这是一个系列文章,从各个角度来评估一个问题:“我的业务要不要用 AI ?能不能用 AI?”
本期评估角度——学习
系列文章列表:
「持续学习」是人工智能的灵魂
前两篇已经解释了,基于规则的能力边界很小,很多实际问题无法通过规则的方法来解决。人工智能可以扩大计算机的能力边界。
除了扩大能力边界外,人工智能还有一个非常重要的特性——持续学习,不断提升能力上限。
大家都知道 AlphaGo 在围棋上战胜了世界上最厉害的围棋高手,但是大家可能不知道的是:
AlphaGo Zero (AlphaGo的升级版),从空白开始自学围棋,3天就战胜了 AlphaGo,战绩是100 : 0。
也就是说:机器通过 7×24 的持续和快速的学习,只需要3天时间就能超越人类十几年的积累。
AlphaGo 的例子有些极端,很多场景下机器的学习速度不会那么的快,我想表达的重点是:
过去,计算机的能力上限就是人类赋予的,需要人类告诉计算机怎么做才行。
现在,人工智能可以自学成才,不受人类认知边界的束缚。
未来,人们担心机器会全面超越人类,甚至对人类产生威胁。
事实上,人工智能在图像识别、人脸识别、语音识别等很多领域已经超越
对于人工智能能力有多大的问题,人类已经给人工智能分好了级别:
- 目前大家看到的都是「弱人工智能」;
- 当 AI 像人类一样,能做很多事情时,就达到了「强人工智能」;
- 当 AI 在各方面的能力已经远远超过人类时,就实现了「超人工智能」
扩展阅读:《3分钟理解人工智能的3个级别?(弱人工智能-强人工智能-超人工智能)》
所以:让机器持续的学习,是人工智能的灵魂。想要利用人工智能技术来解决实际问题,你必须考虑2个问题:
- 我需要解决的问题是动态变化的吗?需要持续学习的能力吗?
- 我能否让人工智能实现持续学习(下面要讲的内容)?
如何让机器持续的学习?
想要让机器实现持续学习的能力,需要具备2个条件:
- 是否可以获得反馈数据?
- 数据是否可以形成闭环?
是否可以获得反馈数据?
想想我们小时候是怎么学习识字的,一开始出错概率很高,每次出错的时候父母和老师都会告诉我们哪里错了,应该是什么。就是在这种「行动 – 反馈 – 修正 – 再行动」的循环中实现了有效的学习。
跟人类识字的学习过程类似,机器也需要「有效的反馈」来实现持续的学习,如果没有反馈数据,那么有问题的地方会一直存在问题,永远无法进步。
所以,有效的反馈数据是学习的重要环节,解决了「学习」问题。
数据是否可以形成闭环?
当我们可以获得反馈数据的时候,机器就可以实现学习了,下一步就是解决「持续」的问题。
还是举识字的例子。假如有2个小朋友同时开始学识字。
- 小朋友A有一个老师可以随时辅导,纠正错误
- 小朋友B每个星期只有1天可以接受老师的辅导
毫无疑问,一定是小朋友A学的更快,更好。
机器也是如此,让数据形成闭环,就是希望能够获得「实时」的反馈数据,跟小朋友A一样获得贴身辅导。
所谓的数据闭环就是将上面的「行动 – 反馈 – 修正 – 再行动」循环自动的在机器上运转,完全不需要人参与。
在实际应用中有一个很典型的例子就是电商平台里的推荐系统。你刚看完一双篮球鞋,瞬间就会给你推荐一大堆篮球鞋。
所以,数据形成闭环,可以让机器实现了持续学习,解决的是「持续」问题。
案例分析
Google 相册里的人脸识别是怎么收集反馈数据和形成数据闭环的?
现在很多相册 App 都有人脸识别的功能,能自动帮你将照片按照不同的人来做分类。但是实际使用中一定会遇到很多判断错误的情况。
如果不收集反馈数据,让数据形成闭环,错误会一直持续下去!
第一步:主动询问用户
有些照片清晰度不高,或者某些人发型变化很大,或者某些人卸了妆…
有很多原因导致机器拿不准自己的判断,这个不怪机器,很多女性化了妆自己的亲人都认不出来。
这个时候,Google相册会主动询问用户,2个头像是否是同一个人,如下图:
第二步:能力升级
假如我选择了「同一人」,当机器收集了用户的反馈后,第一件事情就是将他们的照片合并到一起。
还有一件更重要的事情,机器学会了一些东西:
- 机器知道了化妆:原来这个人化妆后是这样的。
- 机器知道了长胖:原来长胖后变成这样了。
- 机器知道了变老:人老了会原来会有这些变化。
人工智能告诉我们,蜘蛛侠变老是这样的:
总结
人工智能之所以被大家寄予厚望,有一个很重要的原因就是:
AI 可以通过持续不断的学习,突破人类的能力上限。甚至有人预估机器会在所有方面都超越人类。
为了让机器实现持续不断的学习,我们需要实现2个条件:
- 不断的获得反馈数据,让机器知道自己哪里好,哪里不好
- 将反馈数据加入闭环,机器能否持久的学习,提升能力
在评估「要不要用」和「能不能用」人工智能时,需要考虑很多问题。这个系列还会持续更新,感兴趣的朋友可以加我微信。
微信号:pkqiang49