大数据文摘作品汇编：傅一扬、丁辉、AileenAI热潮，神经网络的声音最好听。然而，人工智能远不止于此。目前，在人工智能技术领域，投入资金最多的无疑是对神经网络的研究。在大家眼里，神经网络技术就好像是“程序化的大脑”（虽然这个比喻很不准确）。早在1940年代就提出了神经网络的概念，但直到现在，人们对神经元和大脑的工作方式仍然知之甚少。近年来，科研界对神经网络技术创新的呼声越来越高。急于重启神经网络的热潮……其实，除了神经网络，AI领域还有很多更有趣、更新颖、更有前途的技术。本文将向您介绍这些技术。1.Knol抽取Knol是指信息单元，即关键词、词等。Knol抽取技术是从文本中抽取关键信息的过程。举个简单的例子：比如把“顾名思义，一只章鱼有8条腿”这句话抽取出来后，就变成了这样：{“章鱼”：{“腿数”：8}}。我们常用的谷歌搜索引擎就依赖于这项技术，后面介绍的很多技术也包含了这项技术。2.本体构建本体构建是一种基于NLP的技术，旨在利用软件构建实体名词的层次结构。这项技术对AI对话的实现有很大的帮助。本体构建虽然表面上看起来简单，但实际上构建起来并不容易，主要是因为事物之间的实际联系比我们想象的要复杂。例如，使用NLP分析文本构建实体关系集：例句：“我的拉布拉多猎犬刚生了一堆小狗，他们的父亲是贵宾犬，所以他们是拉布拉多贵宾犬（混种狗）”变成：{"Puppy":{"couldbe":"LabradorPoodle","have":"father"},"Labrador":{"have/have":"Puppy"}}.然而，人类在表达语言时通常不会陈述所有的关系。例如，在这句话中，需要推断“我的拉布拉多是雌性”这一事实。这就是本体构建的难点。因此，本体构建技术目前仅用于最先进的聊天机器人。3.自定义启发式启发式是分类的规则，通常像“如果这个项目是红色的”或“如果鲍勃在家”这样的条件语句，通常伴随着一个动作或判断，例如：如果某物具有该元素“arsenic”在其[“ingredients”]属性中：那么它的[“poison”]属性为“True”。对于每一个新信息，都有新的启发式和新的关系，随着新启发式的建立，可以产生对相关名词的新理解。例如：启发式1：“小狗”（puppies）表示它们是婴儿（Babies）；启发式2：婴儿（Babies）表示他们很年轻；通过以上两种启发，可以推断出“小狗”很年轻。启发式的困难在于，在大多数情况下，规则并不像“如果/那么”那么简单。像“有些人有金发”这样的陈述很难启发式地表述。所以我们有“认识论”（见下文）。4.认识论认识论是本体构建和自定义启发式的结合，并为其增加了概率特征，表达名词通过概率与任何属性相关联的可能性。例如，使用这个本体结构：{'person':{'gender':{'male':0.49,'female':0.51},'race':{'Asian':0.6,'African':0.14}}表达对一个人的性别和种族的判断。同时，概率可以帮助识别一些具有多重含义的“混合”短语，例如在“prunesarelikeraisinsonsteroids”这句话中，因为“stimulated”这个短语有很大概率表示“Largervolume”，以及因此，这句话的意思很可能是“prunesarelargerthanraisins”。认识论的实现远比本体论的建构困难得多。首先，它需要更多的数据；并且由于其结构复杂，规则确定后难以快速建立数据库实现检索；另外，规则的确定通常是根据某件事在一段文字中被提及的次数和频率，但文字未必能够真实反映现实。认识论与阿西莫夫提出的“张量流”理论非常相似。谷歌开发的同名TensorFlow系统并不是真正基于张量，而认识论才是。5、自动仪表技术一个仪表系统必须包含相应的评价标准。想象一下，在买房子的时候，需要考虑房屋面积、地段、价格、风格等因素，而这些因素未必都是正面的，这就需要权衡取舍才能做出决定。例如，如果你更关心房子的大小而不是价格，你宁愿多花几倍的钱买大房子。自我评估技术通过你对不同因素的重视程度来确定每个因素的权重，从而做出决策建议。通过这个过程，还可以预测库存变化，推荐商品，实现自动驾驶。也就是说，神经网络能实现的大部分功能，自动测量技术都能胜任，虽然它需要更长的训练时间，但它可以更快地做出数量级的决策。6、矢量差分矢量差分技术常用于图像分析，也可用于时变数据的处理。通过构建目标的抽象矢量图，将候选对象与待识别的目标对象进行比较，从而判断其是否为“最佳约会面孔”或“最佳购买机会”。通常，目标对象之间的差异伴随着一个量化规则来衡量差异程度。通过特征的向量化，可以简单明了地表达一些“模糊”的概念。比如对于人类来说，我们一般认为对称的脸比较有吸引力，但是对于计算机来说，就需要精确的计算来判断。将图像与图像进行比较可以节省大量的计算时间和存储空间。也可以处理非图像数据。例如，股价变化、每股收益与保证金的比率等，通过将这些数据矢量化并与理想值进行比较，就可以判断一项投资的获利程度或风险程度。7.矩阵卷积卷积矩阵常用于图像处理中，用于边缘检测和对比度增强。例如PhotoShop中的很多滤镜都是基于卷积矩阵或者stackedconvolutions（按特定顺序运算的多次卷积）实现的。同时，卷积矩阵也可以用来处理非图像数据。例如，在使用卷积矩阵处理时序向量时，可以像边缘检测一样快速找到模式，然后在最小值或最大值处寻找特定的值或范围进行判断。8.多视图决策系统做决定并不简单。多视角决策系统从多个视角以更民主的方式做出决策。比如刚才房子的例子，你对某个房子的乐观可能是基于不完全的因素，然后是“这房子建在悬崖上”的事实（当然这个压倒性的因素可能来自Knolextraction）会消除你之前所有的善意，让你做出新的决定。因此，决策需要通过更全面的因素来考虑，多视角决策系统可以用两个人（比如你和你的配偶）的两套标准来衡量决策。多视图决策系统还可以应用到自动驾驶领域，比如收集10000名车主的意见，制定新的标准。写在***——相信很多技能不会压倒你。很多人眼里只有一个工具，陷入了“我只有锤子，所以什么都是钉子”的深坑。Recognit等公司在应用神经网络的同时，也在文章中应用了这些相对冷门的技术。毕竟，与神经网络硬件系统相比，这些软件技术的优势在于可以随时针对不同情况进行调整和开发，无需额外成本。因此，如果技术范围狭窄，有可能被某些情况所困，而技术范围越宽，越容易解决问题。原文链接：https://www.linkedin.com/pulse/8-ai-technologies-aint-neural-networks-brandon-wirtz/Digest(id:BigDataDigest)》]点此查看本作者更多好文
