本文由 【AI前線】原創,原文連接:http://t.cn/RTnEcr9html
做者|Matthew Mayo算法
譯者|Debra安全
編輯|Emily微信
AI 前線導讀:「2017 年,在機器學習和 AI 領域,AlphaGo Zero 的成功讓專家們印象深入,2018 年,道德和隱私問題將成爲最亟待解決的問題。網絡
時隔一年,科技媒體 KDnuggets 最近向大數據、數據科學、人工智能和機器學習領域的一些頂尖專家徵詢了他們對於 2017 年這些領域最重要的發展,以及 2018 年的主要發展趨勢的見解。這篇文章是本系列的第一篇年終總結,主要是關於在 2017 年,機器學習和 AI 領域都發生了哪些大事,以及 2018 年可能會出現哪些趨勢。」併發
問題:「2017 年,機器學習和人工智能最重要的發展是什麼,2018 年有何關鍵趨勢?」框架
2017 年,KDnuggets 曾就這一問題收集了不少專家的預測,總的來講,當時他們對 2017 年機器學習和 AI 發展的趨勢和預測主要集中在如下方面:機器學習
目前來看,這些預測基本上應驗,2017 年在這些方面確實取得了重要的進步。工具
爲了瞭解年度最重要的發展動態,以及專家對機器學習和人工智能將在 2018 年取得的成果預測,參考專家的意見很是有必要。佈局
2017AlphaGo Zero 最矚目,社會問題將引起討論
Xavier Amatriin,Curai 聯合創始人兼 CTO,曾任職 Quora 技術總監和 Netflix 的研究 / 技術主管
「今年的亮點非 AlphaGo Zero 莫屬。這種新方法不只在一些最有發展前景的方向上有所改進(例如深度強化學習),並且也表明了學習範式的轉變——這種模式能夠在沒有數據的狀況下進行學習,並且最近咱們也學會了將 AlphaGo Zero 應用到象棋等其餘遊戲中。
在人工智能技術方面,2017 年始於 Pytorch,並對 Tensorflow 構成真正意義上的挑戰,特別是在研究方面。對此,Tensorflow 經過在 Tensorflow Fold 中發佈動態網絡迅速做出迴應。大玩家之間的「AI 之戰」轟轟烈烈,其中最激烈的戰爭均圍繞雲而展開,全部的主要供應商都已經在各自的雲服務中加緊佈局 AI。亞馬遜已經在他們的 AWS 進行大量創新,好比其最近推出構建和部署 ML 模型的 Sagemaker。另外值得一提的是,小型玩家也在不斷涌入,例如 Nvidia 最近推出了他們的 GPU 雲,位訓練深度學習模型提供了另外一個有趣的選擇。雖然戰況激烈,但我很高興看到各行業在必要時可以凝聚在一塊兒。另外,新的 ONNX 神經網絡表達標準化是實現互操做性重要且必要的一步。
2017 年,人工智能方面的社會問題將進一步升級。Elon Musk 認爲 AI 會愈來愈接近殺手機器人的想法極具煽動性,讓許多人感到沮喪。另外,關於人工智能在將來幾年會對工做產生什麼影響也引發了普遍的討論。另外一方面,咱們會將更多的注意力集中在 AI 算法的透明度問題上。
預測模型透明化愈加重要
Georgina Cosma,諾丁漢特倫特大學科學與技術學院的高級講師
機器學習模式,特別是深度學習模式正在對醫療保健、法律制度、工程和金融業等關鍵領域產生重大影響。可是,大多數機器學習模型難以解釋。瞭解一個模型如何在剖析和診斷模型中進行預測的原理尤其重要,由於模型提出的預測必須值得咱們信賴。重要的是,一些機器學習模型的決定必須遵照法律法規。如今,咱們建立的深度學習模型的預測原理必須足夠透明,特別是當這些模型的結果會影響人類的決定,或用來作出決定的時候。
雲 AI 競賽加重,AlphaGo Zero 無實質性突破
Pedro Domingos,華盛頓大學計算機科學與工程系教授
AI 成爲企業競爭優點,人才短缺現狀將繼續
Ajit Jaokar,牛津大學數據科學物聯網課程首席數據科學家和建立者
2017 年是 AI 的一年,2018 年將是 AI 走向成熟的一年,咱們已經從 AI 與「系統工程 / 雲原生」的角度看到這一趨勢。 AI 講變得愈來愈複雜,但 h2o.ai 這樣的公司會讓部署 AI 變得更簡單。
我看到人工智能在企業之間取得競爭優點方面的做用愈來愈大,特別是在工業物聯網、零售和醫療保健方面。我也看到人工智能正在被迅速部署在企業的各個層面(創造新的機會,但更多工做崗位消失)。所以,這已經超越了 Python vs R 和 cats 的討論!
此外,我認爲人工智能是經過嵌入式人工智能(即跨越企業和物聯網的數據科學模型)合併傳統企業,以及更加普遍的供應鏈。
最後,除了銀行等傳統行業(尤爲是工業物聯網)以外,瞭解 AI / 深度學習技術的數據科學家短缺的狀況將繼續存在。
ML&AI 幫助企業提升效率
Nikita Johnson,RE.WORK 創始人
2017 年見證了 ML&AI 取得巨大的進步,特別是最近 DeepMind 的通常強化學習算法,在四小時內自學遊戲規則,並擊敗世界上最強大的象棋遊戲程序。
2018 年,我指望看到智能自動化滲透到傳統制造企業、零售、公共事業單位等各類公司。隨着數據收集和分析量不斷增加,企業級自動化系統戰略將變得相當重要。這將促使公司投資於長期 AI 計劃,並將其列爲企業成長和提升效率的優先級發展事項。
咱們還將看到自動化機器學習幫助非 AI 研究人員更輕鬆地使用該技術,並讓更多公司可以將機器學習方法應用到他們的工做場所中。
元學習的進展讓人興奮
Hugo Larochelle,Google 研究科學家,加拿大高級研究機構機器學習和大腦項目副主任
機器學習最讓我興奮的一個趨勢是元學習(meta-learning)的發展。元學習是一個特別普遍的總稱。可是今年,最讓我興奮的是咱們在少數學習問題上取得了進展,這就解決了如何從若干例子中發現學習算法的問題。Chelsea Finn 在今年年初曾就這一話題的進展,在這篇博客中:http://bair.berkeley.edu/blog/2017/07/18/learning-to-learn/ 中進行了很好的總結。值得注意的是,如今在機器學習方面,Chelsea Finn 是衆多使人驚歎的博士生中,最有成就、最使人印象深入的人之一。
今年年底,人們使用深度時間卷積網絡(http://arxiv.org/abs/1707.03141)、圖形神經網絡(http://arxiv.org/abs/1711.04043)等方法,進行了更多關於用少許鏡頭學習的元學習研究。如今,元學習方法也更多地被用於主動學習(http://arxiv.org/abs/1708.00088)、冷啓動項目推薦(http://papers.nips.cc/paper/7266-a-meta-learning-perspective -on-cold-start-recommendations-for-items)、少數分佈預測(http://arxiv.org/abs/1710.10304)、強化學習(http://arxiv.org/abs/1611.05763)、分層 RL(http://arxiv.org/abs/1710.09767 )、模仿學習(http://arxiv.org/abs/1709.04905)等。
這是一個使人興奮的領域,我必定會在 2018 年對這一領域保持密切關注。
AI 沉默着革命,全球 AI 諮詢需求大增
Charles Martin,數據科學家和機器學習 AI 顧問
2017 年,深度學習 AI 平臺和應用程序發展勢頭迅猛。Facebook 發佈了 Tensorflow 的競品 PyTorch,以及 Gluon、Alex、AlphaGo 等進步,ML 從特徵工程和邏輯迴歸發展到閱讀論文、應用神經網絡、優化訓練效果。在個人諮詢實踐中,客戶已經在尋求自定義對象檢測、高級 NLP 和強化學習服務。當市場和比特幣飆升的時刻,人工智能一直在進行着沉默的革命,其再零售業應用也啓示着人們,人工智能改變整個行業的巨大潛力。企業想要變革,對 AI 技術和技術指導很是感興趣。
2018 年必將成爲全球人工智能優先發展的突破之年。隨着中國和加拿大的人工智能和印度等國家從 IT 向人工智能轉變,來自歐洲、亞洲、印度、沙特阿拉伯等國家,乃至全球對 AI 的需求將繼續增加。美國和海外對企業培訓的需求都很大,人工智能將實現大規模提升效率,傳統行業如製造業、醫療保健和金融將會從中受益。人工智能創業公司將向市場推出新產品,並全面提升投資回報率。而機器人、自動駕駛汽車等新技術將會帶來驚人的進步。
這將是一個偉大的創新之年。若是你已經在這條船上。
AI 新技術待應用,隱私保護將提上日程
Sebastian Raschka,密歇根州立大學應用機器學習和深度學習研究員和計算生物學家, Python 機器學習做者
在過去的幾年中,開源社區已經對全部新出現的深度學習框架討論不斷。如今,這些工具已經漸漸成熟,我但願看到一種去工具中心的方法出現,並將投入更多的精力,將深度學習的新穎想法付諸實踐,特別是使用今年很火爆的 GAN 和 Hinton capsule 來解決更多問題。
此外,最近的半對抗神經網絡保護臉部圖像隱私的論文,或多或少能夠透露出用戶隱私在深度學習應用程序中的重要性,我很是關心,並但願這個話題再 2018 年得到更多的關注。
成果很脆弱
Brandon Rohrer,Facebook 數據科學家
2017 年還取得了不少機器擊敗人類的成就。去年,AlphaGo 擊敗了人類圍棋世界冠軍,成爲打敗人類智慧的里程碑。今年,AlphaGo Zero 經過從零自學,戰勝了它的「兄弟」。http://deepmind.com/blog/alphago-zero-learning-scratch
它不只擊敗了人類,還擊敗了全體人類的圍棋智慧。此外,機器如今能夠像人類同樣經過總機 benchmark 解碼對話
http://arxiv.org/abs/1708.06073
然而,人工智能取得的成就仍然偏狹脆弱,改變圖像中的單個像素就能夠挫敗最早進的分類器(http://arxiv.org/pdf/1710.08864.pdf)。我預測,2018 年會有更多強大的人工智能解決方案出現,幾乎全部大型科技公司都開始嘗試 AI,其早期研究成果出來以後一定會成爲新聞頭條,「AGI」將會取代「AI」,成爲 2018 年的流行詞。
2017 年機器學習 / 人工智能有哪些重大發展?
Elena Sharova,投資銀行數據科學家
2017 年,更多地公司和我的將他們的數據和分析轉向基於雲的解決方案,數據安全重要性的意識有很大提升。
最大的和最成功的技術公司在競爭着成爲用戶的數據存儲和分析平臺。對於數據科學家來講,這意味着,這些平臺所能提供的功能和能力正在塑造着他們的開發工具箱和解決方案。
2017 年,數據安全漏洞問題在全球範圍內引發關注。這是一個不容忽視的問題,隨着愈來愈多的數據轉移到第三方存儲平臺,對於應對新威脅的強大安全性能的需求將繼續增加。
2018 年有哪些關鍵發展趨勢?
我預測,2018 年咱們將須要進行更多工做以確保遵照《全球數據保護條例》(GDPR),並處理更多機器學習系統帶來的「隱藏」技術「債務」。GDPR 做爲一項歐盟法規具備全球影響力,全部數據科學家應該充分意識到其將會對他們的工做產生什麼影響。根據 Google NIPS'16 論文,數據依賴性的代價高昂,並且隨着企業建立複雜的數據驅動模型,他們將不得不仔細考慮如何解決這一成本問題。
深度學習在商業數據領域的應用
Tamara Sipes,Optum / UnitedHealth Group 商業數據科學總監
用戶友好和隱私問題
Rachel Thomas,fast.ai 創始人, USF 助理教授
雖然沒有 AlphaGo 或者翻起色器人那樣華麗和引人注目,2017 年最讓我最興奮的是深度學習框架變得更加用戶友好且易於訪問。PyTorch(今年發佈)對任何瞭解 Python 的人都很友好(主要是因爲動態計算和 OOP 設計)。TensorFlow 也正向着這個方向發展,將 Keras 歸入其核心代碼庫,併發布動態執行。編碼人員使用深度學習的壁壘變得愈來愈低,我預計 2018 年,深度學習對於開發者的可用性將繼續增長。
第二個趨勢是專制政府將利用人工智能監管公民,這已引發媒體普遍報道的話題。隱私威脅並非再 2017 年纔出現,但直到最近纔開始受到普遍的關注。利用深度學習來識別戴着圍巾和帽子的示威者,或者經過圖片來識別某人的性取向的相關技術發展,使得今年更多的媒體關注 AI 隱私風險。但願在 2018 年,咱們的關注點能夠從 Elon Musk 對邪惡超級智力的恐懼擴展開來,開始重視監視、隱私、性別歧視和種族主義等論題。
道德、問責和可解釋性
Daniel Tunkelang,Twiggle 首席搜索傳播官,知名組織顧問
對於自動駕駛汽車和會話數字助理領域來講,2017 年是一個大年。這兩個應用程序將科幻小說的情節帶進事實。
但今年機器學習和人工智能最重要的發展集中在道德、問責和可解釋性方面。Elon Musk 以他關於人工智能觸發世界大戰的警告引起了輿論熱議, Oren Etzioni 和 Rodney Brooks 等人都對他的觀點認真進行反駁。儘管如此,咱們仍是面臨着機器學習模式誤差可能致使危險,如 word2vec 中的性別歧視,算法刑事判決中的種族主義,以及故意操縱社交媒體 feed 的評分模型。這些問題都不是新出現的問題,只是機器學習,特別是深度學習的採用,將這些問題推向大衆。
咱們最終將看到可解釋 AI 與成爲一門學科,聚集學者、業界從業者和政策制定者的智慧。
文章連接:
https://www.kdnuggets.com/2017/12/machine-learning-ai-main-developments-2017-key-trends-2018.html
關注咱們的微信號"AI前線",後臺回覆「AI」可得到《AI前線》系列PDF電子書