吴恩达演讲直指AI落地三大挑战，并提出解决方案机器学习实验室共 1271字，需浏览 3分钟 ·2020-11-15 02:21 AI落地编辑：陈萍、小舟转自：机器之心吴恩达在斯坦福大学 HAI 研讨会上进行内容分享，指出 AI 部署所面临的三大挑战，并给出解决方案。随着人工智能的不断发展，大量先进算法以及配套硬件设施不断涌现，研究人员凭借新算法等不断刷新 SOTA 记录，但是在科研中、论文中实现的高精度性能，很多却不能应用于实际的生产中。AI 离真正的落地还有多远？现阶段，许多公司和研究团队正在努力将研究转化为实际的生产部署。近日，机器学习大牛吴恩达在斯坦福大学 HAI 研讨会上分享了一些有趣的观点，即「如何弥补 AI 的概念验证与生产之间的差距」。HAI（「以人为本」人工智能研究院）成立于 2019 年 3 月，由斯坦福大学人工智能科学家李飞飞和哲学教授约翰 · 埃切曼迪（John Etchemendy）共同领导，致力于推动人工智能领域的跨学科合作，让科技以人为中心，并加强对人工智能社会影响的研究。HAI 定期举办研讨会，此前吴恩达参加研讨会并做了演讲。AI 部署所面临的挑战在这次研讨会上，吴恩达分享了人工智能面临的挑战之一，即 AI 概念验证与产品落地之间的差距。吴恩达从三个方面介绍了 AI 部署所面临的挑战：小数据、算法的鲁棒性和泛化能力，以及变更管理。挑战 1：小数据问题小数据在消费互联网以外的工业应用中很常见，而 AI 研究通常使用大数据，很多算法是针对大数据开发的。但是很多行业可获取的数据规模有限，为了使 AI 在这些行业中起作用，我们必须开发针对小数据的算法。小数据适用的算法包括 GAN、GPT-3、自监督、迁移学习等。挑战 2：算法的鲁棒性和泛化能力大家可能已经发现，已发表论文中效果显著的模型通常在生产中不起作用，研究中声称算法结果已经超过人类的方法却不能很好地投入到生产，训练的模型不能很好地泛化到其他数据集等。吴恩达以医疗领域举例进行说明。然而这些问题不仅存在于医疗领域，其他领域也面临相同的问题。挑战 3：变更管理AI 技术可以使工作流程实现自动化或部分自动化，而这对相关人员的工作带来了影响。我们需要对整体的改变有更好地掌握。解决方案对于上述挑战，吴恩达也表达了自己的观点，给出了解决方案。他指出我们应该关心整个机器学习项目周期，除了构建机器学习模型以外，其他问题也应该更系统化，让 AI 更具可重复性和系统性：我们应从范围界定到数据、建模和部署，系统地规划机器学习项目的整个周期。吴恩达表示，学界和工业界应努力将机器学习转换成系统化的工程学科。吴恩达演讲完整视频：往期精彩：【原创首发】机器学习公式推导与代码实现30讲.pdf【原创首发】深度学习语义分割理论与实战指南.pdf 2020，从TF Boy 变成 Torch User 真正想做算法的，不要害怕内卷求个在看！ 浏览 33点赞 评论 收藏 分享 手机扫一扫分享分享 举报 评论图片表情视频评价全部评论推荐 吴恩达演讲直指AI落地三大挑战，并提出解决方案极市平台0一文看完吴恩达最新演讲精髓，人工智能部署的三大挑战及解决方案AI算法与图像处理0一文看完吴恩达最新演讲精髓，人工智能部署的三大挑战及解决方案新智元0吴恩达最新演讲-AI的新机遇！算法进阶0经典：30页PPT，吴恩达《机器学习落地应用指南》大数据DT0吴恩达团队新作！来源：机器之心本研究评估了先进多模态基础模型在 10 个数据集上的多样本上下文学习，揭示了持续的性能提升。批量查询显著降低了每个示例的延迟和推理成本而不牺牲性能。这些发现表明：利用大量演示示例可以快速适应新任务和新领域，而无需传统的微调。论文地址：https://arxiv.org/abs/2405边缘AI研发落地生态挑战调研（附报告）智能计算芯世界0吴恩达，45岁生日快乐！提出著名二八定律：80%数据+20%模型=更好的AI极市平台0吴恩达，45岁生日快乐！提出著名二八定律：80%数据+20%模型=更好的AI新智元0吴恩达：AI的中心到底是模型还是数据？公众号CVer0点赞 评论 收藏 分享 手机扫一扫分享分享 举报
