Cờ Caro cho Android Cờ Caro cho iOS

07/04/2021

Quay về trang chính

Tại sao máy học, không phải trí tuệ nhân tạo, là cách phù hợp cho khoa học dữ liệu

Bình luận: Chúng tôi muốn tưởng tượng một tương lai theo hướng AI, nhưng đó là việc học máy sẽ thực sự giúp chúng tôi tiến bộ, lập luận chuyên gia Michael I. Jordan. Hình ảnh: Istock / Igor Kutyaev Chúng tôi BANDY về thuật ngữ "trí tuệ nhân tạo", gợi lên những ý tưởng của các máy sáng tạo dự đoán mọi ý thích của chúng tôi, mặc dù thực tế có nhiều tầm thường hơn: "Đối với tương lai gần, máy tính sẽ không thể sánh được với sự khác biệt về khả năng của họ về thực tế- tình huống thế giới. " Đây là từ Michael I. Jordan, một trong những chính quyền quan trọng nhất về AI và học máy, những người muốn chúng ta thực sự về AI. Xem: Robotics trong doanh nghiệp (Tính năng đặc biệt ZDNet / TechRepublic) | Tải xuống phiên bản PDF miễn phí (TechRepublic) Tăng cường mọi người "Mọi người đang bối rối về ý nghĩa của AI trong các cuộc thảo luận về xu hướng công nghệ - rằng có một số loại suy nghĩ thông minh trong các máy tính chịu trách nhiệm cho sự tiến bộ và đang cạnh tranh với con người. Chúng ta không có điều đó, nhưng mọi người đang nói chuyện Như thể chúng ta làm, anh ấy lưu ý trong bài viết IEEE Spectrum. Thay vào đó, ông đã viết trong một bài viết về Đánh giá Khoa học Dữ liệu Harvard, chúng ta nên nói về ML và khả năng của nó để tăng cường, không thay thế, nhận thức của con người. Jordan gọi đây là "Sự gia tăng trí thông minh này", và sử dụng các ví dụ như các công cụ tìm kiếm để giới thiệu các khả năng hỗ trợ người có suy nghĩ sáng tạo. Và, để rõ ràng, máy móc tốt hơn nhiều trong một số thứ. Chẳng hạn, mọi người có thể thực hiện kết hợp mô hình cấp thấp nhưng với chi phí đáng kể, trong khi các máy có thể thực hiện các nhiệm vụ trần tục như vậy với chi phí tương đối ít. Một ví dụ khác là ML được sử dụng rộng rãi để phát hiện gian lận trong các dịch vụ tài chính. Chúng tôi có thể có những người đang vượt qua hàng triệu hàng tỷ giao dịch, nhưng nó có ý nghĩa hơn với việc ghi máy tính vào vấn đề. Chúng tôi biết rằng hầu hết các dự án AI đều thất bại. Trong sự nhấn mạnh của Jordan về ML về AI, có lẽ có một manh mối về lý do tại sao các dự án AI thất bại (kỳ vọng tăng cao) và cách làm cho các dự án ML thành công (xác định chặt chẽ các dự án để tăng cường, không thay thế, diễn viên của con người). Xem: Chính sách đạo đức tình báo nhân tạo (TechRepublic Premium) Nói nhiều "thực sự" với AI, nói cách khác, chúng ta càng có nhiều khả năng sẽ tìm thấy thành công. May mắn thay, Jordan đã viết, hầu hết thời gian khi chúng ta đang nói về AI, chúng tôi thực sự có nghĩa là ML. "ML là một trường thuật toán pha trộn các ý tưởng từ số liệu thống kê, khoa học máy tính và nhiều ngành khác để thiết kế các thuật toán xử lý dữ liệu, đưa ra dự đoán và giúp đưa ra quyết định," ông viết trong đánh giá khoa học dữ liệu Harvard. ML là điều cần thiết cho bất kỳ công ty nào trong đó các quyết định có thể được gắn với dữ liệu quy mô lớn, ông nói thêm. Vì vậy, ... quy tắc đầu tiên để thành công trong AI là ngừng thực hiện AI và thay vào đó hãy xem xét các vấn đề về khoa học dữ liệu về cơ bản về ML, về việc tìm kiếm các mẫu với số lượng lớn dữ liệu. Đó không phải là Jetsons, nhưng nó có thật. Tiết lộ: Tôi làm việc cho AWS, nhưng các khung nhìn được biểu thị ở đây là của tôi. Bản tin Dữ liệu, Analytics và AI Tìm hiểu những tin tức mới nhất và thực tiễn tốt nhất về khoa học dữ liệu, phân tích dữ liệu lớn và trí tuệ nhân tạo. Giao hàng thứ hai Đăng ký hôm nay Cũng thấy
Nguồn bài