人工智能技术发展趋势有哪些 普华永道告诉你.doc

《人工智能技术发展趋势有哪些 普华永道告诉你.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、人工智能技术发展趋势有哪些普华永道告诉你　　【导读】：现如今人工智能技术已经成为科技领域最前沿的技术，各家科技公司都在这方面花了很多心思，学者和企业研究人员的发现将会为未来一年及以后的AI做好准备，2018年人工智能技术发展趋势有哪些呢？来看看普华永道的数据分析，给你答案。　　人工智能技术发展趋势有哪些普华永道告诉你　　【导读】：现如今人工智能技术已经成为科技领域最前沿的技术，各家科技公司都在这方面花了很多心思，学者和企业研究人员的发现将会为未来一年及以后的AI做好准备，2018年人工智能技术发展趋势有哪些呢？来看看普华永道的数据分析，

2、给你答案。　　1.深度学习理论：揭开神经网络的工作原理　　它是什么：深度神经网络，模仿人类的大脑，展示了他们从图像、音频和文本数据“学习”的能力。然而，即使在使用了十几年之后，我们仍有很多不了解深度学习的东西，包括神经网络是如何学习的，或者为什么它们表现得如此好。这可能会改变，这要归功于一个将信息瓶颈原理应用于深度学习的新理论。从本质上说，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，即包含大量额外无意义信息的数据集，同时仍然保留有关数据表示的信息。　　为什么它很重要：准确地理解深度学习是如何使其更大的发展和使用的。例

3、如，它可以提供对最佳网络设计和架构选择的洞察，同时提高安全性-关键或管理应用程序的透明性。期望从这个理论的探索中看到更多的结果应用于其他类型的深层神经网络和深层神经网络设计。2.胶囊网络：模拟大脑的视觉处理能力　　它是什么：胶囊网络，一种新型的深层神经网络，处理视觉信息的方式和大脑一样，这意味着他们可以维持等级关系。这与卷积神经网络形成了鲜明的对比，卷积神经网络是最广泛使用的神经网络之一，它没有考虑到简单和复杂对象之间重要的空间层次结构，导致错误分类和高错误率。　　为什么它很重要：对于典型的身份识别任务，胶囊网络承诺通过减少错误（多达5

4、0%）来提高准确性。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度神经网络架构中的广泛使用。3.深度强化学习：与环境交互以解决业务问题　　它是什么：一种神经网络，通过观察、行动和奖励与环境互动来学习。深度强化学习（DRL）已经被用来学习游戏策略，例如Atari和go-包括著名的AlphaGo程序，击败了人类冠军。　　为什么它很重要：DRL是所有学习技术中最通用的目的，所以它可以用于大多数业务应用程序中。与其他技术相比，它需要更少的数据来训练模型。更值得注意的是，它可以通过模拟进行训练，从而无需完全标注数据。鉴于这

5、些优势，预计未来一年将会有更多将DRL和基于代理的仿真相结合的业务应用。4.生成对抗网络：配对神经网络刺激学习，减轻处理负担　　它是什么：生成对抗网络（GAN）是一种无监督的深度学习系统，作为两个相互竞争的神经网络来实现。一个网络，即发电机，产生与真实数据集完全相同的假数据。第二个网络，鉴别器，摄取真实和合成的数据。随着时间的推移，每个网络都会得到改进，从而使得这个对能够学习给定数据集的整个分布。　　为什么它很重要：GANs向更大范围的非监督任务开放，在这些任务中，标记数据不存在，或者代价太大。他们还减少了深度神经网络所需要的负荷，因为

6、这两个网络分担了负担。期望看到更多的业务应用程序，例如网络检测，使用GANs。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（特别是深度学习）最大的挑战是可以使用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个问题：（1）合成新的数据;（2）将一个任务或领域的训练模型转移到另一个。诸如转移学习（将从一个任务/领域学到的见解转移到另一个任务/领域）或一次学习（转移学习被极端化，学习仅仅通过一个或没有相关的例子而发生）-使他们成为“精益数据”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数据，从而增加现有数据

7、以提高学习效率。　　为什么重要：使用这些技术，我们可以解决更多的问题，特别是那些历史数据较少的问题。期望看到更多的精益和增强数据的更多变化，以及适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：一种高级编程语言，更容易使开发人员设计概率模型，然后自动“解决”这些模型。概率编程语言使复用模型库成为可能，支持交互建模和正式验证，并提供必要的抽象层来支持通用模型类中的通用的、有效的推理。　　为什么它很重要：概率编程语言能够适应业务领域中常见的不确定和不完整的信息。我们将看到这些语言的广泛应用，并期望它们也适用于

8、深度学习。7．混合学习模式：结合模型不确定性的方法　　它是什么：不同类型的深层神经网络，如GANs或DRL，在性能和广泛应用的不同类型的数据方面表现出很大的潜力。然而，深度学习模型并没有模型的不确定性，贝叶