【.com快译】在过去的几年里，许多公司已经从采用数据驱动的方法中获益。数据2.0战略将由深度学习、强化学习和贝叶斯机器学习等新人工智能技术驱动。深度学习是人工智能最先进的方法，涉及机器翻译、计算机视觉和自然语言处理。不使用这些技术会影响收入并限制最终用户体验。使用深度学习的方法可以全面解决问题。换句话说，我们让算法而不是人类来决定解决问题的意义所在。这种方法简化了系统并使数据能够为决策提供信息。更重要的是，它最大限度地减少了人类带来自己偏见的可能性。1、深度学习很深奥，需要招对人。深度学习是更广泛的人工智能领域的一个分支。深度学习是一个巨大的研究领域。许多公司今天使用的大部分机器学习很可能基于众所周知的旧算法，这些算法可以使用scikit-learn等开源工具轻松构建。然而，深度学习还没有达到那个成熟度。谷歌员工Fran?oisChollet开发的Keras、Facebook的PyTorch和谷歌的Tensorflow等工具让深度学习变得更容易获得。虽然让简单的深度学习示例变得有用更容易，但改变游戏规则的大结果需要我们称之为“魔法”的东西。深度学习的秘诀在于，最先进的结果需要大量的计算资源、对训练技术的深入了解以及对特定方法的特别熟悉。解决方案：聘请已经构建深度学习系统的研究人员，而不仅仅是复制和粘贴。这些人不需要都拥有博士学位，一些最优秀的机器学习研究人员甚至没有大学学位。2.可解释性重要吗？深度学习中的可解释性是指理解系统做出特定决定的原因。这是AI界的热门话题，归结为一个企业的用例和风险承受能力。制药公司最好了解为什么算法会做出影响我们生活的决定。对于流失预测，如果系统显着减少流失，可解释性可能不是很重要。正如Facebook人工智能研究总监YannLeCun在《人工智能大辩论》中所说：“如果你向一家公司展示两个系统，一个是可解释的简单系统，但性能还可以，另一个是更复杂的系统，性能更好，公司每次都选择后者。我在自己的工作和研究中经常听到的就是所谓的“黑箱谬误”。数据科学家经常将神经网络称为无法理解的黑匣子。虽然解释结果不如更传统的方法。很明显，但我们已经开发出多种方法来探测这些网络的内部。这不应阻止公司采用深度学习。解决方案：确定可解释性对贵公司的真正影响。还建立简单的模型，以便A基准。如果您的深度学习方法要好得多，它可能会提供更有说服力的商业案例。3.你需要更多的数据和GPU。数据和计算能力是深度学习在今天变得实用的两个原因。GPU将计算时间从数周缩短至数小时。TPU更快。没有这些GPU，您无法以足够快的速度训练这些模型以取得显著成果。您的公司可以自己购买GPU，也可以从AmazonWebServices(AWS)或GoogleCloud等提供商处购买。深度学习方法需要大量数据才能发现不太明显的模式。没有足够的数据，这些系统注定会失败，或者给人一种性能良好的错误印象（即：过度拟合）。解决方案：收集所有产品的原始信号。不要害怕在GPU上花钱。4.人工智能战略不够雄心为什么深度学习对大数据更有意义？手动特征工程意味着人类选择对算法重要的东西。由于人类参与了这一过程，因此这些系统的性能取决于人类的聪明才智。更好的方法是在系统中加入人的直觉。数据科学团队认为，深度学习对于大多数问题来说都有些矫枉过正。虽然神经网络不能解决所有问题，但它们是涉及计算机视觉、音频和自然语言处理的最先进方法。这种想法是人为地限制了系统的性能。如果你知道汽车更快，为什么还要骑马呢？解决方案：使用较旧的机器学习方法来建立强大的基准。如果深度学习可以击败这个基准，就使用深度学习。这使您能够量化这些技术相对于更简单的方法所提供的价值。结论深度学习已经离开学术界，并准备好改变企业。不要害怕负责任地使用深度学习。不当采用会导致数据有偏差，从而损害您的公司和最终用户。深度学习有助于将人类从机器学习循环中解放出来，最大限度地减少系统偏差的可能性。在构建任何机器学习系统时始终保持道德非常重要。原标题：公司努力采用深度学习的4个原因，作者：WilliamFalcon
