首頁熱門文章
人工智能大眾化的必經(jīng)之路：機器學習
發(fā)布時間：2019-08-12 分類：趨勢研究 來源：獵云網(wǎng)
近年來，隨著人類在計算能力上取得的巨大進步，以及新計算機算法的發(fā)現(xiàn)和標記數(shù)據(jù)的增加，人類對神經(jīng)網(wǎng)絡（一種具有學習能力的人工智能系統(tǒng)）的研發(fā)工作也是蒸蒸日上。此前，各種相關的研究活動還不十分活躍，神經(jīng)網(wǎng)絡的實際應用也是十分有限的。
近幾年的諸多研究，使得神經(jīng)網(wǎng)絡的廣泛應用成為了可能，但由于機器學習模型仍需要繁瑣的計算工作，導致它在奔向主流的路上重重受阻。而現(xiàn)在，新算法的出現(xiàn)，正高效地將神經(jīng)網(wǎng)絡推向更傳統(tǒng)的應用領域。
神經(jīng)網(wǎng)絡，是當前計算機科學研究領域的一個焦點。其創(chuàng)造靈感來自于復雜的人類生物學，在大多數(shù)可想到的用例中，生物學的應用都優(yōu)于計算機的應用。
雖然計算機在存儲信息和快速處理方面表現(xiàn)出色，可人類卻更善于有效地利用其有限的計算能力。誠然，計算機每秒能進行數(shù)百萬次計算，這是人類無法企及的；但同樣，人腦的效率也是計算機無法企及的，它的效率比計算機要高上萬倍。
但另一方面，計算機在復雜算法上的缺陷，在其對持續(xù)變化的數(shù)據(jù)的高效處理能力上也得到了彌補。
不過，其強大的計算能力也是有缺陷的，那就是價格。即使近來計算機計算的成本大幅下降，但機器學習這一塊的費用還依舊十分高昂，使得大部分個人、企業(yè)和研究人員望而卻步，他們往往都是依靠昂貴的第三方服務來進行實驗。由于計算的復雜性，就算是一個很普通的聊天機器人，其成本也可能在幾千美元到一萬美元之間。
神經(jīng)網(wǎng)絡架構搜索
科學家們一直在研究各種技術，想要降低機器和深度學習應用方面的時間和資金成本。
計算領域對軟件和硬件的要求都很高，高效的算法和設計優(yōu)良的硬件都是優(yōu)先考慮的，但硬件開發(fā)卻十分耗時耗力的，這也促使著眾多研究人員為其設計自動化解決方案。
科研人員目前在軟件和硬件方面都取得了進展。當前神經(jīng)網(wǎng)絡應用中最常用的技術就是神經(jīng)網(wǎng)絡架構搜索（NAS），不過，其在設計神經(jīng)網(wǎng)絡方面的高效率也伴隨著計算方面的高成本。NAS技術可以被認為是邁向自動化機器學習的前提。
麻省理工學院（MIT）在這一領域進行了大量研究，其在一篇論文中，向我們展示了一種更為高效的NAS算法，該算法可以學習卷積神經(jīng)網(wǎng)絡（CNN），用于特定的硬件平臺。
研究人員通過“刪除不必要的神經(jīng)網(wǎng)絡設計組件”，利用特定的硬件平臺（包括移動設備），成功地提高了效率。實驗表明，新型神經(jīng)網(wǎng)絡的速度幾乎是傳統(tǒng)模式的兩倍。
這篇論文的作者之一Song Han，同時也是麻省理工學院微系統(tǒng)技術實驗室的助理教授，他表示他們的目標就是讓人工智能大眾化。
他們希望通過特定的解決方案，能讓人工智能專家以及非專家通過一個特定的硬件平臺，高效地參與神經(jīng)網(wǎng)絡架構的設計，減輕設計和改進神經(jīng)網(wǎng)絡架構時的重復而單調的工作。
此外，值得一提的還有其他的技術，比如機器學習算法。與在資源密集型控制環(huán)境中計算不同，機器學習算法可以通過在專門設計的硬件上運行，從而降低功耗。
另外，不列顛哥倫比亞大學（UBC）的研究人員發(fā)現(xiàn)，現(xiàn)場可編程門陣列（FPGA）在機器學習應用程序上速度更快、功耗更低。除了通過專門的硬件使機器學習更省錢省時，F(xiàn)PGA還可以使那些技術水平較低的人更容易使用深度神經(jīng)網(wǎng)絡（DNN）。
FPGA與高層次綜合（HLS）的結合使用，可以實現(xiàn)“自動設計硬件”，這樣就無需專門設計硬件來測試機器學習推理解決方案是否有效了。這樣一來，在針對各種用例時，應用程序的投入使用就變得更加快捷。
在參考了HLS和FPGA的使用以后，其他研究人員還考慮將FPGA用于特定的DNN子集，即卷積神經(jīng)網(wǎng)絡（CNN），該技術擁有優(yōu)良的圖像分析能力，通過對動物的視覺皮層的研究獲得靈感。
為了進一步展示其多樣性，一些研究人員還著眼于DNN的應用來進行與工程任務相關的自動化設計。
Agent 001：機器學習代理
機器學習研究領域還有很長的路要走。Robert Aschenbrenner是神經(jīng)網(wǎng)絡和機器學習方面的研究人員，他指出該技術即將發(fā)生轉變，同時還強調了機器學習代理工具將如何提高其性能和算法。
Aschenbrenner表示，現(xiàn)今的自動化工具在很大程度上是孤立的，被分割到各種不同的領域。一個網(wǎng)站聊天機器人一般不會與客服人員互動，除非其有特定的編程，多數(shù)情況下，聊天機器人只是按照自己的內部程序運行，沒有指令就不會改變運行方式。
機器學習代理工具會通過我們的工作方式，收集和挖掘歷史數(shù)據(jù)，尋找自動化發(fā)展的機會。然后，人工智能工具將以自動化流程改變的形式假定解決方案，模擬展示這些改變將如何提高生產(chǎn)力，或是帶來更好的業(yè)務成果。
計算能力訓練
想要讓一種算法能像人類或任何動物那樣去學習，還有很多工作要做。
Aschenbrenner列出了人類相對于機器仍有優(yōu)勢的五個主要領域：視覺、無監(jiān)督/強化學習、可解釋模型、推理和記憶以及快速學習。
盡管人工智能在這些方面有了很大進步，但人類在快速學習方面的能力仍然要強大得多，而且不像機器那樣，需要明確標注的數(shù)據(jù)來下達指令。
人類擁有很強的推理能力，能在看似不相干的想法之間找到聯(lián)系，但機器目前仍無法完全獨立地進行緊急學習。
雖然機器學習算法在神經(jīng)網(wǎng)絡領域有很多應用，但是它的基本使用范圍擴大，也就意味著在未來，它的應用將超乎想象。
迅速發(fā)展的人工智能不斷被投入實際應用，但是人工智能的普及取決于快速設計的硬件和軟件解決方案，這些解決方案也具有上述的資源效益。
人工智能大眾化
正如麻省理工學院所描述的那樣，優(yōu)化算法，降低成本，讓人工智能大眾化，讓缺乏資源來運營大規(guī)模計算的個人和組織也能使用大規(guī)模機器學習技術。
雖然在該領域的研究可能還處于早期階段，但新提出的設計自動化解決方案為我們揭示了這一領域的遠大前景。此外，隨著計算機硬件成本下降，云計算等可共同操作技術的引入，機器學習變成主流應用的時代可能會提前到來。對復雜算法和工具的普及對教育事業(yè)、醫(yī)療事業(yè)和企業(yè)經(jīng)營也有正面效果。
企業(yè)可以通過人工智能處理繁瑣的任務來降低運營成本，促進人力資源配置，提高關鍵任務的完成效率。
總而言之，大眾早晚會用上這些功能強大的軟件，一切只是時間問題。
