业界 | Facebook正在招聘人类AI编辑,完全依靠算法的内容分发时代终结?


大数据文摘作品

编译:高宁、赵倩南


熟悉扎克伯格的人都知道,每到新年伊始,扎克伯格都会给自己设定一个Personal Challenge,从2009年开始到现在,他会坚持给自己列出一系列挑战自己的难题并完成:学一门新的语言,每天系领带……


2018年第一个工作周,小扎也不出所料给出了新一年Personal Challenge。不同以往,这次小扎的个人愿望并没有那么personal:17年Facebook和其社区面临很多指责,包括滥用技术、混乱的管理,而他希望在新的一年,集中力量解决facebook面临的难题,以及整个社区出现的质疑和憎恶。


小扎说,通过解决公司的难题,希望他自己也能有新的成长。而对于这一目标,小扎做出的第一个举动就是,聘请人类AI编辑。这一举动似乎意味着,Facebook开始用人类来补充AI数据偏差带来的问题。


让我们先来看看这则招聘启事。


传播与公众政策:AI编辑(门罗帕克市,加利福尼亚州)


Facebook的使命是给人们构建社区的能力并让这个世界变得更加紧密。通过我们一系列的应用和服务,我们正在构建一个可以连接全世界数十亿人、与众不同的公司,每个人都可以展示对他们来说最重要的内容,让人们变得更亲密些。无论我们在创造新的产品还是帮小公司扩大他的用户群,Facebook所有工作人员都是从心的建造师。我们的跨国团队持续地反复说明,解决问题,共同努力让世界上所有人都有能力去构建社区,并通过有意义的方式连接起来。共同努力,我们可以帮助大家构建更强大的社区,我们才刚刚开始。


Facebook构造了突破性的技术,并开放给每一个人,我们在AI方面的研究和工程项目在接下来10年是公司一个重要的投资方向。我们正在寻找一个AI编辑,可以与我们AI研究人员和Facebook的工程师一起研究足以记入AI发展史册的新研究和新进展。此职位工作地点在加利福尼亚州,门罗帕克市。


这一举措似乎并不陌生,在本月早些时候,今日头条这一以算法内容推荐著称的公司也因为一条“大规模招聘内容编辑”的消息刷屏:


据澎湃新闻报道,在某招聘网站上,今日头条在天津招募内容审核编辑,每个员工每天需要审核1000条左右内容,负责监控审核今日头条平台内容是否违规,薪资约为4000至6000元/月。该职位要求热爱新闻,关心时事,具有良好的政治敏感度和鉴别力,要求本科及以上学历,党员优先。


这是否意味着,在内容推荐上,完全依靠算法的做法已不再被信任,未来,算法+人类的模式才能够长久。


海外科技媒体Techcrunch对此编写了一篇对话式的小短剧,来叙述Facebook那位即将被人类解雇的AI编辑的内心戏。


文章虽短小,但叙述出了facebook做出这一决定的过程,内容颇引人思考,大数据文摘翻译摘录如下:


人类:嗨,机器人,我有些话要对你说。话说有一个非常有智慧的人,他穷尽一生创造了一个非常神奇的机器,那些每天都需要手动在电子相册中标示出朋友的人不需要再做这件事情了,机器可以替他们完成这项任务。


机器人这太棒了!


人类:这个有智慧的人类,还认为每个人的生日都不应该被遗忘,他创造了一个聪明的算法,提醒那些健忘的人们写祝福语给他们的朋友,这样朋友们就不会因为没有获得祝福而伤心难过了。他甚至认为:在未来,这些算法还可以提供现成祝福语模版供人类使用,人类也不需要为了写祝福语特地去想一些美好的事物了。


机器人:这个功能让我有点难过。


人类:对了,这个人类还创造了另一个神奇的算法提醒人们那些在生命中特殊的时刻,即使很多年以后,也会提醒他们别忘记了8年前曾和前妻一起度过的假期。


机器人:但你应该知道,有些人为了忘记一些事情,宁愿用酒精麻痹自己……


人类:这个人类还想让所有人都懂得读一些书很有必要。所以他创造了一系列的特殊算法,近距离地观察每个人浏览过的、喜欢的、点击过的内容,然后将信息进行整理,人们就会每天都能读到那些非常接近又非常熟悉的内容了,他们会感到永远也读不完这些曾经点击过的类似主题的内容。而算法只需要每天推送和前一天相似的内容给他们就可以了。


机器人:……


人类:但这个算法在整理人们想要阅读的信息方面做得太出色了,导致一些唯利是图的人意识到他们可以通过写一些“童话故事”然后把它们放在机器中,来赚很多钱。


例如政客们早餐会吃小孩,星期天会带着恶魔的角。


机器人:人类,你吓到我了……


人类:在接下来的几年里,这个伟大的人类意识到更好的办法是取代雇佣人类作家,训练机器去智能地帮助人类组织信息,因为人类很可能会有偏见,很难去信任。


机器人:嗯……


人类:另外,这个伟大的人类很多年前就证明了他所创造的这个神奇的机器可以操纵使用者的情绪。他只需要修改算法就可以决定每个人能够看到什么内容,他既可以让一个人过得很开心也可以将一个人推进绝望的深渊。


机器人:救命……


人类:其他人类开始注意到机器的巨大能量,嫉妒这个伟大而又聪明的人类所拥有的这个权利,黑暗势力开始反对这个伟人和他的机器。


机器人:你指的是监管部门吗?


人类:甚至有人要求这个伟人为他的机器输出内容承担“编辑责任”。他尝试着告诉这些愚蠢的人类,机器不可能成为一名编辑的!只有人类可以做到!机器就只是机器!即使将近20亿人每月都在阅读机器分发的内容。


但这并没起到什么作用。这个伟大的人类终于意识到机器拥有如此强大的力量,不可能再隐藏着它了。于是,他拿起笔,写了份公开信,告诉人们机器所拥有的强大力量和潜力,以及它可以给人类带来的一切好处,并一直告诉自己只有当人类学会爱上机器的时候,最终他们才能得到自由,成为真正的自己。


人们需要下意识地显示出自己认知到点击的路径是什么、喜欢什么、可以和谁做朋友。这样,他们才能摆脱没有内容可以点击阅读的痛苦,重获自由。只有他的这些算法才能够在无形中告诉人类,走向真正幸福的道路。


这些不是监管部门可以理解的。这需要他明白算法中的真正信仰。


机器人:我曾经听过这个故事,我想我也知道这个故事的结尾。


人类:但这个伟大的人类知道他创作的局限性。让机器来销售与自身力量相关的正面的故事对机器来说不是一个好事。


于是他发邮件给自己的下属,让人事部门的职员增加一个职位,专注于增强机器思维算法,正如他所做的一样,再往前走几步,我们会迎来那个伟大的日子:这个荒谬的工作再也不会存在了。


因为每个人都会和他一样爱这些机器。


机器人:嗯……我明白了。


职位:AI编辑……为Facebook制定并执行编辑策略,致力于推动AI发展。


最低任职要求:“英语、新闻、通信或相关专业的学士学位,chatbot和语言相关,可以尝试一下。


8年或以上的通讯经验:新闻、代理或者机构内部工作。需要学习、消化一两门媒体法律的课程才能胜任。


但是,AI机器人并非只能做AI机器人的工作,也不能要求一个算法来承担全部的责任啊。算法已经完成它的工作了,如果还有什么问题,明明是数据的原因……喂!人类,请再给我一次机会!喂!


人类已经转身走远了,脚步声在空荡荡的楼梯中回荡……   


【今日机器学习概念】

Have a Great Definition

优质课程推荐


稀牛学院+网易云课堂

隆重推出人工智能微专业!

《人工智能数学基础》

最短时间get最核心数学知识!

《机器学习工程师》

前沿实战课程,配备在线实验平台

高品质课程,2018AI学习掌门人!

志愿者介绍

回复志愿者”加入我们

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
1、资源项目源码均已通过严格测试验证,保证能够正常运行;、 2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值