人工智能技术发展趋势有哪些 普华永道告诉你

2018-05-08来源: 肖青梅关键字:深度学习  人工智能

1.深度学习理论:揭开神经网络的工作原理


它是什么:深度神经网络,模仿人类的大脑,展示了他们从图像、音频和文本数据“学习”的能力。然而,即使在使用了十几年之后,我们仍有很多不了解深度学习的东西,包括神经网络是如何学习的,或者为什么它们表现得如此好。这可能会改变,这要归功于一个将信息瓶颈原理应用于深度学习的新理论。从本质上说,它表明在初始拟合阶段之后,深度神经网络将“忘记”并压缩噪声数据,即包含大量额外无意义信息的数据集,同时仍然保留有关数据表示的信息。


为什么它很重要:准确地理解深度学习是如何使其更大的发展和使用的。例如,它可以提供对最佳网络设计和架构选择的洞察,同时提高安全性-关键或管理应用程序的透明性。期望从这个理论的探索中看到更多的结果应用于其他类型的深层神经网络和深层神经网络设计。


2.胶囊网络:模拟大脑的视觉处理能力


它是什么:胶囊网络,一种新型的深层神经网络,处理视觉信息的方式和大脑一样,这意味着他们可以维持等级关系。这与卷积神经网络形成了鲜明的对比,卷积神经网络是最广泛使用的神经网络之一,它没有考虑到简单和复杂对象之间重要的空间层次结构,导致错误分类和高错误率。


为什么它很重要:对于典型的身份识别任务,胶囊网络承诺通过减少错误(多达50%)来提高准确性。他们也不需要太多的数据来训练模型。期望看到胶囊网络在许多问题领域和深度神经网络架构中的广泛使用。


3.深度强化学习:与环境交互以解决业务问题


它是什么:一种神经网络,通过观察、行动和奖励与环境互动来学习。深度强化学习(DRL)已经被用来学习游戏策略,例如Atari和go -包括著名的AlphaGo程序,击败了人类冠军。


为什么它很重要:DRL是所有学习技术中最通用的目的,所以它可以用于大多数业务应用程序中。与其他技术相比,它需要更少的数据来训练模型。更值得注意的是,它可以通过模拟进行训练,从而无需完全标注数据。鉴于这些优势,预计未来一年将会有更多将DRL和基于代理的仿真相结合的业务应用。


4.生成对抗网络: 配对神经网络刺激学习,减轻处理负担


它是什么:生成对抗网络(GAN)是一种无监督的深度学习系统,作为两个相互竞争的神经网络来实现。一个网络,即发电机,产生与真实数据集完全相同的假数据。第二个网络,鉴别器,摄取真实和合成的数据。随着时间的推移,每个网络都会得到改进,从而使得这个对能够学习给定数据集的整个分布。


为什么它很重要:GANs向更大范围的非监督任务开放,在这些任务中,标记数据不存在,或者代价太大。他们还减少了深度神经网络所需要的负荷,因为这两个网络分担了负担。期望看到更多的业务应用程序,例如网络检测,使用GANs。


5.精益和增强数据学习:解决标签数据挑战


它是什么:机器学习(特别是深度学习)最大的挑战是可以使用大量的标记数据来训练系统。两种广泛的技术可以帮助解决这个问题:(1)合成新的数据;(2)将一个任务或领域的训练模型转移到另一个。诸如转移学习(将从一个任务/领域学到的见解转移到另一个任务/领域)或一次学习(转移学习被极端化,学习仅仅通过一个或没有相关的例子而发生) - 使他们成为“精益数据”学习技术。同样,通过模拟或插值合成新数据有助于获得更多数据,从而增加现有数据以提高学习效率。


为什么重要:使用这些技术,我们可以解决更多的问题,特别是那些历史数据较少的问题。期望看到更多的精益和增强数据的更多变化,以及适用于广泛业务问题的不同类型的学习。


6.概率编程:简化模型开发的语言


它是什么:一种高级编程语言,更容易使开发人员设计概率模型,然后自动“解决”这些模型。概率编程语言使复用模型库成为可能,支持交互建模和正式验证,并提供必要的抽象层来支持通用模型类中的通用的、有效的推理。


为什么它很重要:概率编程语言能够适应业务领域中常见的不确定和不完整的信息。我们将看到这些语言的广泛应用,并期望它们也适用于深度学习。


7.混合学习模式:结合模型不确定性的方法


它是什么:不同类型的深层神经网络,如GANs或DRL,在性能和广泛应用的不同类型的数据方面表现出很大的潜力。然而,深度学习模型并没有模型的不确定性,贝叶斯方法或概率方法。混合学习模式结合了两种方法来发挥各自的优势。混合模型的一些例子是贝叶斯深度学习,贝叶斯甘斯和贝叶斯条件的甘斯。


为什么它很重要:混合学习模式使扩展业务问题的多样性成为可能,包括不确定性的深度学习。这可以帮助我们获得更好的性能和模型的可解释性,这反过来可以鼓励更广泛的采用。期望看到更多的深度学习方法获得贝叶斯等价物,而概率编程语言的组合开始结合深度学习。


8.自动化机器学习(AutoML):没有编程的模型创建


它是什么:开发机器学习模型需要一个耗时和专家驱动的工作流程,其中包括数据准备、特征选择、模型或技术选择、培训和调优。AutoML旨在使用一些不同的统计和深度学习技术来自动化这个工作流。


为什么它如此重要:自动化是人工智能工具民主化的一部分,使业务用户能够开发没有深度编程背景的机器学习模型。它还将加速数据科学家创建模型所需的时间。期望在更大的机器学习平台上看到更多的商业自动化包和自动化的集成。


9.数字双胞胎: 超越工业应用的虚拟复制品


它是什么:数字双胞胎是一个虚拟模型,用于促进身体或心理系统的详细分析和监测。数字双胞胎的概念起源于工业界,广泛用于分析和监测风车农场或工业系统等。现在,数字双胞胎正在被应用于非物理对象和过程,包括预测客户的行为,使用基于代理的建模(用于模拟自治代理的行为和交互的计算模型)和系统动力学(计算机辅助的政策分析和设计方法)行为。


为什么重要:数字双胞胎可以帮助促进发展和更广泛地采用物联网(物联网),提供一种方法来预测诊断和维护物联网系统。展望未来,预计在物理系统和消费者选择建模中都将使用更多的数字双胞胎。


10.可解释的AI:了解黑盒子


它是什么:今天,有许多机器学习算法正在使用,可以在各种不同的应用中感知,思考和行动。 然而,其中很多算法被认为是“黑盒子”,对于如何达成结果几乎没有任何洞察。 可解释的AI是开发机器学习技术的一种运动,在保持预测准确性的同时产生更多可解释的模型。


重要的是:AI是可以解释,可证明和透明的,对于建立对技术的信任至关重要,并会鼓励更广泛地采用机器学习技术。 在开始大规模部署人工智能之前,企业将采用可解释的人工智能作为需求或最佳实践,而政府可能将解释性人工智能作为未来的监管要求。


看了这么多,AI人是不是对未来有了一个大致的方向了,未来人工智能给人们的生活将会带来哪些改变,这是不可想象的,也许在实验室中的技术人员才知道答案。

关键字:深度学习  人工智能 编辑:王磊 引用地址:http://news.eeworld.com.cn/IoT/article_201805083945.html 本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。

上一篇:ST与佐臻推出低功耗Sigfox与低功耗蓝牙BLE双功能无线IoT模块
下一篇:浅谈工业物联网应用

关注eeworld公众号 快捷获取更多信息
关注eeworld公众号
快捷获取更多信息
关注eeworld服务号 享受更多官方福利
关注eeworld服务号
享受更多官方福利

推荐阅读

特斯拉“亮剑”全自动驾驶三大杀手锏
研发机构和企业与中国科研单位、企业加强技术交流和研发合作,不断拓展合作范围,共同推动自动驾驶技术落地。而马斯克表示,特斯拉愿与中方一道努力,持续加强在自动驾驶技术研发、标准制定等方面的交流与合作,期待得到中国交通运输部的更多支持。与此同时,最快于明年部署全自动驾驶系统的特斯拉,正在陆续披露一系列和自动驾驶功能相关的技术细节。一、全自动驾驶底层技术陆续曝光这其中,近日披露的一个专利对于其全球化部署意味深重。这个名为数据管道(data pipeline)和深度学习系统的专利,优化了用于深度学习的图像处理过程,除了车端深度学习的流程优化之外,还特别提到了未来如何在全球市场共享数据。按照专利的描述,从单一车辆上提取的图像数据信息将与其他特斯拉
发表于 2020-01-01
从“实战”出发 NVIDIA深度学习学院的本土化进程
“我们的开发者项目之所以在过去一年取得巨大的成功,是因为AI技术实现了爆发式的增长。涉及到交通、汽车、自动驾驶、制造、医疗、媒体、娱乐、游戏等等增长非常迅猛的行业。”在NVIDIA GTC 2019上,NVIDIA开发者计划副总裁Greg Estes,就深度学习学院(DLI)的相关问题,接受了EEWorld记者的专访。NVIDIA开发者计划副总裁Greg Estes深度学习学院已成NVIDIA招牌项目Greg Estes首先就DLI在GTC上的表现进行了介绍:“‘深度学习学院’的学习机会,在GTC当中是非常出彩的一个环节,而且每次一开放就会被很快抢光。在深度学习学院当中,我们提供的培训内容和我们内部工程师做的培训是一样的,除此之外
发表于 2019-12-24
从“实战”出发 NVIDIA深度学习学院的本土化进程
深度学习与人工智能爆发 GTC CHINA 2019圆满落幕
可以自己优化软件堆栈。在此之上,NVIDIA还有非常强大的算法和库。今年已经发布了500多个库,无需改变硬件,通过在软件和库上的完善就可以让计算机整体性能提升4倍。在推理方面,也无需改变GPU,整个堆栈的软件就可以使性能提升2倍。针对当前世界上最重要的高性能计算应用TensorFlow,扩展其性能是一个巨大的 HPC 挑战。几个月前刚刚发布的TensorFlow 2.0,现在已经可以在CUDA和ARM上使用了,而且大部分的性能已经达到了最先进的水平。 AGX软件定义平台发布2012年有几个因素推动了现代AI的发展——大数据、深度学习和NVIDIA GPU。之后几年的时间,我们看到了已经超过人类能力的图像识别、语音识别、自然语言理解方面的
发表于 2019-12-20
深度学习与人工智能爆发 GTC CHINA 2019圆满落幕
Genetec推出新车牌自动识别系统 采用英特尔深度学习视觉处理单元
据外媒报道,在2019年10月26至29日于芝加哥召开的IACP上,加拿大Genetec公司推出了下一代ALPR(车牌自动识别)系统。该系统由英特尔Movidius™ Myriad™ X VPU(视觉处理单元)提供支持,新款Genetec AutoVu™ SharpZ3是全球首批采用英特尔最新深度学习和计算机视觉技术的车载专业ALPR系统之一。AutoVu™ SharpZ3系统具备深度学习能力,能够将车载分析、态势感知功能和准确度提升至新的创新高度。Genetec是统一安全、公共安全、运营和商业智能技术领先供应商。(图片来源:Genetec)Genetec公司AutoVu产品总经理Stephan Kaiser表示
发表于 2019-11-25
Genetec推出新车牌自动识别系统 采用英特尔深度学习视觉处理单元
恩智浦推出车规级深度学习工具包,性能提高30倍
   旨在通过快速集成神经网络,最大化客户软件效率   提供包含软件、转换工具和车规级推断引擎的深度学习工具包   与恩智浦的 S32V 处理器系列紧密集成,以简化 ADAS 开发 全球最大的汽车半导体供应商恩智浦半导体 NXP Semiconductors N.V.(纳斯达克代码:NXPI)推出汽车车规级深度学习工具包 eIQ Auto,扩展了公司 eIQ 机器学习产品系列。该工具包旨在帮助客户从开发环境快速地转向满足汽车行业严格标准的人工智能应用集成。eIQ Auto 能够将基于深度学习的算法应用到视觉、自动驾驶、传感器融合、驾驶员
发表于 2019-11-07
恩智浦车规级深度学习工具包使新一代汽车应用性能提高30倍
旨在通过快速集成神经网络,最大化客户软件效率提供包含软件、转换工具和车规级推断引擎的深度学习工具包与恩智浦的S32V处理器系列紧密集成,以简化ADAS开发底特律——2019年10月8日——全球最大的汽车半导体供应商恩智浦半导体NXP Semiconductors N.V.(纳斯达克代码:NXPI)推出汽车车规级深度学习工具包eIQ Auto,扩展了公司eIQ机器学习产品系列。该工具包旨在帮助客户从开发环境快速地转向满足汽车行业严格标准的人工智能应用集成。eIQ Auto能够将基于深度学习的算法应用到视觉、自动驾驶、传感器融合、驾驶员监控和其他不断发展的汽车应用。eIQ Auto工具包使客户能在PC端/云端/GPU环境下对汽车产品
发表于 2019-11-06
恩智浦车规级深度学习工具包使新一代汽车应用性能提高30倍
小广播
电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2020 EEWORLD.com.cn, Inc. All rights reserved