刚刚,吴恩达讲了干货满满的一节全新AI课,全程手写板书

夏乙 编译整理 量子位 出品 | 公众号 QbitAI

给吴恩达三块白板和一支马克笔,听他讲一节精彩的课。

刚刚,在O’reilly举办的AI Conference上,吴恩达做了个25分钟的演讲,主题依然是“AI is the new electricity”?,但内容可以说是充满诚意非常干货了。

吴恩达老师这节课,主要讲了这四部分内容:

  • AI能做什么?各种算法有多大商业价值?
  • 做AI产品要注意什么?
  • 怎样成为真正的AI公司?
  • 给AI领导者的建议

现场视频截图,主要看字

先上视频:

视频是全英语的,字幕是没来得及做的。

英语好的小伙伴看视频就好啦,英语不(那么)好的同学继续往下看。量子位看着视频写了一份笔记,将其中的干货摘录如下:

吴恩达的老师的开场白,依然是AI像当年的电力一样,正开始改变所有行业。

要理解AI,就要先进入我们的第一部分:

AI能做什么?

目前,AI技术做出的经济贡献几乎都来自监督学习,也就是学习从A到B,从输入到输出的映射。

比如说,输入一张照片,让机器学会判断这张照片是不是你,输出0或1。

现在最赚钱的机器学习应用,应该说是在线广告。在这个例子中,输入是广告和用户信息,输出是用户会不会点击这个广告(还是0或1)。

监督学习还可以应用在消费金融领域,输入贷款申请信息,输出用户是否会还款。

过去几年里,机器学习经历了迅速的发展,越来越擅长学习这类A到B的映射,创造了大规模的经济效益。

同时,AI的进步也体现在监督学习的输出不再限于0或1的数字。

比如说语音识别的任务,也是一种端到端的学习,输入音频,输出文本。只要有足够的数据,语音识别就能达到很好的效果。

这类算法为语音搜索、亚马逊Alexa、苹果Siri、百度DuerOS等等提供了基础。

还有输入英语输出法语的机器翻译,输入文本输出音频的TTS(Text to Speech)等等,都是监督学习的应用。

监督学习的缺点是它需要大量的标注数据,这影响了它的普及。

经常有人问我,为什么神经网络已经存在了这么多年,AI却近年来才开始快速发展?

很多人可能见过我画这张图:

横轴是数据量,纵轴是算法的性能。

随着数据量的增加,传统机器学习算法的性能并没有明显提升,而神经网络的性能,会有比较明显的提升,神经网络越大,性能的提升就越明显。

为了达到最佳的性能,你需要两样东西:一是大量的数据,二是大型的神经网络。

擦干净白板继续讲~

还有一个问题,有很多人问我:机器学习中最大的趋势是什么?算法如何创造价值?

现在来看,创造最多价值的还是监督学习。

如果你问我监督学习之后是什么,我认为迁移学习现在也开始创造不少经济效益。可能因为这个概念不够性感,所以人们谈论得不多。

比如说你的算法从一个像ImageNet那样的大数据集学到了图像识别,然后用迁移学习,用到医学影像诊断上。

非监督学习,我认为是非常好的长期研究项目。它也创造了一些经济价值,特别是在自然语言处理上。

强化学习也很有意思,我研究了很多年,现在也还在这方面做一些微小的工作。但是我认为,强化学习的舆论热度和经济效益有点不成比例。

强化学习对数据的饥渴程度甚至比监督学习更严重,要为强化学习算法获取到足够的数据非常难。

在打游戏这个领域,强化学习表现很好,这是因为在电子游戏中,算法可以重复玩无限次,获取无限的数据。

在机器人领域,我们也可以建立一个模拟器,相当于能让强化学习agent在其中模拟无人车、人形机器人,重复无限次“游戏”。

除了游戏和机器人领域之外,要把强化学习应用到商业和实践中还有很长的路要走。

现在,监督学习、迁移学习、非监督学习、强化学习这四类算法所创造的经济效益是递减的。

当然,这只是目前的情况。计算机学科不断有新突破,每隔几年就变个天。这四个领域中的任何一个都可能发生突破,几年内这个顺序就可能要重排。

我注意到的另一件事情是,机器学习依靠结构化数据,比非结构化数据创造了更多的经济效益。

举个结构化数据的例子,比如说你的数据库记录了用户的交易情况,谁什么时候买了什么东西,谁什么时间给谁发了信息,这就是结构化数据。

而像图像、音频、自然语言等等,就是非结构化数据。

虽然非结构化数据听起来更吸引人,舆论热度更高,但结构化数据的价值在于它通常专属于你的公司,比如说只有你的打车公司才有用户什么时候叫车、等了多长时间这样一个数据集。

所以,不要低估结构化数据结合深度学习所能创造的经济价值。

在前面谈到的几类学习算法中,单是监督学习就已经为公司、创业者创造了大量的经济价值和机会。

再擦一块白板(×2),继续~

做AI产品要注意什么?

有一个很有意思的趋势,是AI的崛起正改变着公司间竞争的基础。

公司的壁垒不再是算法,而是数据。

当我建立一家新公司,会特地设计一个循环:

先为算法收集足够的数据,这样就能推出产品,然后通过这个产品来获取用户,用户会提供更多的数据……

有了这个循环之后,对手就很难追赶你。

这方面有一个很明显的例子:搜索公司。搜索公司有着大量的数据,显示如果用户搜了这个词,就会倾向于点哪个链接。

我很清楚该如何构建搜索算法,但是如果没有大型搜索公司那样的数据集,简直难以想象一个小团队如何构建一个同样优秀的搜索引擎。这些数据资产就是最好的壁垒。

工程师们还需要清楚这一点:

AI的范围,比监督学习广泛得多。我认为人们平时所说的AI,其实包含了好几类工具:比如机器学习、图模型、规划算法、知识表示(知识图谱)。

人们的关注点集中在机器学习和深度学习,很大程度上是因为其他工具的发展速度很平稳。

如果我现在建立一个AI团队,做AI项目,很多时候应该用图模型,有时应该用知识图谱,但是最大的机遇还是在于机器学习,这才是几年来发展最快、出现突破的领域。

接下来我要和大家分享一下我看问题的框架。

计算机,或者说算法是怎样知道该做什么的呢?它有两个知识来源,一是数据,二是人工(human engineering)。

要解决不同的问题,该用的方法也不同。

比如说在线广告,我们有那么多的数据,不需要太多的人工,深度学习算法就能学得很好。

但是在医疗领域,数据量就很少,可能只有几百个样例,这时就需要大量的人工,比如说用图模型来引入人类知识。

也有一些领域,我们有一定数量的数据,但同时也需要人工来做特征工程。

当然,还要谈一谈工程师如何学习。

很多工程师想要进入AI领域,很多人会去上在线课程,但是有一个学习途径被严重忽视了:读论文,重现其中的研究。

当你读了足够多的论文,实现了足够多的算法,它们都会内化成你的知识和想法。

要培养机器学习工程师,我推荐的流程是:上(deeplearning.ai的)机器学习课程来打基础,然后读论文并复现其中的结果,另外,还要通过参加人工智能的会议来巩固自己的基础。

再擦一块白板(×3)

怎样成为真正的AI公司?

我接下来要分享的这个观点,可能是我今天所讲的最重要的一件事。

从大约20年、25年前开始,我们开始看见互联网时代崛起,互联网成为一个重要的东西。

我从那个时代学到了一件重要的事:

商场 + 网站 ≠ 互联网公司

我认识一家大型零售公司的CIO,有一次CEO对他说:我们在网上卖东西,亚马逊也在网上卖东西,我们是一样的。

不是的。

互联网公司是如何定义的呢?不是看你有没有网站,而是看做不做A/B测试、能不能快速迭代、是否由工程师和产品经理来做决策。

这才是互联网公司的精髓。

现在我们经常听人说“AI公司”。在AI时代,我们同样要知道:

传统科技公司 + 机器学习/神经网络 ≠ AI公司(全场笑)

公司里有几个人在用神经网络,并不能让你们成为一家AI公司,要有更深层的变化。

20年前,我并不知道A/B测试对互联网公司来说有多重要。现在,我在想AI公司的核心是什么。

我认为,AI公司倾向于策略性地获取数据。我曾经用过这样一种做法:在一个地区发布产品,为了在另一个地区发布产品而获取数据,这个产品又是为了在下一个地区发布产品来获取数据用的,如此循环。而所有产品加起来,都是为了获取数据驱动一个更大的目标。

像Google和百度这样的大型AI公司,都有着非常复杂的策略,为几年后做好了准备。

第二点是比较战术性的,你可能现在就可以开始施行:AI公司通常有统一的数据仓库

很多公司有很多数据仓库,很分散,如果工程师想把这些数据放在一起来做点什么,可能需要和50个不同的人来沟通。

所以我认为建立一个统一的数据仓库,所有的数据都存储在一起是一种很好的策略。

另外,普遍的自动化新的职位描述也是AI公司的重要特征。

比如说在移动互联网时代,产品经理在设计交互App的时候可能会画个线框图:

然后工程师去实现它,整个流程很容易理清楚。

但是假设在AI时代,我们要做一个聊天机器人,这时候如果产品经理画个线框图说:这是头像,这是聊天气泡,并不能解决问题。

聊天气泡长什么样不重要,我需要知道的是,这个聊天机器人要说什么话。线框图对聊天机器人项目来说没什么用。

如果一个产品经理画了个无人车的线框图,说“我们要做个这个”,更是没什么用。(全场笑)

在AI公司里,产品经理在和工程师沟通的时候,需要学会运用数据,要求精确的反馈。

给AI领导者的建议

时间好像不够了,给高管的建议嘛,欢迎阅读我给《哈佛商业评论》写的文章?

互动时间

如果你对吴恩达最后提到的那篇文章感兴趣,可以在量子位微信公众号(QbitAI)对话界面,回复:“hbr”三个字母,即可获得地址。

原文发布于微信公众号 - 量子位(QbitAI)

原文发表时间:2017-09-20

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

来自专栏媒矿工厂

人工智能赋能流媒体

前言 人工智能(AI)、深度学习和自然语言处理将成为新一代流媒体行业的关键技术。从生产到消费的各个阶段,它们都将产生非常重大的影响。毫无疑问,随着人工智能在许多...

592110
来自专栏人工智能头条

掌握 Google 深度学习框架的正确姿势——专访 TensorFlow 贡献者唐源

26130
来自专栏PPV课数据科学社区

是的,人工智能就是分析

关于人工智能究竟是什么,以及人工智能的学科应该如何分类,似乎存在一些混淆。人工智能是分析学的一种形式,还是一门与分析学不同的全新学科?我坚信人工智能与预测分析和...

29640
来自专栏机器人网

推荐:10本好书,让你成为机器学习领域的专家

机器学习是个跨领域的学科,而且在实际应用中有巨大作用,但是没有一本书能让你成为机器学习的专家。 在这篇文章中,我挑选了 10 本书,这些书有不同的风格,主题也不...

38580
来自专栏智能算法

开发AI可是个大工程 脸书想让AI自己开发AI

深度神经网络正在重塑互联网。通过分析大量的数字信息,深度神经网络可以自己学习,执行人类执行的任务,就在短短几年前,类似的智能系统还无法植入到网络服务中去。 要...

346130
来自专栏大数据文摘

机器学习不是万能的!谷歌工程师:激发人的想象力才能创造惊艳的用户体验

20030
来自专栏CDA数据分析师

数据科学家:在实际工作后,我深刻认识到的五点

我从事数据科学工作了已经将近半年了,我一路上成长了很多,也犯了很多错误,并在这一过程中从学习了很多。

10410
来自专栏木东居士的专栏

你了解你的数据吗(开篇):总览

27840
来自专栏大咖说

阿里盖坤:用深度学习打造真正的智能化广告系统

文章原创首发于微信公众号「 TGO 鲲鹏会」,原文地址:阿里盖坤:用深度学习打造真正的智能化广告系统

33530
来自专栏AI科技评论

Human-like learning在对话机器人中的魔性运用 | 牛人讲堂

对话机器人很多,像Siri,小冰,度秘,Allo都能在你有空的时候跟你贫贫嘴,不过随着厂家和用户意识到凭空做出一个高度通用的对话机器人是非常不现实的,对话机器人...

29950

扫码关注云+社区

领取腾讯云代金券