
Read Time:1 Minute, 13 Second
前言:
人工智能算法的末日来了 ?! 阿里裁掉大量算法, 数量远超过其他岗位, 因为, 算法拿著高薪, 就只知道调参数、发论文 ?!
本文:
人工智能算法的末日; 算法模型中的 “不确定性”
真正问题也许是出在:
我们总是只能针对我们能 “看得到” 的数据 (Data) 进行算法上的演算、算法模型参数上的优化。
但,我们却不知道该如何的能从我们所 “看不到” 的 “不确定性 (Uncertainty) ” 当中,去更全面、更客观的评估、优化我们所开发出来的算法模型的准确度。
也就是说,当我们只能根据我们所 “看得到” 的数据做算法的演算、算法模型的优化时,我们所开发出来的算法模型就是只能局限在某一特定的 “Task” 上;而无法达到具备商业运转价值上的 “通用性” 与 “适应性”。
只有当我们有足够的能力,能精准的掌握我们所开发出来的算法模型中的 “不确定性” 对我们的算法模型的影响为何?我们才能使得我们的算法模型能够更具备 “通用性” 与 “适应性”;我们的算法模型才能产生出更多让企业的老板、股东们满意的商业运转上的价值。
“举一反三” 的学习模式
人类的学习模式是具备 “举一反三” 的能力的。也就是说,我们是能认得在照片中的亲人、朋友;而不论照片中的背景是在家中,还是在海边,还是在山上,更不论是在白天、晚上、大晴天、刮风下雨⋯
人工智能的算法模型; 不论是机器学习,还是深度学习;是很 “不容易” 的能做得到 “举一反三” 的;也就是说,人工智能能识别出照片中在家的你,却不见得能识别出照片中在海边的你?!
人工智能的学习很难能做得到 “举一反三”,也就是说人工智能在面对 “不确定性(uncertainty ) ” 上的能力是有限的;这也使得人工智能在导入到企业的数字化的转型上,面临着成本过高、失败风险极大的困境。
所以,在人工智能的领域,我们应该要能运用 “概率(Probability) ” 将人工智能从 “科学” 导入到 “工程”;低成本、低风险的导入到各行各业的数字化管理;让人工智能可以 “举一反三”、能可靠的面对 “不确定性”;这才是我们在人工智能的领域上,所真正应该学习的方向。
Learning from Experiences 解决 Common Senses 的问题
我们过去将数学(概率)所建立的机器学习、深度学习的算法模型,是让机器 “Learning from Data”;这样子的作法,帮助了人类解决在预测、分类上的问题;但却没办法使得电脑能 “举一反三” ,而能以 “通用性”、“适应性” 的智能,解决 “Common Senses” 的问题?!
现在,我们还是在用 “概率” 在建立机器学习、深度学习上的算法模型。只是这次,我们不再使用 “Learning from Data”,而是 “Learning From Experiences”; 只有 “Learning from Experiences” 才能让电脑的智能可以举一反三,才能有更好的通用性、适应性。也就是说,电脑将能更容易的识别出照片中的你;不论照片中的背景是家中、海边、山上、白天、黑夜、晴天、下雨刮风⋯
在过往的日子,人类认为人工智能的提升指的是:算法模型的预测、分类的准确度。这样的认知,最大的问题就是:人类总是将算法模型的准确度局限在某一个 “特定” 的 “task”上;如,预测、分类照片背景是“家中” 的人。而将照片背景是 “海边” 当成是另一个 task。
现在,我们要改变这样的想法:我们应该是要以一个 “Common Sense” 来评估算法模型的准确度;也就是说:有能力识别照片中的人,就是有能力识别照片中的人,而不论照片的背景是什么?这就是 Common Sense;不是吗?
结论:
人工智能是要靠着写下一行行的代码,实实在在的实践出数学模型的。不是用 “想” 的。人工智能不是 “神话”,不是在拍电影;人工智能是很明确、很具体的、很实际的;因为,人工智能的算法模型已又再进化到与人类的学习模式是一样的:
- Learning from Experiences。
- 解决 Common Senses 的问题; 而不是局限在某个特定的 Task。
- 精准的掌握我们所开发出来的算法模型中的 “不确定性” 对我们的算法模型的影响为何?