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。

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50%）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，贝叶斯方法或概率方法。混合学习模式结合了两种方法来发挥各自的优势。混合模型的一些例子是贝叶斯深度学习，贝叶斯甘斯和贝叶斯条件的甘斯。

为什么它很重要：混合学习模式使扩展业务问题的多样性成为可能，包括不确定性的深度学习。这可以帮助我们获得更好的性能和模型的可解释性，这反过来可以鼓励更广泛的采用。期望看到更多的深度学习方法获得贝叶斯等价物，而概率编程语言的组合开始结合深度学习。

8．自动化机器学习（AutoML）：没有编程的模型创建

它是什么：开发机器学习模型需要一个耗时和专家驱动的工作流程，其中包括数据准备、特征选择、模型或技术选择、培训和调优。AutoML旨在使用一些不同的统计和深度学习技术来自动化这个工作流。

为什么它如此重要：自动化是人工智能工具民主化的一部分，使业务用户能够开发没有深度编程背景的机器学习模型。它还将加速数据科学家创建模型所需的时间。期望在更大的机器学习平台上看到更多的商业自动化包和自动化的集成。

9．数字双胞胎： 超越工业应用的虚拟复制品

它是什么：数字双胞胎是一个虚拟模型，用于促进身体或心理系统的详细分析和监测。数字双胞胎的概念起源于工业界，广泛用于分析和监测风车农场或工业系统等。现在，数字双胞胎正在被应用于非物理对象和过程，包括预测客户的行为，使用基于代理的建模（用于模拟自治代理的行为和交互的计算模型）和系统动力学（计算机辅助的政策分析和设计方法）行为。

为什么重要：数字双胞胎可以帮助促进发展和更广泛地采用物联网（物联网），提供一种方法来预测诊断和维护物联网系统。展望未来，预计在物理系统和消费者选择建模中都将使用更多的数字双胞胎。

10．可解释的AI：了解黑盒子

它是什么：今天，有许多机器学习算法正在使用，可以在各种不同的应用中感知，思考和行动。 然而，其中很多算法被认为是“黑盒子”，对于如何达成结果几乎没有任何洞察。 可解释的AI是开发机器学习技术的一种运动，在保持预测准确性的同时产生更多可解释的模型。

重要的是：AI是可以解释，可证明和透明的，对于建立对技术的信任至关重要，并会鼓励更广泛地采用机器学习技术。 在开始大规模部署人工智能之前，企业将采用可解释的人工智能作为需求或最佳实践，而政府可能将解释性人工智能作为未来的监管要求。

看了这么多，AI人是不是对未来有了一个大致的方向了，未来人工智能给人们的生活将会带来哪些改变，这是不可想象的，也许在实验室中的技术人员才知道答案。