2017回顾与2018前瞻:机器学习与人工智能

430 阅读15分钟

本文由 【AI前线】原创,原文链接:t.cn/RTnEcr9


作者|Matthew Mayo

译者|Debra

编辑|Emily

AI 前线导读:“2017 年,在机器学习和 AI 领域,AlphaGo Zero 的成功让专家们印象深刻,2018 年,道德和隐私问题将成为最亟待解决的问题。

时隔一年,科技媒体 KDnuggets 最近向大数据、数据科学、人工智能和机器学习领域的一些顶尖专家征询了他们对于 2017 年这些领域最重要的发展,以及 2018 年的主要发展趋势的看法。这篇文章是本系列的第一篇年终总结,主要是关于在 2017 年,机器学习和 AI 领域都发生了哪些大事,以及 2018 年可能会出现哪些趋势。”


问题:“2017 年,机器学习和人工智能最重要的发展是什么,2018 年有何关键趋势?”

2017 年,KDnuggets 曾就这一问题收集了很多专家的预测,总的来说,当时他们对 2017 年机器学习和 AI 发展的趋势和预测主要集中在以下方面:

  • AlphaGo 的成功
  • 深度学习热潮
  • 自驾车
  • TensorFlow 对神经网络技术商业化的影响

目前来看,这些预测基本上应验,2017 年在这些方面确实取得了重要的进步。

为了了解年度最重要的发展动态,以及专家对机器学习和人工智能将在 2018 年取得的成果预测,参考专家的意见非常有必要。

2017AlphaGo Zero 最瞩目,社会问题将引发讨论

Xavier Amatriin,Curai 联合创始人兼 CTO,曾任职 Quora 技术总监和 Netflix 的研究 / 技术主管

“今年的亮点非 AlphaGo Zero 莫属。这种新方法不仅在一些最有发展前景的方向上有所改进(例如深度强化学习),而且也代表了学习范式的转变——这种模式可以在没有数据的情况下进行学习,而且最近我们也学会了将 AlphaGo Zero 应用到象棋等其他游戏中。

在人工智能技术方面,2017 年始于 Pytorch,并对 Tensorflow 构成真正意义上的挑战,特别是在研究方面。对此,Tensorflow 通过在 Tensorflow Fold 中发布动态网络迅速作出回应。大玩家之间的“AI 之战”轰轰烈烈,其中最激烈的战争均围绕云而展开,所有的主要供应商都已经在各自的云服务中加紧布局 AI。亚马逊已经在他们的 AWS 进行大量创新,比如其最近推出构建和部署 ML 模型的 Sagemaker。另外值得一提的是,小型玩家也在不断涌入,例如 Nvidia 最近推出了他们的 GPU 云,位训练深度学习模型提供了另一个有趣的选择。虽然战况激烈,但我很高兴看到各行业在必要时能够凝聚在一起。另外,新的 ONNX 神经网络表达标准化是实现互操作性重要且必要的一步。

2017 年,人工智能方面的社会问题将进一步升级。Elon Musk 认为 AI 会越来越接近杀手机器人的想法极具煽动性,让许多人感到沮丧。另外,关于人工智能在未来几年会对工作产生什么影响也引起了广泛的讨论。另一方面,我们会将更多的注意力集中在 AI 算法的透明度问题上。

预测模型透明化越发重要

Georgina Cosma,诺丁汉特伦特大学科学与技术学院的高级讲师

机器学习模式,特别是深度学习模式正在对医疗保健、法律制度、工程和金融业等关键领域产生重大影响。但是,大多数机器学习模型难以解释。了解一个模型如何在剖析和诊断模型中进行预测的原理尤为重要,因为模型提出的预测必须值得我们信赖。重要的是,一些机器学习模型的决定必须遵守法律法规。现在,我们创建的深度学习模型的预测原理必须足够透明,特别是当这些模型的结果会影响人类的决定,或用来做出决定的时候。


云 AI 竞赛加剧,AlphaGo Zero 无实质性突破

Pedro Domingos,华盛顿大学计算机科学与工程系教授

  • AI 赌神 Libratus 战胜德州扑克专家,将 AI 的主导地位扩展到并不完善的信息游戏中。(www.cmu.edu/news/storie…
  • 自动驾驶汽车和虚拟助手之间的竞争越来越激烈,Alexa 在后者中占有一席之地。
  • 谷歌、亚马逊、微软和 IBM 之间的云 AI 竞赛。
  • AlphaGo Zero 很伟大,但并没有实质性的突破。自我对弈游戏是 ML 最常见的挑战领域,人类经过不到 500 万场游戏训练即可掌握 Go 游戏的玩法。

AI 成为企业竞争优势,人才短缺现状将继续

Ajit Jaokar,牛津大学数据科学物联网课程首席数据科学家和创建者

2017 年是 AI 的一年,2018 年将是 AI 走向成熟的一年,我们已经从 AI 与“系统工程 / 云原生”的角度看到这一趋势。 AI 讲变得越来越复杂,但 h2o.ai 这样的公司会让部署 AI 变得更简单。

我看到人工智能在企业之间取得竞争优势方面的作用越来越大,特别是在工业物联网、零售和医疗保健方面。我也看到人工智能正在被迅速部署在企业的各个层面(创造新的机会,但更多工作岗位消失)。因此,这已经超越了 Python vs R 和 cats 的讨论!

此外,我认为人工智能是通过嵌入式人工智能(即跨越企业和物联网的数据科学模型)合并传统企业,以及更加广泛的供应链。

最后,除了银行等传统行业(尤其是工业物联网)之外,了解 AI / 深度学习技术的数据科学家短缺的情况将继续存在。


ML&AI 帮助企业提高效率

Nikita Johnson,RE.WORK 创始人

2017 年见证了 ML&AI 取得巨大的进步,特别是最近 DeepMind 的一般强化学习算法,在四小时内自学游戏规则,并击败世界上最强大的象棋游戏程序。

2018 年,我期望看到智能自动化渗透到传统制造企业、零售、公共事业单位等各种公司。随着数据收集和分析量不断增长,企业级自动化系统战略将变得至关重要。这将促使公司投资于长期 AI 计划,并将其列为企业成长和提高效率的优先级发展事项。

我们还将看到自动化机器学习帮助非 AI 研究人员更轻松地使用该技术,并让更多公司能够将机器学习方法应用到他们的工作场所中。

元学习的进展让人兴奋

Hugo Larochelle,Google 研究科学家,加拿大高级研究机构机器学习和大脑项目副主任

机器学习最让我兴奋的一个趋势是元学习(meta-learning)的发展。元学习是一个特别广泛的总称。但是今年,最让我兴奋的是我们在少数学习问题上取得了进展,这就解决了如何从若干例子中发现学习算法的问题。Chelsea Finn 在今年年初曾就这一话题的进展,在这篇博客中:bair.berkeley.edu/blog/2017/0… 中进行了很好的总结。值得注意的是,现在在机器学习方面,Chelsea Finn 是众多令人惊叹的博士生中,最有成就、最令人印象深刻的人之一。

今年年末,人们使用深度时间卷积网络(arxiv.org/abs/1707.03…)、图形神经网络(arxiv.org/abs/1711.04…)等方法,进行了更多关于用少量镜头学习的元学习研究。现在,元学习方法也更多地被用于主动学习(arxiv.org/abs/1708.00…)、冷启动项目推荐(papers.nips.cc/paper/7266-… -on-cold-start-recommendations-for-items)、少数分布预测(arxiv.org/abs/1710.10…)、强化学习(arxiv.org/abs/1611.05…)、分层 RL(arxiv.org/abs/1710.09… )、模仿学习(arxiv.org/abs/1709.04…)等。

这是一个令人兴奋的领域,我一定会在 2018 年对这一领域保持密切关注。

AI 沉默着革命,全球 AI 咨询需求大增

Charles Martin,数据科学家和机器学习 AI 顾问

2017 年,深度学习 AI 平台和应用程序发展势头迅猛。Facebook 发布了 Tensorflow 的竞品 PyTorch,以及 Gluon、Alex、AlphaGo 等进步,ML 从特征工程和逻辑回归发展到阅读论文、应用神经网络、优化训练效果。在我的咨询实践中,客户已经在寻求自定义对象检测、高级 NLP 和强化学习服务。当市场和比特币飙升的时刻,人工智能一直在进行着沉默的革命,其再零售业应用也启示着人们,人工智能改变整个行业的巨大潜力。企业想要变革,对 AI 技术和技术指导非常感兴趣。

2018 年必将成为全球人工智能优先发展的突破之年。随着中国和加拿大的人工智能和印度等国家从 IT 向人工智能转变,来自欧洲、亚洲、印度、沙特阿拉伯等国家,乃至全球对 AI 的需求将继续增长。美国和海外对企业培训的需求都很大,人工智能将实现大规模提高效率,传统行业如制造业、医疗保健和金融将会从中受益。人工智能创业公司将向市场推出新产品,并全面提高投资回报率。而机器人、自动驾驶汽车等新技术将会带来惊人的进步。

这将是一个伟大的创新之年。如果你已经在这条船上。

AI 新技术待应用,隐私保护将提上日程

Sebastian Raschka,密歇根州立大学应用机器学习和深度学习研究员和计算生物学家, Python 机器学习作者

在过去的几年中,开源社区已经对所有新出现的深度学习框架讨论不断。现在,这些工具已经渐渐成熟,我希望看到一种去工具中心的方法出现,并将投入更多的精力,将深度学习的新颖想法付诸实践,特别是使用今年很火爆的 GAN 和 Hinton capsule 来解决更多问题。

此外,最近的半对抗神经网络保护脸部图像隐私的论文,或多或少可以透露出用户隐私在深度学习应用程序中的重要性,我非常关心,并希望这个话题再 2018 年获得更多的关注。


成果很脆弱

Brandon Rohrer,Facebook 数据科学家

2017 年还取得了很多机器击败人类的成就。去年,AlphaGo 击败了人类围棋世界冠军,成为战胜人类智慧的里程碑。今年,AlphaGo Zero 通过从零自学,打败了它的“兄弟”。deepmind.com/blog/alphag…

它不仅击败了人类,还击败了全体人类的围棋智慧。此外,机器现在可以像人类一样通过总机 benchmark 解码对话

arxiv.org/abs/1708.06…

然而,人工智能取得的成就仍然偏狭脆弱,改变图像中的单个像素就可以挫败最先进的分类器(arxiv.org/pdf/1710.08…)。我预测,2018 年会有更多强大的人工智能解决方案出现,几乎所有大型科技公司都开始尝试 AI,其早期研究成果出来之后必定会成为新闻头条,“AGI”将会取代“AI”,成为 2018 年的流行词。

2017 年机器学习 / 人工智能有哪些重大发展?

Elena Sharova,投资银行数据科学家

2017 年,更多地公司和个人将他们的数据和分析转向基于云的解决方案,数据安全重要性的意识有很大提高。

最大的和最成功的技术公司在竞争着成为用户的数据存储和分析平台。对于数据科学家来说,这意味着,这些平台所能提供的功能和能力正在塑造着他们的开发工具箱和解决方案。

2017 年,数据安全漏洞问题在全球范围内引起关注。这是一个不容忽视的问题,随着越来越多的数据转移到第三方存储平台,对于应对新威胁的强大安全性能的需求将继续增长。

2018 年有哪些关键发展趋势?

我预测,2018 年我们将需要进行更多工作以确保遵守《全球数据保护条例》(GDPR),并处理更多机器学习系统带来的“隐藏”技术“债务”。GDPR 作为一项欧盟法规具有全球影响力,所有数据科学家应该充分意识到其将会对他们的工作产生什么影响。根据 Google NIPS'16 论文,数据依赖性的代价高昂,而且随着企业创建复杂的数据驱动模型,他们将不得不仔细考虑如何解决这一成本问题。

深度学习在商业数据领域的应用

Tamara Sipes,Optum / UnitedHealth Group 商业数据科学总监

  • 深度学习和集成建模方法在 2017 年继续显示出其与其他机器学习工具相比的价值和优势,特别是深度学习在各个领域和行业得到了更广泛的应用。
  • 至于 2018 年的趋势,深度学习可能会被用来从原始输入中生成新的功能和新的概念,并取代手动创建或设计新变量的需求。深度网络在检测数据的特征和结构方面是非常强大的,数据科学家也认识到无监督深度学习在这方面的价值。
  • 有效的异常检测可能未来短期内的重点。在许多行业中,数据科学工作的重点是异常事件和其他类型的罕见事件:入侵检测、财务欺诈检测、欺诈、浪费、医疗保健中的滥用和错误,以及设备故障等等。检测这些罕见事件使得公司在领域竞争中保持优势,了解这些罕见事件的演变本质将是这一方面的挑战。

用户友好和隐私问题

Rachel Thomas,fast.ai 创始人, USF 助理教授

虽然没有 AlphaGo 或者翻转机器人那样华丽和引人注目,2017 年最让我最兴奋的是深度学习框架变得更加用户友好且易于访问。PyTorch(今年发布)对任何了解 Python 的人都很友好(主要是由于动态计算和 OOP 设计)。TensorFlow 也正向着这个方向发展,将 Keras 纳入其核心代码库,并发布动态执行。编码人员使用深度学习的壁垒变得越来越低,我预计 2018 年,深度学习对于开发者的可用性将继续增加。

第二个趋势是专制政府将利用人工智能监管公民,这已引起媒体广泛报道的话题。隐私威胁并不是再 2017 年才出现,但直到最近才开始受到广泛的关注。利用深度学习来识别戴着围巾和帽子的示威者,或者通过图片来识别某人的性取向的相关技术发展,使得今年更多的媒体关注 AI 隐私风险。希望在 2018 年,我们的关注点可以从 Elon Musk 对邪恶超级智力的恐惧扩展开来,开始重视监视、隐私、性别歧视和种族主义等论题。

道德、问责和可解释性

Daniel Tunkelang,Twiggle 首席搜索传播官,知名组织顾问

对于自动驾驶汽车和会话数字助理领域来说,2017 年是一个大年。这两个应用程序将科幻小说的情节带进事实。

但今年机器学习和人工智能最重要的发展集中在道德、问责和可解释性方面。Elon Musk 以他关于人工智能触发世界大战的警告引发了舆论热议, Oren Etzioni 和 Rodney Brooks 等人都对他的观点认真进行反驳。尽管如此,我们还是面临着机器学习模式偏差可能导致危险,如 word2vec 中的性别歧视,算法刑事判决中的种族主义,以及故意操纵社交媒体 feed 的评分模型。这些问题都不是新出现的问题,只是机器学习,特别是深度学习的采用,将这些问题推向大众。

我们最终将看到可解释 AI 与成为一门学科,汇集学者、业界从业者和政策制定者的智慧。

文章链接:

www.kdnuggets.com/2017/12/mac…

关注我们的微信号"AI前线",后台回复“AI”可获得《AI前线》系列PDF电子书