廣州熱線

KDnuggets今年采訪了11位人工智能領(lǐng)域的專家，詢問了他們有關(guān)例如“2018年數(shù)據(jù)科學(xué)和分析領(lǐng)域的主要發(fā)展是什么?你預(yù)計2019年的主要趨勢是什么?”等問題，來回顧和展望人工智能(AI)及機器學(xué)習(xí)(ML)的發(fā)展。這些專家挑選出的關(guān)鍵主題包括深度學(xué)習(xí)的進步、遷移學(xué)習(xí)、機器學(xué)習(xí)的局限性、自然語言處理領(lǐng)域的變化等等。以下為這11位專家的見解：

Anima Anandkuma (@AnimaAnandkumar)是英偉達(NVIDIA)機器學(xué)習(xí)研究主管，加州理工學(xué)院教授。

2018年機器學(xué)習(xí)和人工智能的主要進展是什么?

“已經(jīng)取得深度學(xué)習(xí)的初步豐碩成果”

焦點開始從標準的監(jiān)督學(xué)習(xí)轉(zhuǎn)向更具挑戰(zhàn)性的機器學(xué)習(xí)問題，如半監(jiān)督學(xué)習(xí)、領(lǐng)域適應(yīng)、主動學(xué)習(xí)和生成模型。GAN(生成對抗網(wǎng)絡(luò))在嘗試像照片寫實主義(bigGANs)和視頻到視頻合成這樣難度較大的任務(wù)中仍然很受研究人員歡迎。開發(fā)了替代生成模型(如神經(jīng)繪制模型)，將生成和預(yù)測結(jié)合在一個網(wǎng)絡(luò)中，來促進半監(jiān)督學(xué)習(xí)。研究人員將深度學(xué)習(xí)的應(yīng)用擴展到地震預(yù)測、材料科學(xué)、蛋白質(zhì)工程、高能物理和控制系統(tǒng)等許多科學(xué)領(lǐng)域。在這些案例中，領(lǐng)域知識和約束與學(xué)習(xí)相結(jié)合。例如，為了提高無人機的自主著陸能力，通過學(xué)習(xí)地面效應(yīng)模型來校正基地控制器，保證學(xué)習(xí)的穩(wěn)定性，這在控制系統(tǒng)中是非常重要的。

預(yù)測：

“將模擬和現(xiàn)實連接起來的人工智能，將變得更安全，更具有實體意識”

我們將看到新的領(lǐng)域適應(yīng)技術(shù)的發(fā)展，無縫地將知識從模擬轉(zhuǎn)移到現(xiàn)實世界。使用模擬將幫助我們克服數(shù)據(jù)的稀缺，并在新的領(lǐng)域和問題中加速學(xué)習(xí)。將人工智能從模擬應(yīng)用到真實數(shù)據(jù)(Sim2real)將對機器人技術(shù)、自動駕駛、醫(yī)學(xué)成像、地震預(yù)測等領(lǐng)域產(chǎn)生重大影響。在自動駕駛等安全關(guān)鍵應(yīng)用中，模擬是考慮所有可能場景的一種很好的方式。

Andriy Burkov (@burkov)是Gartner的機器學(xué)習(xí)團隊負責人。

以下是我作為一個實踐者的個人看法，而非Gartner基于研究的官方聲明。

2018年機器學(xué)習(xí)和人工智能的主要發(fā)展是什么?

TensorFlow在學(xué)術(shù)界輸給了PyTorch。有時候，谷歌的巨大影響力和影響范圍可能會將市場引向一個并不理想的方向，MapReduce(一種編程模型)就是這樣一個例子。

深度偽造(Deepfakes，它制造出的聲音與真人一模一樣)粉碎了最可靠的信息來源，打破了傳統(tǒng)觀念：眼見未必為實。自今年4月份以來，涉及美國前總統(tǒng)巴拉克·奧巴馬(BarackObama)的一段一分鐘長視頻已被觀看過480萬次。在這個視頻里，你可以看到奧巴馬在發(fā)表演講，演講內(nèi)容卻是其正在用語言攻擊他的繼任者唐納德·特朗普。但是只是一段經(jīng)過加工的視頻。令人詫異之處在于，當奧巴馬在發(fā)表上述演講時，他的嘴巴會隨之而動，表情、口型、聲音和奧巴馬一模一樣，讓人完全看不出任何破綻，就像是奧巴馬真人的發(fā)表演講一樣

強化學(xué)習(xí)以深度學(xué)習(xí)的形式卷土重來，實在是出人意料!

谷歌機器人能夠代你打電話訂餐，并且偽裝地與真人毫無二致，這是一個里程碑。然而，它提出了許多關(guān)于倫理和人工智能的問題。

個人助理和聊天機器人很久就會被發(fā)展到極致。它們表現(xiàn)的比以往任何時候都好，但與去年公眾對它們的期望還是存在差距。

你預(yù)計2019年的主要趨勢是什么?

1. 我預(yù)計公眾對機器學(xué)習(xí)的興趣會增加，至少一定會高于今年。但我預(yù)計機器學(xué)習(xí)可能會經(jīng)歷失敗(除了出現(xiàn)一些非常具體的和令人驚艷的用例，如圖像識別、機器翻譯、文本分類)。

2. 營銷自動化:隨著成熟的生成式對抗網(wǎng)絡(luò)和變分自編碼器(variational autoencoder)的出現(xiàn)，人們可以生成數(shù)千張同一個人或同一名付費用戶的照片，而這些照片之間的面部表情或情緒差異很小。根據(jù)消費者對這些圖片的反應(yīng)，我們可以產(chǎn)生最佳的廣告活動。

3. 移動設(shè)備上的實時語音生成與真人無異。

4. 自動駕駛出租車仍處于測試/PoC(驗證性測試)階段。

Pedro Domingos (@pmddomingos)是華盛頓大學(xué)計算機科學(xué)與工程系教授。

經(jīng)過多年的大肆宣傳后，2018年將人工智能蒙上了一層陰影。聽聽媒體甚至一些研究人員的說法，你可能會認為，劍橋分析公司(Cambridge Analytica)把幫助特朗普贏得了2016年的大選;機器學(xué)習(xí)算法帶有偏見和歧視;機器人將取代我們的工作，然后將掌控我們的生活。這也不只是說說而已：歐洲和加州已經(jīng)通過了嚴厲的隱私法，聯(lián)合國正在討論禁止智能武器，等等。公眾對人工智能的看法越來越黑暗，這既危險又不公平。希望2019年是理智回歸的一年。

Ajit Jaokar (@AjitJaokar)是牛津大學(xué)物聯(lián)網(wǎng)數(shù)據(jù)科學(xué)課程的首席數(shù)據(jù)科學(xué)家和創(chuàng)始人。

2018年，出現(xiàn)了一大波新趨勢。自動化機器學(xué)習(xí)是其中之一，強化學(xué)習(xí)是另一個。這兩種新趨勢將在2019年顯著擴大。作為我在牛津大學(xué)(Oxford University)教學(xué)的一部分(物聯(lián)網(wǎng)數(shù)據(jù)科學(xué)課程)，我看到物聯(lián)網(wǎng)正日益融入自動駕駛汽車、機器人和智能城市等大型生態(tài)系統(tǒng)。通過與Dobot的合作，我看到了一種新型機器人，即協(xié)作機器人(cobots)，這是2019年的一個關(guān)鍵趨勢。不像以前的流水線機器人，新的機器人具有自主能力，也能夠理解情感。最后，一個有爭議的觀點是:2019年，我們所知的數(shù)據(jù)科學(xué)家的角色將從研究轉(zhuǎn)向產(chǎn)品開發(fā)。我認為人工智能與下一代數(shù)據(jù)產(chǎn)品的創(chuàng)造有著更緊密的聯(lián)系。數(shù)據(jù)科學(xué)家的角色將相應(yīng)地改變。

Nikita Johnson (@nikitaljohnson)是RE.WORK的創(chuàng)始人。

我們在2018年看到的一項發(fā)展是，越來越多的開源工具正在降低進入門檻，讓所有人都能更容易地開發(fā)人工智能，以確保組織間的協(xié)作得到加強。這些社區(qū)對于確保人工智能在社會和商業(yè)領(lǐng)域的傳播至關(guān)重要。

同樣，在2019年，我們將看到專注于“AI for Good”(AI造福人類)的公司數(shù)量增加，這是基于谷歌最近宣布的“AI for Social Good”項目，以及微軟的“AI for Good”計劃。隨著社會要求企業(yè)達到更高的社會目標，這種向人工智能的積極影響的轉(zhuǎn)變正在獲得越來越多的關(guān)注。

Zachary Chase Lipton (@zacharylipton)是卡內(nèi)基梅隆大學(xué)機器學(xué)習(xí)的助理教授，也是“Approximately Correc”博客的創(chuàng)始人。

深度學(xué)習(xí)占據(jù)了關(guān)于機器學(xué)習(xí)和人工智能的大部分公共話語。也許我的這番話會惹惱一些人，但這里有一個關(guān)于2018年的合理解讀:最大的進展是沒有任何進展!當然，這是一個過于簡單的理解。在很大程度上，最大的發(fā)展是“調(diào)整”的性質(zhì)，而非突破性發(fā)展。今年最大的新聞是ELMO和BERT的情景化嵌入。從經(jīng)驗來看，這些都是非常了不起的進步。但至少從2015-16年以來，我們一直在對語言模型進行預(yù)先培訓(xùn)，并對下游分類任務(wù)進行微調(diào)。因此，或許更憤世嫉俗的說法是，今年并非新的“大創(chuàng)意”占主導(dǎo)地位的一年。

我們正急匆匆地進入所有這些聲稱可以“解決”問題的實踐領(lǐng)域，但到目前為止，工具箱中唯一可靠的工具是監(jiān)督學(xué)習(xí)，而且我們僅憑模式匹配所能做的事情也有一些限制。監(jiān)督模型發(fā)現(xiàn)關(guān)聯(lián)，但它們不提供證據(jù)。他們不知道哪些信息是安全的，哪些信息是不可靠的。這些模型沒有告訴我們干預(yù)的效果。當我們在人機交互系統(tǒng)中部署基于監(jiān)督學(xué)習(xí)的自動化系統(tǒng)時，我們沒有預(yù)料到它們會扭曲激勵機制，從而改變環(huán)境，破壞它們所依賴的模式。明年我們會看到更多機器學(xué)習(xí)項目的案例被廢棄，或者正是因為這些限制而陷入困境，我們會發(fā)現(xiàn)研究人員將更多的關(guān)注與彌合代表性學(xué)習(xí)和因果推理之間差距相關(guān)的問題。

Matthew Mayo (@mattmayo13)是KDnuggets的編輯。

在我看來，2018年的機器學(xué)習(xí)似乎是精益求精的一年。例如，由于文本分類的通用語言模型微調(diào)(ULMFiT)和Bidirectional Encoder Representations from Transformers (BERT)等技術(shù)，遷移學(xué)習(xí)獲得了更廣泛的應(yīng)用和興趣，特別是在自然語言處理方面。這些并不是去年NLP的唯一進步;另外值得注意的是Embeddings from Language Models，它對模型用于的每個任務(wù)都做了相當大的改進。例如，今年的其他突破似乎集中在對現(xiàn)有技術(shù)的改進上，如BigGANs。此外，關(guān)于機器學(xué)習(xí)中包含和多樣性的非技術(shù)討論也成為主流。

我認為到2019年，隨著強化學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的潛在應(yīng)用得到越來越多的認識，研究的重點將從監(jiān)督學(xué)習(xí)轉(zhuǎn)向強化學(xué)習(xí)和半監(jiān)督學(xué)習(xí)等領(lǐng)域。例如，我們現(xiàn)在正處于圖像識別和生成已經(jīng)得到“解決”的階段，在此過程中所學(xué)到的知識可以幫助研究人員追求更復(fù)雜的機器學(xué)習(xí)應(yīng)用。

Brandon Rohrer (@_brohrer_)是Facebook的一名數(shù)據(jù)科學(xué)家。

2018年的一個重要趨勢是數(shù)據(jù)科學(xué)教育機會的增加和成熟。在線課程是原始的數(shù)據(jù)科學(xué)教育場所。它們在各個層次繼續(xù)占據(jù)主導(dǎo)地位，每年都有學(xué)習(xí)的人數(shù)及主題內(nèi)容都會增加。

在學(xué)術(shù)界，新的數(shù)據(jù)科學(xué)碩士項目正以每年大約12個的速度騰飛。高等院校正在響應(yīng)公司和學(xué)生的請求，為數(shù)據(jù)相關(guān)領(lǐng)域提供專門的項目。(今年，18位行業(yè)合著者和我，以及11位學(xué)術(shù)貢獻者，創(chuàng)建了一個虛擬行業(yè)咨詢委員會，幫助支持這種爆炸式增長。)

2019年及以后，學(xué)術(shù)數(shù)據(jù)科學(xué)項目將成為一種更常見的方式，收集獲得第一個數(shù)據(jù)科學(xué)職位所需的基本技能。這是一件好事。接受認證的機構(gòu)將填補長期以來的空白。到目前為止，數(shù)據(jù)科學(xué)資格在很大程度上是通過以前的工作經(jīng)驗證明的。這就進入了一條死胡同。新數(shù)據(jù)科學(xué)家不能展示他們的資質(zhì)，因為他們從來沒有從事過數(shù)據(jù)科學(xué)工作，他們不能獲得數(shù)據(jù)科學(xué)工作，因為他們不能展示他們的資質(zhì)。來自教育機構(gòu)的證書是打破這種循環(huán)的一種方法。

我預(yù)計，數(shù)據(jù)科學(xué)大學(xué)學(xué)位與在線培訓(xùn)課程之間的界線將日益模糊。在我看來，這是“數(shù)據(jù)科學(xué)民主化”最真實的形式。

Elena Sharova是ITV的高級數(shù)據(jù)科學(xué)家。

2018年機器學(xué)習(xí)和人工智能的主要發(fā)展是什么?

我認為，在機器學(xué)習(xí)和人工智能領(lǐng)域中，2018年將通過以下三個事件被銘記。

首先，歐盟全球數(shù)據(jù)保護條例(GDPR)的啟動旨在提高個人數(shù)據(jù)使用的公平性和透明度。該條例使個人有權(quán)控制其個人資料，以及查閱個人資料的使用方法，但亦對法律的解釋造成混淆。到目前為止的最終結(jié)果是，許多公司數(shù)據(jù)處理做了一些表面的更改，忽略了重新設(shè)計用于數(shù)據(jù)存儲和處理的基礎(chǔ)設(shè)施的基本需求。

其次，劍橋分析丑聞給整個數(shù)據(jù)科學(xué)界蒙上了一層陰影。如果說之前的辯論主要是關(guān)于確保AI和ML產(chǎn)品的公平性，那么這次丑聞引發(fā)了更深層次的道德問題。對Facebook參與的最新調(diào)查意味著，這種影響是長久的。隨著數(shù)據(jù)科學(xué)領(lǐng)域的成熟，這樣的案例將在許多行業(yè)發(fā)生，而不僅僅是政治領(lǐng)域。一些案件將更加悲慘，比如亞利桑那州的優(yōu)步(Uber)自動駕駛汽車致死案，它們將引發(fā)強烈的公眾反應(yīng)。技術(shù)就是力量，伴隨著力量而來的是責任。正如諾姆?喬姆斯基(Noam Chomsky)所言:“只有在民間故事、兒童故事和學(xué)術(shù)期刊上，權(quán)力才能被明智而恰當?shù)赜脕硐麥缧皭?。”現(xiàn)實世界教給我們的是完全不同的教訓(xùn)。

最后，從更積極的方面來說，亞馬遜自研服務(wù)器處理器芯片的最新開發(fā)意味著，我們可能離云計算的普遍訪問不再是一個成本問題的日子越來越近。

你預(yù)計2019年的主要趨勢是什么?

數(shù)據(jù)科學(xué)家的角色和職責不僅僅是建立能夠?qū)崿F(xiàn)準確預(yù)測的模型。對于ML、AI和數(shù)據(jù)科學(xué)從業(yè)者來說，2019年的主要趨勢將是遵循既定軟件開發(fā)實踐的日益增長的責任，尤其是在測試和維護方面。數(shù)據(jù)科學(xué)的最終產(chǎn)品必須與公司技術(shù)棧的其余部分共存。有效運行和維護專有軟件的要求將適用于我們構(gòu)建的模型和解決方案。這意味著最好的軟件開發(fā)實踐將支持我們需要遵循的機器學(xué)習(xí)規(guī)則。

Rachel Thomas(@math_rachel)是fast.ai的創(chuàng)始人，也是USF的助理教授。

2018年人工智能的兩個主要發(fā)展方向是:

1. 遷移學(xué)習(xí)在NLP中的成功應(yīng)用

2. 反烏托邦式濫用人工智能日益受到關(guān)注

遷移學(xué)習(xí)是將一個預(yù)先訓(xùn)練好的模型應(yīng)用到一個新的數(shù)據(jù)集上的實踐。遷移學(xué)習(xí)是計算機視覺突飛猛進的關(guān)鍵因素，2018年，遷移學(xué)習(xí)成功地應(yīng)用到NLP工作中，包括來自fast.ai的ULMFiT和Sebastian Ruder，Allen Institute的ELMo，OpenAI轉(zhuǎn)換器和Google的Bert。正如《紐約時報》一篇文章所描述的那樣，這些進步既令人興奮，也令人擔憂。NLP是神經(jīng)語言程序?qū)W(Neuro-Linguistic Programming)的英文縮寫。

Facebook在緬甸種族滅絕事件中的決定性作用、YouTube過多地推薦陰謀論(其中許多都宣揚白人至上)、政府和執(zhí)法機構(gòu)使用人工智能進行監(jiān)控等持續(xù)不斷的問題，終于在2018年開始獲得主流媒體更多的關(guān)注。雖然這些對人工智能的誤用令人膽戰(zhàn)心驚，但有越來越多的人開始意識到它們，并越來越多地予以反擊，這是件好事。

我預(yù)計這些趨勢將在2019年繼續(xù)下去，伴隨著NLP的快速發(fā)展，以及技術(shù)如何被用于監(jiān)視、煽動暴力和危險政治運動操縱方面的更多反烏托邦式發(fā)展。

Daniel Tunkelang (@dtunkelang)是一個專注于搜索、發(fā)現(xiàn)和ML/AI的獨立顧問。

2018年，自然語言處理和理解的嵌入詞的復(fù)雜性有了兩大進步。

第一次是在三月。艾倫人工智能研究所(Allen Institute for AI)和華盛頓大學(xué)的研究人員發(fā)表了《Deep context- alized word representation》一書，并介紹了ELMo(Embeddings from Language Models)，這是一種開源的深度上下文單詞嵌入，改進了word2vec或GloVe等上下文無關(guān)的嵌入。作者通過簡單地替換ELMo預(yù)訓(xùn)練模型中的向量，證明了對現(xiàn)有NLP系統(tǒng)的改進。

第二次是在11月。谷歌開源的BERT(Bidirectional Encoder Representations from Transformers)，一個雙向的，無監(jiān)督的語言表示，預(yù)先在維基百科上訓(xùn)練。他們在各種各樣的NLP基準測試中取得了顯著的改進，甚至相對于ELMo而言也是如此。

從智能揚聲器的迅速普及(到2018年底將達到1億人左右)到移動電話上數(shù)字助理的普及，自然語言理解的進步正迅速從實驗室轉(zhuǎn)移到實踐領(lǐng)域。對于NLP的研究和實踐來說，這是一個激動人心的時代。

但我們還有很長的路要走。

同樣是在今年，艾倫研究所的一項實驗表明，最先進的NLP仍然遠遠落后于人類的表現(xiàn)。

但希望我們能在2019年看到更多的NLP突破。計算機科學(xué)領(lǐng)域許多最優(yōu)秀的人才都在從事這方面的工作，業(yè)界也渴望應(yīng)用他們的成果。

【來源：前瞻網(wǎng)】