AI與機器學習成為英特爾分析峰會主旋律

　　近年來，人工智能以及機器學習一直都是業(yè)界談論的熱門話題，此次在英特爾分析峰會上也不例外。AI與機器學習成為了英特爾分析峰會的主旋律。如今的人工智能與機器學習已成為了業(yè)界的一種主流。

　　當下業(yè)界流傳的最新版科技圣經(jīng)是：摩爾定律帶來更快速的處理和廉價存儲，更快速的處理和廉價存儲帶來機器學習和大數(shù)據(jù)，而機器學習和大數(shù)據(jù)則帶來深度學習和現(xiàn)在的人工智能（AI）春天。

　　英特爾執(zhí)行副總裁狄安娜·布萊恩特（Diane Bryant）在該主要圍繞機器學習的峰會發(fā)表主旨演講時表示，我們正處于“數(shù)據(jù)成為游戲規(guī)則改變者的臨界點”。

　　她稱，隨著機器對機器數(shù)據(jù)交換的快速增長，我們應該預期未來將會出現(xiàn)更多的數(shù)據(jù)：自動駕駛汽車將每天產(chǎn)生4TB的數(shù)據(jù)，聯(lián)網(wǎng)飛機將傳輸40TB的數(shù)據(jù)，自動化的聯(lián)網(wǎng)工廠將每天產(chǎn)生1PB（相當于100萬GB）的數(shù)據(jù)。

　　另一位發(fā)言者、Etsy高級數(shù)據(jù)庫工程師CB伯恩則認為，臨界點已經(jīng)發(fā)生——數(shù)據(jù)價值超過數(shù)據(jù)存儲成本。他問道，歷史數(shù)據(jù)還有很大的價值，因此“為什么要扔掉呢？”內(nèi)容發(fā)現(xiàn)平臺Mix Tech研發(fā)主管黛博拉·多納托（Debora Donato）補充道，廉價存儲已經(jīng)改變了企業(yè)對數(shù)據(jù)和數(shù)據(jù)處理的態(tài)度。

　　如今，走在行業(yè)前沿的企業(yè)在應用機器學習算法來在不斷擴大的數(shù)據(jù)存儲區(qū)挖掘和發(fā)現(xiàn)價值信息。英特爾企業(yè)副總裁、數(shù)據(jù)中心解決方案部門總經(jīng)理杰森·韋克斯曼（Jason Waxman）講述了Penn Medicine是如何利用英特爾的TAP開放分析平臺改進病人照護的。有一項初步研究專注于敗血癥。據(jù)美國疾病控制中心（CDC）稱，該疾病每年影響超過100萬美國人，是第九大疾病相關死亡原因，是重癥監(jiān)護病房頭號死亡原因。Penn Medicine能夠準確鑒定大約85%的敗血癥病例（原來只有50%），而且做出鑒定的時間比敗血性休克的出現(xiàn)要早30個小時，而使用傳統(tǒng)的鑒定手段則只能做到提前兩個小時。

　　Accenture Technology Labs首席數(shù)據(jù)科學家薩格哈米查·德布（Saghamitra Deb）則談到了利用AI來閱讀和注解文檔，涉及一種在很多場合都能派上用場的實用機器輔助工具。她著重談到了與多種情況相關的臨床試驗數(shù)據(jù)的文本分析，稱其能夠帶來新的洞見和更好的個性化醫(yī)療。

　　Candid是一款最近推出的新應用，它利用AI來解決以前的匿名社交平臺無法克服的挑戰(zhàn)。它的CEO賓杜·萊迪（Bindu Reddy）解釋了機器學習是如何幫助鑒定和刪除“爛蘋果”（不當內(nèi)容與濫用者），以及給Candid用戶推薦相關群組的。

　　Clear Labs通過進行非針對性的、公正的DNA測試來實現(xiàn)差異化，它的目標是索引全世界的食品供應，制定全球范圍的“食品誠信”標準。產(chǎn)品副總裁瑪利亞·費爾南德斯·瓜哈爾多（Maria Fernandez Guajardo）稱，他們對來自75家品牌商和10家零售商的345個熱狗樣本的分子分析發(fā)現(xiàn)，14.4%受測試的產(chǎn)品“有問題”，主要是因為它們沒有標示在包裝上的附加配料。她說，部分消費者尤其擔心被標示為素食但實際上含有肉類的熱狗。

　　對于來自O’Reilly Media的本·羅瑞卡（Ben Lorica）有關機器學習未來的問題，英特爾的普拉迪普·迪貝（Pradeep Dubey）建議專注于深度學習，因為近期它被證明很成功。加州大學伯克利分校的邁克爾·富蘭克林（Michael Franklin）建議專注于可用的、可理解的、強勁的機器學習方式，不管是深度學習還是淺度學習。他說，如果自動化系統(tǒng)要做決策，“你最好理解有哪些假定條件進入數(shù)據(jù)和算法，你收集到的數(shù)據(jù)跟那些假定條件有什么不同，系統(tǒng)帶來的答案質(zhì)量如何。”

　　這可以說是對部分公開承認他們不清楚其系統(tǒng)是如何產(chǎn)生成功的結(jié)果的深度學習實踐者的一次打臉。例如，知名深度學習學者約書亞·本吉奧（Yoshua Bengio）曾表示，“我們往往會不理解實驗產(chǎn)生的結(jié)果。”但一事成功萬事順，不管它有沒有被理解，在過去幾年里，深度學習已經(jīng)成了一股重要的變革力量，讓AI冬天變成了AI春天。

　　華盛頓大學的佩德羅·多明戈斯（Pedro Domingos）在演講中從5個不同的AI解決方案的歷史視角講述了深度學習近年的興起，那5個方案包括：符號主義（逆演繹）、聯(lián)結(jié)主義（反向傳播）、進化主義（遺傳編程）、貝葉斯法（概率推理）和Analogizer（核機器）。多明戈斯的著作《The Master Algorithm》呼吁業(yè)界尋找最佳解決方案，尋找將會統(tǒng)一所有方案和給生活、宇宙和一切都帶來答案的單一算法。

　　在大算法能夠告訴我們該做什么之前，理解它們所產(chǎn)生的數(shù)據(jù)和機器的工作還是需要人類來完成。分析峰會的最后一個座談會就是關于未來數(shù)據(jù)科學家的教育。參加談論的包括來自Coursera、Kaggle、Continuum Analytics、Metis、Galvanize等公司的高管，這些公司都是新興的數(shù)據(jù)科學教育領域的代表。

　　它們正在訓練一大批有著不同背景和經(jīng)歷的人，他們要么想要精通數(shù)據(jù)分析，要么希望能夠在企業(yè)管理崗位上搞懂數(shù)據(jù)科學家的語言。時下的挑戰(zhàn)并不在于常常被談到的數(shù)據(jù)科學家短缺問題，而在于很多公司沒能有效地整合和支持數(shù)據(jù)科學家的工作。與談者們一致認為，如果企業(yè)有恰當?shù)膬?nèi)部擁護者理解分析和機器學習的潛力，懂得如何獲得所需的資源，那么數(shù)據(jù)科學團隊大有希望取得成功。

　　說AI與機器學習成為英特爾分析峰會主旋律一點也不假。如今的人工智能已經(jīng)運用到廣泛的領域，為企業(yè)展現(xiàn)了新的技術(shù)，堪稱人工智能的春天。