2018年人工智能技术备受关注的十大预测.doc

《2018年人工智能技术备受关注的十大预测.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、2018年人工智能技术备受关注的十大预测2018年人工智能技术备受关注的十大预测　　人工智能是前沿和中心，商界和政府领导人正在思考正确的举措。但是在实验室里发生了什么呢？在实验室里，学术和企业研究人员的发现将为未来一年乃至更长的时间设定人工智能的发展方向。我们自己的研究团队来自普华永道的AI加速器，专注于领先的发展，无论是技术人员还是商业领袖都应该密切关注。这是他们是什么，为什么他们重要。这里也可以看到我们在商业上的顶级人工智能趋势。1.深度学习理论：揭开神经网络工作原理的神秘面纱　　它是什么：模仿人脑的深层神经网络已经证明了他们从图

2、像、音频和文本数据中“学习”的能力。然而，即使在使用了十多年后，仍有许多我们还不知道的事情深度学习，包括神经网络是如何学习的，以及它们为什么表现得如此好。这可能正在改变，多亏了新理论这将信息瓶颈的原理应用于深度学习。本质上，它表明，在初始拟合阶段之后，深度神经网络将“忘记”并压缩噪声数据-即包含大量附加无意义信息的数据集-同时仍保留有关数据所代表的信息。　　为何重要：准确地理解深度学习是如何使它得到更大的发展和使用的。例如，它可以提供对最佳网络设计和体系结构选择的洞察，同时为安全关键或监管应用程序提供更高的透明度。期望通过对这一理论的

3、探索，能够看到更多的结果，并将其应用于其他类型的深层神经网络和深层神经网络的设计。2.胶囊网络：模仿大脑的视觉加工能力　　它是什么：胶囊网络一种新型的深度神经网络，其处理视觉信息的方式与大脑相似，这意味着它们可以保持层次关系。这与卷积神经网络形成鲜明对比，卷积神经网络是应用最广泛的神经网络之一，它没有考虑到简单对象和复杂对象之间的重要空间层次结构，导致分类错误和错误率高。　　为何重要：对于典型的识别任务，胶囊网络通过将误差减少50%，保证了更高的准确性。他们也不需要太多的数据来训练模型。期望看到胶囊网络在许多问题领域和深层神经网络体系

4、结构中的广泛应用。3.深层强化学习：与环境互动解决业务问题　　它是什么：一种通过观察、行动和奖励与环境相互作用来学习的神经网络。深层强化学习（DRL）已经被用来学习游戏策略，比如Atari和Go-包括著名的AlphaGo程序，它击败了人类冠军。　　为何重要：DRL是所有学习技术中最通用的，因此它可以应用于大多数商业应用中。它需要比其他技术更少的数据来训练它的模型。更值得注意的是，它可以通过模拟来训练，这样就完全不需要有标签的数据了。鉴于这些优点，期望看到更多的业务应用程序DRL与基于Agent的仿真相结合在未来的一年里。4.生成对抗性

5、网络：配对神经网络促进学习和减轻处理负荷　　它是什么：A生成对抗性网络GaN（GaN）是一种无监督的深度学习系统，它是作为两个相互竞争的神经网络来实现的。一个网络，即生成器，创建了与真实数据集完全相同的假数据。第二个网络，即鉴别器，接收真实和综合的数据。随着时间的推移，每个网络都在改进，使这对网络能够学习给定数据集的整个分布。　　为何重要：GANS为更大范围的无监督任务打开了深度学习的大门，在这些任务中，标签数据并不存在，或者获取起来太昂贵。它们还减少了深层神经网络所需的负载，因为这两个网络分担了负担。预计会有更多的商业应用程序，如网

6、络检测，聘用甘斯。5.精益和增强数据学习：解决标签数据挑战　　它是什么：机器学习（尤其是深入学习）的最大挑战是提供大量的标记数据来训练系统。两种广泛的技术可以帮助解决这一问题：（1）合成新的数据；（2）将为一个任务或领域训练的模型转移到另一个任务或领域。技术，如转移学习（将所学到的洞察力从一个任务/领域转移到另一个任务/领域）或一次尝试学习（将学习转移到极致，只有一个或没有相关的例子进行学习）-使他们“精益的数据”学习技术。同样，通过模拟或插值合成新数据有助于获得更多的数据，从而增强现有数据以改进学习。　　为何重要：使用这些技术，我们

7、可以解决各种各样的问题，特别是那些历史数据较少的问题。期望看到更多的精益数据和扩展数据，以及应用于广泛业务问题的不同类型的学习。6.概率编程：简化模型开发的语言　　它是什么：一种更容易使开发人员设计概率模型并自动“解决”这些模型的高级编程语言。概率规划语言使重用模型库、支持交互建模和形式验证成为可能，并为在通用模型类中培育通用、高效推理提供了必要的抽象层。　　为何重要：概率编程语言能够适应业务领域中常见的不确定和不完全信息。我们将看到这些语言得到更广泛的采用，并期望它们也能应用于深入学习。7.混合学习模型：模型不确定性的组合方法　　它

8、是什么：不同类型的深层神经网络，如GANS或DRL，在性能上有很大的发展前景，并在不同类型的数据中得到了广泛的应用。然而，深度学习模式并不是模型不确定性贝叶斯方法，或者说概率方法。混合学习模型将这两种方法结合起来，以充分