online gambling singapore online gambling singapore online slot malaysia online slot malaysia mega888 malaysia slot gacor live casino malaysia online betting malaysia mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 2018年人工智能和機器學習路在何方?聽聽美國公司怎麼做

 

摘要: 本文為美國著名數據分析網站DZone分析師Tom Smith與Exaptive的副總裁Matt Coatney的專訪對話,對人工智能和機器學習的未來做了深度的探討.Exaptive是一家美國俄克拉荷馬州以提供大數據分析產品及服務為主的初創企業。

 


圖名

 

本文為美國著名數據分析網站DZone分析師Tom Smith與Exaptive的副總裁Matt Coatney的專訪對話,對人工智能和機器學習的未來做了深度的探討.Exaptive是一家美國俄克拉荷馬州以提供大數據分析產品及服務為主的初創企業。

本文由可譯網言午二二,Amanda沉兩位朋友翻譯。

Exaptive的副總裁Matt Coatney

Exaptive的副總裁Matt Coatney

下面是正文:

感謝Exaptive的副總裁Matt Coatney抽空與我談人工智能和機器知識的現狀,以及他如何是看待其發展的。

Tom Smith:成功的人工智能/機器知識策略的關鍵是什麼?

Matt Coatney:與DevOps(開發運營)不同的,它涉及到更多的人員和方法,因為新技術正在給商業管理戰略帶來變革。一方面,它可以替代人們所做的工作,並且更有效,可靠,高效地完成這些任務。另一方面,以前不可行的新商業模式變得可行。

馬特分享了一些例子:

  • 在醫學方面,IBM的沃森在不到10分鐘內就發現了一組完全不同於一組醫生所認為的白血病類型。
  • 矽谷的一家生物科技公司Atomwise正在尋找現有的藥物來應用於新目標,並在一天內發現了兩種可阻止埃博拉病毒傳播的藥物。這種類型的研究往往都是需要幾年時間。

Tom Smith:企業如何通過人工智能和機器知識來獲得更多的大數據?

Matt Coatney:與需要解決特殊商業問題的技術相比,企業更多地把時間花費在他們認為他們所需要的技術上。企業需要思考他們正試圖解決的問題以及如何使解決方案讓客戶滿意。思考如何讓解決方案生效,以便你可以實現一個積極的回報率,進一步談下一個項目和合作機會。設定你的成功標準並快速取勝。這與我們過去20年來在IT方面所做的項目沒有什麼區別,我們只需要牢記最佳方法。

Tom Smith:問:在過去的一年里人工智能/機器學習是如何變化的?

Matt Coatney:在過去的五六十年中許多方法一直是一樣的,只是我們有了更強大的計算機,有更多的內存和優化算法,比如深度學習,因此我們能在很短的時間內獲得更好的結果。例子包括Facebook上的面部識別和谷歌的無人駕駛轎車。另外,我們現在有這樣的人工智能服務,公司可以從電腦上租用時間,發出請求,並在記錄時間內獲取信息。這降低了准入門檻,同時保證了世界任何組織得到與Facebook的谷歌和相同的質量水平。

Tom Smith:你用什麼技術解決方案來收集和分析數據?

Matt Coatney:大多數企業專注於大數據“Hadoopesque”工具。我們也可以這樣做,但是我們也可以使用如SQL,NoSQL,Microsoft和Python的scikit-learn庫等較小的數據工具來找到價值。數據規模如何,還有許多價值有待從現有數據中去挖掘。

Tom Smith:客戶用人工智能/機器知識來解決哪些現實問題?

Matt Coatney:任何有關預測,重新連接或內容預測-Netflix風格的應用程序。金融模型和高級財務模型的大眾化。此外,可幫助機構通過標記概念,關鍵詞等從內容中獲得更多價值的內容和知識管理工具。

Tom Smith:您認為阻礙公司從人工智能/機器學習獲利的最常見的問題是什麼?

Matt Coatney:公司關注工具和平台而不是他們正在試圖解決的企業問題。他們需要把炒作與現實分開,了解工具能做什麼,不能做什麼。營銷炒作正在被收購,並產生不切實際的期望。這需要對工具進行更好的審核與了解。要明白,為工業培訓人工智能和使用例子(例如,律師如何寫作和交談)需要一定的時間。

Tom Smith:對於人工智能/機器知識的可持續發展的最大機會在哪裡?

Matt Coatney:我對人工智能作為一種服務而感到興奮,它為開發人員和想要創業的企業家迅速提供了機會,而且無需太多費用。

  • 知識空間裡的決策支持和自動化。對問題更開闊的看法帶來更好,更中肯的解決方案。
  • 機器人使物質世界和虛擬世界融合。
  • 使用數據解決商業問題。谷歌的數據中心每天使用25%的核電站,谷歌使用Deep Mind來優化所有服務器,並能降低15%到20%的能耗。最終,每個企業都能夠實現相同類型的運營成本節省。

Tom Smith:您對當今人工智能/機器學習最大的關注是什麼?

Matt Coatney:人工智能會被善用還是誤用?它是中性的。取決於它如何被應用和誰來使用它。我們需要國際監督。它已經被用於網絡戰。要避免陷入局部最大值。在過去的60到70年裡,我們使用了相同的硬件和軟件架構,完成了前所未有的複雜工作。我們需要探索不同的方法來成倍地提高性能

Tom Smith:從事人工智能/機器學習項目的開發者需要哪些技能?

Matt Coatney:從軟技能開始。最好的開發人員和數據科學家注意提高他們的項目管理,溝通和時間管理技能。破壞,因為景色是迅速流動和變化的。

Tom Smith:你認為開發人員需要了解的關於人工智能和機器學習的問題哪些我還沒有問到?

Matt Coatney:關於術語有很多誤解。當我們使用這些術語時,我們需要弄清楚我們的意思:

  • 機器學習是指我們如何使用軟件來學習東西。
  • 人工智能是機器學習的代名詞,但往往意味著更高級的,人類的能力水平。
  • 深度學習是一種特定的機器學習技術,能夠處理更精妙的學習,往往與人工智能有關。

機器學習

轉貼自: 36大數據

 


留下你的回應

以訪客張貼回應

0

在此對話中的人們

載入之前的回應