吴恩达演讲直指AI落地三大挑战，并提出解决方案
机器之心报道
编辑：陈萍、小舟
吴恩达在斯坦福大学 HAI 研讨会上进行内容分享 ， 指出 AI 部署所面临的三大挑战 ， 并给出解决方案 。
随着人工智能的不断发展 ， 大量先进算法以及配套硬件设施不断涌现 ， 研究人员凭借新算法等不断刷新 SOTA 记录 ， 但是在科研中、论文中实现的高精度性能 ， 很多却不能应用于实际的生产中 。 AI 离真正的落地还有多远？
现阶段 ， 许多公司和研究团队正在努力将研究转化为实际的生产部署 。 近日 ， 机器学习大牛吴恩达在斯坦福大学 HAI 研讨会上分享了一些有趣的观点 ， 即「如何弥补 AI 的概念验证与生产之间的差距」 。
HAI（「以人为本」人工智能研究院）成立于 2019 年 3 月 ， 由斯坦福大学人工智能科学家李飞飞和哲学教授约翰 · 埃切曼迪（John Etchemendy）共同领导 ， 致力于推动人工智能领域的跨学科合作 ， 让科技以人为中心 ， 并加强对人工智能社会影响的研究 。 HAI 定期举办研讨会 ， 此前吴恩达参加研讨会并做了演讲 。
本文插图
AI 部署所面临的挑战
在这次研讨会上 ， 吴恩达分享了人工智能面临的挑战之一 ， 即 AI 概念验证与产品落地之间的差距 。
吴恩达从三个方面介绍了 AI 部署所面临的挑战：小数据、算法的鲁棒性和泛化能力 ， 以及变更管理 。
本文插图
挑战 1：小数据问题
小数据在消费互联网以外的工业应用中很常见 ， 而 AI 研究通常使用大数据 ， 很多算法是针对大数据开发的 。
但是很多行业可获取的数据规模有限 ， 为了使 AI 在这些行业中起作用 ， 我们必须开发针对小数据的算法 。 小数据适用的算法包括 GAN、GPT-3、自监督、迁移学习等 。
本文插图
挑战 2：算法的鲁棒性和泛化能力
大家可能已经发现 ， 已发表论文中效果显著的模型通常在生产中不起作用 ， 研究中声称算法结果已经超过人类的方法却不能很好地投入到生产 ， 训练的模型不能很好地泛化到其他数据集等 。 吴恩达以医疗领域举例进行说明 。 然而这些问题不仅存在于医疗领域 ， 其他领域也面临相同的问题 。
本文插图
【吴恩达演讲直指AI落地三大挑战，并提出解决方案】挑战 3：变更管理
AI 技术可以使工作流程实现自动化或部分自动化 ， 而这对相关人员的工作带来了影响 。 我们需要对整体的改变有更好地掌握 。
本文插图
解决方案
对于上述挑战 ， 吴恩达也表达了自己的观点 ， 给出了解决方案 。 他指出我们应该关心整个机器学习项目周期 ， 除了构建机器学习模型以外 ， 其他问题也应该更系统化 ， 让 AI 更具可重复性和系统性：
本文插图
我们应从范围界定到数据、建模和部署 ， 系统地规划机器学习项目的整个周期 。
本文插图
吴恩达表示 ， 学界和工业界应努力将机器学习转换成系统化的工程学科 。
本文插图
推荐阅读
- Intel|Intel 15代酷睿核显爆发：台积电3nm＋320单元、目标直指苹果
- 中科院|中科院硬核跨年演讲火了！3天260万人次观看：专家“拖堂”讲科普
- 罗永浩|罗振宇跨年演讲现场无观众 罗永浩力挺：了不起
- 演讲|网曝罗振宇2022跨年演讲退票损失千万元：演讲现场无观众
- 演讲|罗振宇2022跨年演讲《时间的朋友》来了：首次无观众演讲 已紧急退票
- Intel|Intel独立显卡挑战轻薄本：功耗35-50W、目标直指RTX 2050
- PC游戏|《黑神话：悟空》主美杨奇被删演讲内容曝光：目标战神4 成本高盈利难
- 忘词|英国首相演讲忘词后开始讲小猪佩奇:没想到佩奇火遍世界各地
- 苹果|传苹果汽车2025年面世！直指全无人驾驶 市值飙升近5000亿
- 日本首相|曝日本首相雇观众看自己演讲 向参加者每天支付5000日元