2019-09-17 16:56:39
PyTorch版《动手学深度学习》开源了,最美DL书遇上超赞DL框架

李沐等人的开源中文书《动手学深度学习》现在有 PyTorch 版实现了。不论是原书中的示例代码,还是实战项目,原来的 MXNet 都可以无缝转化到 PyTorch 代码。

ShusenTang ·  2019-09-17 10:23:45
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载