深度学习项目成功的六要素

来源 | medium

编译 | KK4SBB

深度学习可以应用在哪些场合呢？这是大家在理解深度学习和其它人工智能技术时首先想到的问题。我们往往陷入一个误区，认为“人工智能”可以搞定一切。

若要回答这个问题，首先要知道另一个问题的答案，“我们手中是否已经有足够的数据”？然而，这个问题也需要足够的领域知识才能作答。在学术意义上，我们想理解“边界条件”；或者换句话说，我们想理解问题的内在约束条件。那么，深度学习和人工智能问题的“边界条件”究竟是什么呢？

早些时候，笔者讨论过“什么是可知的”和“什么是知识的当前状态？若想理解领域知识，就必须搞明白知识的当前状态是什么。不确定度是以可知的内容为参照来衡量未知知识的度量。但不确定度有一个奇怪的假设，即假设一切事物最终都是可知的。这相当于我们相信决定论，可是在真实的世界往往捉摸不定。

然而，这个度量名称对我们识别问题的边界很有帮助。下面是问题清单。若问题的答案是否定的，那预示着不确定性的存在。以下采用执行者、活动和环境来描述整个语境：

• 执行的不确定性 - 从环境的初始状态开始，执行者不同的执行顺序是否总是得到同样的最终状态？
• 观测的不确定性 - 执行者是否能够获取完整的环境信息？
• 时间的不确定性 - 执行者是否知道活动将会持续多久？
• 行动的不确定性 - 执行者活动产生的影响是否准确可预知？
• 评估的不确定性 - 是否有一个评价标准来衡量活动成功完成与否？
• 训练的不确定性 - 是否有背景知识或是历史上成功解决方案的数据可用于指导学习？

对于现实世界中的大部分情况而言，上述问题的答案都是否定的。而实现自动化的前提条件是要求上述大部分问题都能得到肯定的答案。基于深度学习的自动化给我们提供了一点回旋的余地。基于深度学习自动化的本质还是落脚到机器。只不过在已有信息可以排除不确定性的情况下（比如监督式学习），深度学习可以很好地近似估计不确定情况。

没有机器知道不可知的事物（需要首先解决无监督问题）。具体说来，深度学习系统是学习可知的且已知的信息，从而增加对可知的而未知的事物的确定性。上面的清单帮助我们鉴别什么事物属于未知的，即是一张“可知而未知”的列表。现实一点吧，如果我们不知道我们不知道，那这种难题怎么可能破解！所以，我们必须要鉴别清楚不确定的而且无法知道的状态。

尽管深度学习似乎像炼金术，但是实际上它并没有魔法。因此，分清现实和科幻的模糊界限可以让我们在竞争中获得巨大的成功。

笔者表示本文观点受Google DeepMind组的Andrej Karpathy启发。Andrej在《AlphaGo in Context》一文中分析了AlphaGo成功的要素。上述的对照清单对于需要与环境交互的系统应用很有帮助，就比如说AlphaGo。

原文：https://medium.com/intuitionmachine/where-is-deep-learning-applicable-understand-the-known-unknowns-f4272e3136ec