我们其实还不能理解机器学习

jujusharp  •  Mar 26, 2019 8:29:18 AM

原文地址


作者:Benedict Evans

爆炸式地发展了四五年后,机器学习而今已逐渐成为人们耳熟能详的概念。

机器学习的发展,不仅仅体现在相关创业公司不断涌现,以及科技公司的自身重建(许多大公司都在推进相关的项目);更为显著的意义在于,它可能是下一波工业革命的核心。

机器学习中的一个重要组成部分是神经网络,也就是有规律的模式和数据。借助机器学习,我们可以在数据中找到非直接的、隐含的数据结构。

机器学习解决了以前“人类能办到但计算机办不到”的一类问题——或者更准确地说:“人们难以向计算机描述的问题”。

虽然,一些很酷的机器学习语音和视频应用样本已经逐步浮出水面;

但是,我们似乎还没有彻底理解机器学习。比如:它对科技公司以及传统行业意味着什么,人们该如何思考它能够带来的创新,以及它可以解决哪些重要问题?

“人工智能”一词其实不太能帮助我们理解机器学习的内涵,而且多数人一听到这个词就懵了。

一旦我们说“AI”,就好像人类进化的转折点出现了,我们也瞬间变成了猿猴,冲着我们不能理解的未来尖叫,挥舞着我们的拳头。

实际上,目前市面上关于机器学习的讨论并不能帮助我们真正理解机器学习。例如:

  • 数据是新石油

  • 谷歌和中国(或Facebook,或亚马逊,或BAT)拥有所有数据

  • AI将掠夺走人类的工作

而更有用的讨论方向可能是:

  • 赋能技术层

  • 关系数据库(SQL)

为何谈到关系数据库?因为它是一个新的基础支持层,改变了计算机可以做的事情。

在关系数据库出现之前——也就是20世纪70年代末之前,如果希望数据库算出特定主题的内容,例如“购买此产品并居住在这个城市的所有客户”,通常需要一个自定义的项目。

而由于数据库的结构并不适用于任意交叉的查询,如果想问一个问题,就需要建立一个专门的数据库。

可见,数据库是一种记录保存系统。而关系数据库,则将它们转变为商业智能系统。

关系数据库在很大程度上改变了数据库的使用方式,从而创建了新的范例和上亿美元市值公司。

关系数据库为我们带来了甲骨文(NYSE:ORCL),也给了我们SAP(NYSE:SAP;全球最大的企业管理和协同化电子商务解决方案供应商)。

SAP及其同行,为我们提供了全球即时供应链,从而使得苹果(NASDAQ:AAPL)和星巴克(NASDAQ:SBUX)的诞生成为了可能。

到了20世纪90年代,几乎所有的企业软件都是关系数据库,比如PeopleSoft(甲骨文旗下一款协同合作企业软件)、Salesforce(一款客户关系管理软件)以及SuccessFactors(一款人力资源管理软件)等几十种软件都运行在关系型数据库上。

显然,事实已经证明,人们在看到Salesforce或SuccessFactors时,不会再说“因为甲骨文拥有所有的数据库,所以其他模式永远不会奏效”。

相反,关系数据库已经成为了全球企业管理领域创造更多可能的中坚力量。而这,正是如今理解机器学习的一个很好的方式。

机器学习让我们改变了使用计算机做事情的方式,而这将为企业创造出更多不同的产品。最终,多数的产品将来都将会应用到机器学习。

这里一个重要的点是,虽然关系数据库具有规模效应,却也有赢家通吃的问题。

即便两家公司共用一个数据库,却不能协同使得一个数据库变得更好,如果卡特彼勒(NYSE:CAT)购买和Safeway(北美最大的食品和药品零售商之一)相同的数据库,后者的数据库也不会变得更好。

机器学习就是这样的:关键在于数据,但数据对特定应用程序具有高度特异性。

更多的手写数据将使手写识别器变得更好,更多的燃气轮机数据将使一个系统更好地预测燃气轮机故障,但这二者并不能互相提升——数据具有不可替代性。

这就是在理解机器学习时最常见的误解:人们错误地认为机器学习是一种单一的、通用的东西,认为谷歌(NASDAQ:GOOG)或微软(NASDAQ:MSFT)各自建立了一套机器学习系统,或者IBM(NYSE:IBM)有一个名为“Watson”的机器学习机器。

而这也一直是在理解自动化上的误区:随着每一波自动化,我们想象我们正在创造的是拟人化的机器或是具有广义智能的机器。

比如:在二十世纪二十年代和三十年代,我们想象钢铁工人拿着锤子在工厂里走来走去的样子,在20世纪50年代,我们想象着人形机器人在厨房里走动做家务。然而最后,我们没有得到机器人仆人,我们创造出了洗衣机。

洗衣机是机器人,但它们并不“智能”。它们不知道什么是水或衣服。此外,即使仅仅在洗涤方面,它们也不是通用的——你不能把餐具放在洗衣机里,也不能把衣服放在洗碗机里。

洗衣机只是另一种自动化,在概念上与传送带或取放机器没有什么不同。

同样,尽管机器学习能够解决计算机之前无法解决的问题,但这其中的问题并不是一概而论的,而是每个问题都需要不同的方案、不同的数据以及不同的公司来解决。它们中的每一个都是自动化的一部分,都是一台洗衣机。

因此,理解机器学习的一个挑战是:我们不但要理解其中的数学方程,也要拥有对AI的幻想。

机器学习不会成为一种先知型的机器人,但将其仅仅视为数据统计工具也不妥。大家都说说“机器学习可以让你提出这些新问题”,但到底是什么问题却不明确。

我们可以做出很棒的语音识别和图像识别系统,但问题是,普通公司会拿这些系统做些什么呢?

正如美国一家大型媒体公司的团队不久前对我说的那样:我知道我们可以使用机器学习来编排十年间采访运动员的视频,但为什么要这样做?

那么,对于企业而言,机器学习对于它们的真正意义是什么?我认为有两套思考方法可以采用。首先是根据数据类型和问题类型的方式进行思考:

1. 机器学习可以作为一种分析或优化技术,对于已有的数据及问题提供更好的结果。例如, Instacart (美国一家在线杂货配送服务商)建立了一个系统,通过杂货店优化个人购物者的路线选取,并实现了提高50%的优化(这是由三位工程师使用Google的开源工具Keras和Tensorflow构建的)。

2. 机器学习可以让我们对已有数据提出新的问题。例如,正在寻找案件线索的律师,可能会搜索带有“愤怒”“焦虑”等情感类关键词的电子邮件,或异常的发信规律或文档集群,以及进行更多的关键字搜索,

3. 机器学习开辟了新的数据类型进行分析。从前计算机无法真正读取音频,图像或视频,但是现在,这都将变为可能。

在这一点上,我发现成像是最令人兴奋的:虽然只要我们有计算机,计算机就可以处理文本和数字,但在以前,图像(和视频)大部分是不能被处理的;现在有了机器学习,计算机将不但能够“看到”图像,并且能够理解其中含义。

这意味着图像传感器(和麦克风)将成为一种全新的输入机制,像一种功能强大且灵活的传感器,可以生成机器可读的数据流。这些都可以归结为的计算机视觉问题。

我最近遇到了一家为汽车行业供应座椅的公司,该公司已将神经网络放在廉价的DSP(数字信号处理)芯片上,配备便宜的智能手机图像传感器,以检测织物是否有皱纹。

我们更应该期待各种类似的用途,也就是机器学习在非常细微领域,例如微型小部件以及单一件事件上的应用。

而将机器学习描述为“人工智能”是没有用的,它更多的是把以前无法实现自动化的任务自动化。

这种自动化能力就是思考机器学习的第二条思路。发现纺织物是否有皱纹不需要20年的经验——它真的只需要哺乳动物的大脑。

事实上,我的一位同事建议,机器学习将能够做任何你可以训练狗做的事情——这也是一种思考AI的不错的方法:狗究竟学到了什么?训练数据中有什么?你怎么问?但这也不是全部,因为狗确实有智商和常识,不像神经网络。

五年前,如果你给计算机一堆照片,它除了按尺寸排序外,还做不了别的。一个十岁的孩子可以把它们分成几个男人和一个女人,一个十五岁的孩子把它们分成酷和不酷的,一个实习生可以指出最有意思的那张。

今天,借助机器学习,计算机将匹配十岁孩子的能力,也许是十五岁的。它可能永远不会达到实习生的水平。但是,如果你有一百万个十五岁的孩子来查看你的数据,你会怎么做?会发现什么,会看到什么图像,会检查哪些文件传输或信用卡付款?

也就是说,机器学习不需要匹配专家或数十年的经验判断。我们需要“听取所有电话并找到带有愤怒情绪的电话”。“阅读所有电子邮件,找到带有焦虑情绪的电子邮件”。“看看十万张照片,找到那些很酷(或至少很奇怪)的人。”

从某种意义上说,这就是自动化。

Excel没有给我们人工会计师,Photoshop和Indesign没有给我们人工图形设计师,而且蒸汽机确实没有给我们人造马。相反,我们是在成规模地逐一攻克每一个小问题。

上面这个比方的意思是,机器学习不仅可以找到我们已经认识到的东西,而且可以找到人类还没有识别的东西,或找到那些十岁的孩子辨别不出的模式或推论。

这就好像是AlphaGo。

AlphaGo不像电脑一样下国际象棋,也就是按顺序分析每一个可能的决策步骤;与之相反,AlphaGo被编入了规则,需要自己制定战略,AlphaGo通过和自己下棋来学习,而这数量是人类在好几生中下棋的数量。

2018世界人工智能围棋大赛 柯洁VS AlphaGo

也就是说,这不是一千名速度非常快的实习生,而是机器学习在看到第三百万张图像时,可以识别出一种没有被发现的模式。

那么,哪些领域足够细化,让我们可以告诉机器学习一套系统规则,而且足够深入,以至于能够看到人类所看不到的数据,而这会带来意想不到的结果?

我花了很多时间与大公司见面并讨论他们的技术需求,它们确实有一些需求通过机器学习就能解决。比如它们有很多明显的分析和优化问题,以及很多图像识别问题或音频分析问题。

同样,我们谈论自动驾驶汽车和混合现实的唯一原因,是因为机器学习能够让它们变为实现。

机器学习为汽车提供了一种途径,让它们了解周围的事物以及人类驾驶员可能会做采取的行动,并提供混合现实一种解决方案,明确我应该看到的事物,就像一副可以显示任何东西的眼镜。

但在我们谈到面料皱纹或情绪分析之后,这些公司往往会坐下来问“好吧,还有什么?”这会带来什么其他的东西,以及它会发现什么未知的东西?

得到这些问题的答案,我们可能至少还需要十到十五年时间,直到那时我们或能真正透彻理解了机器学习。

【往期高命中报告】点击图片即可阅读

0 回复
暂时没有回复,你也许会成为第一个哦