华为李航:对于 AI,我们应该期待什么(专访+25PPT演讲实录)

【新智元导读】华为诺亚方舟实验室主任李航博士18日在自动化学会与新智元携手举办的首届 世界人工智能大会 AI WORLD 2016 发表主旨演讲《对于AI,我们应该期待什么?》。作为华为 AI 带头人,李航在演讲中指出了当前机器学习的优势及局限,并表示推理和机器学习的结合是未来 AI 发展大方向。李航还披露了华为诺亚方舟实验室如何使用人工智能改革通信网络,同时详细介绍了华为的深度强化学习软件及其控制网络、帮助工程师排除网络故障的案例。演讲结束后,李航博士接受新智元专访,进一步阐述了他对强人工智能的理解,以及对中国 AI 产业和学术现状的看法。

AI WORLD 2016 世界人工智能大会开场视频,展现从宇宙大爆炸到人工智能技术的恢弘历程

要花多少年实现(强)人工智能,不好预测

新智元:您在演讲中提到,强人工智能能否实现是未知数。我们接触过做 AI 的人中,大多数都认为未来 10 到 20 年能够实现强人工智能。谷歌 DeepMind 致力于研发通用 AI,也就是强人工智能,并且认为他们可以实现这个目标,您如何看待他们的工作?

李航:谷歌 DeepMind 是当今实力最强的人工智能研究团队,我们都应该向他们学习,期待看到他们更辉煌的研究成果。所有人工智能研究人员也应该一起努力,不断提高人工智能的水平。

我曾向 DeepMind 的人请教过,他们说的通用 AI 是不是意味着强人工智能,没有得到令人满意的回答。

对人脑了解越多,你就会越加感受到其复杂,以及实现强人工智能的艰难。人体有呼吸、消化、循环、分泌、免疫等九个系统,现代科学了解最少的就是神经系统,包括大脑。有人说我们理解的人脑原理连整体的 5% 都不到,我不是这方面的专家,但可以理解这样的说法。如何在计算机上实现这样复杂的系统,确实是一个巨大的疑问。我在 AI WORLD 2016 世界人工智能大会报告里讲的情感、创造力、自由意志只是人的智能的一些重要方面。

认为图像理解、语言理解等人类智能行为很简单是我们的错觉!正如我们对彩虹和日出日落的直观感受一样。有人说潜意识中的处理占整个大脑活动的 98%。我们的意识能感受到的只是现实中发生的很少的一部分,下意识中进行的大量并行处理我们是感受不到的。

微软亚洲研究院的芮勇副院长曾说过:“在上世纪60年代,一位人工智能的科学家曾经说要实现真正的人工智能可能需要 5 到 500 年的时间,我是完全站在 500 年那边的,你要让我在后面再加个 0 我也不反对。” 未来要花多少时间才能实现(强)人工智能,我不好预测,但我相信是会花很长时间的。还有一种可能,就是我们未来有一天发现其实我们永远无法实现强人工智能。这就像历史上,热力学第一、第二定律发现之前,有许多人热衷于发明永动机,后来发现这根本不可能一样。

对于未来,我们既要乐观,又要抱着科学的态度。

新智元:有人认为,国外相对侧重 AI 基础研究(比如 DeepMind、OpenAI),而国内企业做 AI 大都偏应用——当然,解决实际问题是很好、很必要而且很应该的,但另一方面也可以被视为更容易赚钱。华为诺亚方舟实验室将来有可能进行 AI 基础方面(比如强人工智能)的研究吗?

李航:据说谷歌 DeepMind 的团队和谷歌研究院的其他团队的定位是不一样的。前者瞄着10 年后的技术,后者瞄着 3-5 年后的技术在从事研究和开发。其实在谷歌里也是做应用研究的更多一些,这是工业界的特点。诺亚对 3-5 年后技术研究的投入也是更多一些,但我们也深知基础研究、理论研究的重要性,在这方面也有适当投入。任正非总裁 8 月到诺亚视察工作时,也鼓励我们做出更多理论性的、开创性的工作。

新智元:您认为从情感、创造力和自由意志这几个角度来看,实现强人工智能是非常困难的。RNN 之父认为,“我关于好奇心和创造力的简单却正式的理论(最早在1991 年提出)认为:将 M 的学习过程(尤其是压缩过程)视为对 C 额外的内在奖励(或趣味性),促使C 想出其他值得一试的试验。我以前论证过这个简单通用的原理能够用于说明各种好奇心和创意行为,不论是在艺术、科学还是在戏剧里。我们也确实基于这个原理制造出了简单的人造‘科学家’。机器不能拥有好奇心和创意是没有道理的”。您对此怎么看?

李航:Juergen Schmidhuber 是我们非常尊敬,甚至崇拜的学者之一,他对深度学习的巨大贡献是大家公认的。去年我们邀请他到诺亚方舟实验室访问,还和他交流了一个下午。他的想法很有意思,但还停留在概念层面,真正的科学都是需要客观验证的。

创造力不是一件简单的事情。心里学家 Mihaly Csikszentmihalyi 采访了 91 位包括诺贝尔奖获得者在内的最具创造力的人士,在他的《Creativity: The Psychology of Discovery and Invention》一书里将相关研究成果做了介绍,有一些非常有趣的发现。最具创造力的人往往拥有两面个性,比如,既聪明又单纯,既外向又内向,等等。比起他们的同行来说,他们往往不是最聪明的,但是他们对自己的事业更加专注,对面向未来的工作更加投入。创造力不仅需要非凡的个人,而且需要良好的氛围、环境,需要其他专家的支持、认可以及帮助。

新智元:最后一个问题,作为国际学术会议常客,您如何看待现今中国AI学术水平?

李航:中国人工智能研究的水平提高得非常快。就像新智元杨静总裁介绍的那样,在世界人工智能的顶级会议上来自中国的论文越来越多,被引用的次数也越来越多。

另一方面,我们应该也看到原创性的工作、突破性的工作还是主要来自美国、英国等国家。

中国的人工智能研究人员需要更加努力,尽快达到真正引领业界潮流的水平,我相信这一天是会到来的,也可能比我们大家预想的来得都快。

诺亚方舟实验室在深度学习、自然语言处理等方面做出了不少领先的成果,被认为是这方面世界上几个领先团队之一。我希望今后我们在人工智能的多个领域里有更多的、更好的研究成果出来。

以下是李航博士在 AI WORLD 2016 世界人工智能大会上的演讲实录。

李航:大家上午好!非常高兴今天有机会跟大家一起交流。首先感谢新智元以及大会组委会提供这样的机会。今天跟大家分享一下我对人工智能未来发展的一些想法。现在人工智能很热,大家有很多期待、也有一些不安;有一些正确的认识、也有一些误解;有一些合理的宣传,也有一些误导。对我们做AI的,用AI的,一个很重要的问题,就是我们应该期待什么?在可预见的未来,在更遥远的未来,我们对 AI 应该抱着什么样的期待,进行什么样的努力?

我的报告分两部分,第一部分关于我们对人工智能(AI)应该有什么样的期待?我将从三个角度来谈这个问题。第二部分介绍一下诺亚方舟实验室在人工智能及通信领域做的一些工作。

我们应该对人工智能期待什么?

1. 强人工智能与弱人工智能

大家知道人工智能分强人工智能和弱人工智能。首先看一下人的大脑和计算机到底有什么相同的地方,什么不同的地方。这个资料是从MOOC得到的。我们可以看到,现在的计算机和人的大脑在规模上已经相当了,人的大脑有10的11次方个神经元,10的15次方个突触,就是1000亿个神经元,1000万亿个连接。一个典型的计算机有10的10次方个晶体管和稀疏连接。人脑和计算机达到同等的规模,但是架构是非常不同的,人脑拥有紧密联系,计算机是稀疏连接的。处理的速度上,计算机有很大的优势,基本上计算机的处理速度是人脑的处理速度的100万倍。但是人脑进行的是并行处理,计算机进行的是顺序处理,这方面有很大的不同。人脑能够做并行处理,在处理某些问题上效率比计算机更高。

从能力的角度来看,计算机往往擅长做能够用数学模型很好刻画的任务。但是计算机不擅长做什么事情?我们不知道怎么样用数学去刻画的任务,这个恰恰是我们人脑擅长做的事情,我们人脑平时做的感知、认知的处理很多都是很难用数学模型,至少现在很难用数学模型去刻画的。

我的第一个观点,强人工智能是否能够实现还是不太清楚的,强人工智能——希望计算机能够跟人做同等以上智能性的事情——至少从几个方面来看,比如情感、创造力和自由意志这几个角度来看,强人工智能是非常困难的。这些都是人的智能的一些非常重要的特点,但是我们不清楚这些重要的人的智能特点是否能在现代的计算机上实现。

情感,喜怒哀乐是人最基本的情感。现代科学知道,情感基本是在人的大脑边缘系统产生,也就是说在人的下意识中产生,比如我们最代表的情感——恐惧。当你处在一个非常危险的状况的时候,你会瞬间感触到危险,这时候大脑边缘系统杏仁核产生大量的化学物质,你的心跳会加快,血压上升,能够促使你全身采用必要的行动,同时这些信息传到大脑,你意识到发生了什么。下意识在很快的时间里就做出了迅速的反应。这样的情感在智能体的智能活动里起着非常重要的作用。大家会说,如果一个人没有情感的话,他是不是做事情变得非常理智,他的判断是不是都是理性的?结论不是这样的。有一些病人非常不幸大脑因为受伤,情感部分的功能丧失,后来观察这些病人时发现,离开了情感,他们很难做出理性的判断。

创造力。人很重要的特点是拥有创造力。创造就是把看似不相关联的东西关联在一起。认知学者,比如 George Lakoff 做了很多研究。人的创造力可以从语言中发现,人在语言中使用的比喻就是创造力的体现,比如我们说在微信里面“潜水”就是一个比喻、一个暗喻,这个比喻实际把两个看似不相关联的东西——潜水和在微信里面沉默不语联系起来。有人第一次发明这个说法,很多人第一次听到这个说法,都会做思考把这两个不相关的概念联系到一起。在现代的计算机上实现这种联想仍然是非常困难的。

另外一个重要的人的特点,是我们拥有自由意志。明斯基在《心智社会》一书里提出了人脑是有许多智能体构成的心智社会的想法。下意识可以认为是很多智能性的系统组成的社会,它们综合起来的作用构成我们的下意识。最新的研究发现,人在做判断的时候,下意识有时候超前于上意识提前做出判断,比如你说我把手举起来,有大量的实验结果显示,这个判断基本在500毫秒之前下意识其实已经做出了。你看到我这个瞬间把手举起来,其实500毫秒之前下意识已经做出了决定,这好像一个组织里面表面上决策是领导做的,其实在那之前部下已经做出决定,领导受到影响最后做出判断。大脑整个结构好像是这样的一个情况,那么大家可以自然想到用现代的计算机去实现这样的功能其实还要很多要研究的课题。

弱人工智能,是希望人工智能帮我们做很多智能性的事。刚才前面报告的几位老师介绍了很多当前人工智能的最新技术,这些都可以认为是围绕着弱人工智能的一些技术。现在弱人工智能主要的特点是什么?主要依赖机器学习。假设有一个比较智能性的系统,可以是软件也可以是机器人,如果它要从环境里面得到一些输入,做一些判断,最后做一些操作的话,基本上要进行感知、认知的处理,对应人的识别、推理、理解、决策。

现在主要的人工智能技术是机器学习,机器学习最常用的是监督学习,这里面典型的方法是分类、回归,这些方法可以基于数据,帮助智能系统做各种各样的判断,比如识别一张照片里面是不是有人脸,也可以判断在下围棋的时候该走哪一步,这些判断其实都可以用机器学习来实现,只要有大量的数据,就可以构建模型,做出各种判断,可以对应识别,也可以对应推理、理解、决策。机器学习是人工智能的核心技术。现在的机器学习技术结合推理,会使弱人工智能系统做得非常好,推理和机器学习的结合是未来人工智能发展的大方向,或者说符号处理和神经处理技术的结合,是未来人工智能发展的大方向。

2. 机器学习的优势与局限

机器学习主要是依赖于监督学习,这里面有什么优势和局限性?优势只有一个,大家在自动驾驶,在 AlphaGo 里面已经看到,就是在特定场景下通过机器学习得到的模型做出的判断,可以逼近甚至超过人。在 AlphaGo 系统里有两个模型,能够循环被使用。在不同的棋局里,循环使用这两个模型,帮助 AlphaGo 系统做出正确判断。这样一个简单的架构,就能够完成非常智能性的或者看上去非常智能性的任务。

机器学习也有几个局限。第一个局限是机器学习严重依赖于数据,我们训练数据提供的不充分,就可能会误导这个系统。刚才 Thomas Dietterich 教授也介绍到这样的例子,比如人脸检测的工作,如果给出的训练数据不充分,系统很难在所有情况下检测出照片中的人脸。人躲在墙后面或者人把脸捂上的时候,系统就检测不出人脸。要让系统做得非常好,实际上要给这个系统提供大量的不同情况下的数据,数据驱动是机器学习的重要特点,换句话说也是它的局限性。

机器学习的第二个局限:构建机器学习系统的时候,一定要事先想好这个模型的类型是什么,比如要做分类,把红的点和绿的点分开,正例负例分开,我们可以考虑用一个线性模型,就是用直线把红点绿点分开,也可以考虑用一个非线性模型,就是用曲线把红点绿点分开。这个设计就左右了我们的机器学习系统到底能不能很好完成任务。如果让系统选择最好的直线把正例和负例分开,结果一定非常不好,因为这里的数据的分布本身就是曲曲弯弯的,需要用非线性模型,用曲线才能把它们分开。我们构建机器学习系统的时候,事先要做一个决定,这个模型大概是什么类型,模型的集合到底是什么?我们事先要有设计,这个设计会严重影响我们这个系统的性能。

如果把智能系统做一个分类,可以这样去做:先看环境是不是动态变化的,如果环境只是遵循一定规律、不是动态变化的话,这样的智能系统可能就是一般的工业机器人。如果环境是动态变化的,接下来的问题是我们要不要让这个机器人去执行不特定多种任务,也就是说做的事情是不是事先定好了。事先定好的任务就是自动驾驶这样的情况。假想未来有一个建筑机器人,能在建筑工地跟建筑工人一样去工作,那么这时候的情况就比较复杂了。我们事先很难设想到底有哪些任务需要建筑机器人去做。这是机器学习的第三个局限,很难去执行不特定多种任务。回到建筑机器人这个例子,这个机器人可以搬砖、摆砖,但是砖墙倒了让它清理,这个机器人可能就不会做了,没有设计让机器人完成这样的任务,机器人不会像人一样在复杂动态的环境里去自主判断做事情,它所能够完成的任务都是事先定义好的。

弱人工智能在某种意义上有局限性。弱人工智能也有很大的威力,弱人工智能还是非常强大的。弱人工智能主要基于机器学习和大数据,现在的人工智能就是机器学习、大数据,这一招,还没有跟推理等结合起来。但是,就是这一招已经能把人工智能做得非常好了。有很多这样的例子,可以把智能系统的智能水平不断提高。阿基米德曾经说过,给我一个支点,我能把地球撬起来。对人工智能来说,对现在的机器学习来说,给我们无穷多的数据,我们也能够实现人工智能

3. 人工智能的发展机遇

大家观察一下就会发现,所有的人工智能系统都有这样一个规律,我叫它“人工智能闭环”。你有一个系统,还有用户、数据、算法。先有系统,建好以后有用户用了,能够产生大量的使用数据。这些数据又能帮助我们提高算法的性能,最后提高系统的性能,提高了性能的系统又能更好地帮助用户,我们有这样一个闭环,最后使用户感受到系统越来越智能。观察所有的人工智能系统,基本上都遵循这样的规律。这样在特定的场景下,能够跟我们人做出同样的甚至更好的判断。

华为:用 AI 实现全自动智能通信网络

刚才介绍整个人工智能未来的发展。我现在以通信行业为例,讲讲人工智能能给我们带来什么样的变化。诺亚方舟实验室在华为从事人工智能方面的基础研究,我们有几个方向,基本全围绕着华为的主力产品在做,包括手机、通信网络、云计算。手机和云计算的工作今天因为时间关系不介绍了,今天重点介绍一下诺亚方舟实验室在通信领域做的一些工作,我们坚信人工智能能够改变整个未来的通信领域。

人工智能改变通信

关于未来的通信网络,我们的愿景基本上是全自动的智能性的网络,不需要许多人去参与。大家如果熟悉通信的话知道,通信网络一般来说有两大块任务,一个是网络的控制,一个是网络的管理和维护。网络控制就是怎么样在一个通信网络里面有效调度资源,使得网络的使用效率更高,更好服务于用户。网络管理和维护,从建立通信网络开始,考虑怎么样能够建一个非常好的合理的通信网络,怎么样能够监控这个网络的情况。一旦网络发生故障,能够及时排除故障。我进华为之前不太了解这个情况,如果说一个通信网络经常发生故障,不是很有问题吗?现实当中通信网络很容易发生故障,比如外面哪个地方有个施工或者打个雷,都可能使通信网络发生故障。及时感知到通信网络发生的情况,一旦网络发生故障及时排除故障就是非常重要的事情。未来通信网络会越来越不需要人,整个网络的控制基本是全自动的,网络的维护和管理只需要很少的人参与,只需要很少的专家参与就可以把整个通信网络的事情全部搞定。

华为诺亚方舟实验室 AI 实践 1:网络流量自动控制

下面介绍两个具体的案例,诺亚方舟实验室在通信领域做的工作,网络流量的自动控制。现在SDN,也就是软件定义的网络是非常火的一个领域,可以预见未来的通信网络都会变成SDN,能够把硬件和软件解耦,更好地控制和管理网络。

现在诺亚方舟实验室开发了 NetworkMind 系统,意思是网络大脑,可以在SDN网络里面部署,自动观察网络流量,对网络流量做预测,在此基础上做路由的决策。这个系统全部基于机器学习,特别是控制的部分基于深度强化学习,在一个数据中心有很多服务器,大家跑不同的任务,这时候网络流量动态地发生变化,我们用深度强化学习构建的控制系统能够自动根据网络的状况去做路由的判断,使网络使用的效率有很大提高,完成任务的平均时间基本提高了50%,比业界已有的方法高了50%。

深度强化学习的模型,跟 AlphaGo 里面用的深度强化学习的模型相似。但具体的定义是不一样的,这里面的动作表示路由所有可能的路径,状态表示现在各个链路的容量、使用的状况等信息,奖赏是用完成任务的时间来定义的,这样可以构建一个强化学习模型,特别是用深度网络来去学习强化学习的Q函数。网络动态变化,我们的学习系统可以不断动态地在网络里面去学习,帮助这个系统做出判断,采用什么样的路由策略效果最好。

华为诺亚方舟实验室 AI 实践 2:通信网络智能控制与诊断

另外,我们在做的系统,能够帮助通信网络的工程师迅速地排除网络故障。华为有两万工程师在全世界维护全球1/3的通信网络,24小时维护,一旦这些网络发生故障,需要在很快的时间里面排除这些故障,这时候怎么样帮助工程师提高效率变成一个非常重要的问题。华为有所有网络的故障历史记录,有工程师用中文或者英文记录下来所有相关的知识,自动诊断系统可以从已有的数据里面自动构建整个华为通信领域的知识图谱,同时构建一个推理系统,帮助工程师做故障解除的推理,整个是一个问答系统的形式呈现,能够帮助工程师通过问答的形式迅速找到故障原因,找到解决方案。

下面有一个视频,可以看到自动诊断系统是怎样帮助工程师做故障诊断的。它完全像一个问答系统,工程师如果有问题的话可以用自然语言去问,系统会根据我们的知识库的内容找到一些相关的知识,帮助工程师迅速判断到底发生了什么问题。还有知识图谱,给工程师一些提示,可能发生了什么样的事情,这是一个概率图模型,可以算出概率来,到底一个故障发生的时候,有可能是什么样的原因造成的。这个对话实际是多轮对话系统,工程师可以在跟系统交互过程当中去判断到底发生了什么样的问题。

华为诺亚方舟实验室Q&A系统,自动诊断系统帮助工程师进行故障诊断(时长1:41)

这个系统的另外一个特点是,支持中英文,华为是非常国际化的公司,两万名工程师做网络维护,超过一半的工程师其实不是中国籍的,不会中文,这个系统支持他们做机器翻译,帮助他们很快把已有的知识翻译成英文,帮助他们迅速找到问题的答案。

在这个智能系统里面我们使用了卷积匹配模型,在自动问答系统里面已经是具有代表性的工作,在很多问答系统里面都被使用,论文被引用次数也很高。最基本的想法,假设你有一个问句、一个答句,通过二维的卷积神经网络抽取到问句和回答的特点做匹配,最后做出判断,判断这个问句和答案到底是不是相关的,能够通过训练深度模型,帮助问答系统做很好的回答。现在的准确率在70%左右,我们还在不断改进这个系统,希望更好地帮助工程师。

华为诺亚方舟实验室现在帮助通信产品部门做网络自动控制和网络管理的工作,我们希望通过使用人工智能技术能够使未来的网络更加畅通,使网络维护工程师的效率大大提升。

今天跟大家分享了一下人工智能未来发展的想法。总体来说我们非常兴奋,人工智能会给我们带来非常美好的前景,这个跟其他各位老师报告的思路一脉相承。但是,另一方面大家的期待不能过高,人工智能发展是一个渐进的过程,从弱人工智能的提高,到未来强人工智能的实现,还有漫长的路要走。强人工智能用现在的计算机架构实现情感、创造力、自由意志这样的东西还是非常困难的。在短期现在只有机器学习这一招,利用大数据,有了大数据能够真正把这个系统做得非常智能化,在特定场景下的判断能够超过人。我们看到很多这样的例子。虽然这个方法还有局限,但是已经非常强大了。如果在可预见的未来,比如10年20年的时间里,机器学习跟推理结合起来、符号处理跟神经处理结合起来,那么我们可能会看到更加强大的人工智能技术,会使我们的人工智能闭环的提升速度加速。从系统到用户到数据到算法再回到系统,整个人工智能的闭环运行速度会不断提高。

在诺亚方舟实验室,我们针对华为主要的产品在通信、手机、云计算等方面在做人工智能技术的研究,希望能够通过这些技术使华为产品更加智能化,更好地为服务用户。我们在网络控制里面用深度强化学习,在网络维护里面用智能问答,相信通过这些技术的开发使得华为的产品变得越来越好。

我的报告就到这里,谢谢大家!

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2016-10-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏钱塘大数据

【大咖说】发展大数据不要一味追求数据规模大,要“应用为先”

导读:中国信息化百人会学术委员、中国工程院院士李国杰认为,目前大数据技术还不成熟,面对海量、异构、动态变化的数据,传统的数据处理和分析技术难以应对,现有的数据处...

37970
来自专栏企鹅号快讯

人工智能这一年:Google、微软等科技巨头纷纷作出贡献

来自:oschina 链接:www.oschina.net/news/91955/2017-going-ai 如果说 2016 年是人工智能刚萌发新芽的一年,那...

21490
来自专栏专知

【重磅】美国人工智能前沿峰会日程预告:吴恩达、田渊栋、任小枫等25位AI专家分享最新成果

【导读】人工智能前沿峰会( AI Frontiers)将在美国圣塔克拉拉会议中心11月3号到5号举行。这次大会邀请来自谷歌、Facebook、微软和亚马逊等人工...

44640
来自专栏钱塘大数据

【大咖说】发展大数据不要一味追求数据规模大,要“应用为先”

导读:中国信息化百人会学术委员、中国工程院院士李国杰认为,目前大数据技术还不成熟,面对海量、异构、动态变化的数据,传统的数据处理和分析技术难以应对,现有的数据处...

38060
来自专栏机器学习AI算法工程

大数据工程师飞林沙的年终总结&算法数据的思考

从前东家离职已经一个多月的时间了,在这一个月,前前后后也和几家公司做了技术交流,自己也第一次静下来这么久来思考总结。今年是我毕业的第五年,也正巧赶上年底,就把这...

45760
来自专栏钱塘大数据

发展大数据不要一味追求数据规模大,要“应用为先”

作者:李国杰 ? 中国信息化百人会学术委员、中国工程院院士李国杰认为,目前大数据技术还不成熟,面对海量、异构、动态变化的数据,传统的数据处理和分析技术难以应对...

355110
来自专栏AI科技评论

智能的实现可以另辟蹊径——USF机器人感知与行为实验室负责人孙宇教授专访

在对人工智能和机器人的探索中,人们慢慢发现一个规律:虽然我们还没有彻底搞清楚智能是一种怎样的存在,但对于人工智能的研究一样在不断进展中,时至今日已经取得了令人赞...

36060
来自专栏PPV课数据科学社区

【每天一个数据分析师】面对毫无基础的业务人员,好的分析师解释逻辑,而不是细节

论坛君 “每天一个数据分析师”在第七期有幸采访到谢宇先生,他是中国联通广西分公司的大数据负责人,有超过7年的电信行业数据挖掘经验,目前主要负责大数据应用规划、基...

36870
来自专栏镁客网

2016年人工智能产业梳理:一朝引爆,稳步前进(上篇)

14250
来自专栏Albert陈凯

大数据到底怎么学:数据科学概论与大数据学习误区

作者|杜圣东 “数据科学家走在通往无所不知的路上,走到尽头才发现,自己一无所知。”-Will Cukierski,Head of Competitions &...

37570

扫码关注云+社区

领取腾讯云代金券