机器学习能做什么,不能做什么  | Andrew Ng/是 DeepLearning.AI 的创始人、AI Fund 的普通合伙人、Coursera 的董事长和联合创始人

人工智能并非什么都能做,判断一个项目是否可行,关键在于先看输入和输出能否被清楚定义,再看任务是否接近“人一眼就能分辨”的简单概念,以及是否有足够多的数据。像识别其他车辆、判断手机是否有划痕、胸片诊断肺炎这类问题,往往更适合监督学习;而仅凭历史股价预测未来走势、从复杂人类手势推断意图,则因概念复杂、数据难收集或结果不够稳定而困难得多。即使同一任务在不同场景下也可能失效,例如训练于高质量胸片的系统,面对角度异常或质量较差的新数据时表现会明显变差。读者可据此形成筛选AI项目的直觉,区分更有前景的应用与不宜盲目投入的方向。

正文

人工智能的能与不能

在这段视频和下一个视频中,我希望能帮助你对人工智能能做什么和不能做什么形成直觉。实际上,在我投入特定的人工智能项目之前,我通常会让自己或工程师对一个项目进行技术调查,以确保其可行性。这意味着本地数据、本地输入和输出(A和B),然后仔细考虑这是否是人工智能真正能做的事情。

不幸的是,我所看到的是,一些首席执行官可能夸大了对人工智能的利用,可以要求工程师做当今人工智能无法做的事情。挑战之一是,媒体和学术文献往往只报道使用人工智能的积极结果或成功案例。我们看到了一连串的成功故事,但没有失败的故事。人们有时认为人工智能可以做所有事情,但不幸的是,事实并非如此。

在下一个视频中,我想向你展示一些例子,说明当今的人工智能技术可以做什么,但也不能做什么。

THE END
分享
评论 抢沙发

请登录后发表评论

    暂无评论内容