概览
人工智能的两个方面:感知和决策
深度学习可以较好的解决感知问题,但在决策方面略显无力(不可解释)
- 人工智能
- 深度和浅层学习
(优势:模型表达能力,灵活性//劣势:可解释性,需要大量数据)- 卷积神经网络,PNN,Deep and Wide,图学习
- 决策树,线性回归和SVM,马尔可夫模型,贝叶斯学习
- 卷积神经网络,PNN,Deep and Wide,图学习
- 传统人工智能方法
(优势:模型简单,小数据量下的性能,模型可解释性//劣势:灵活性)- 增强学习,搜索寻优,知识库与逻辑推理
- 规划系统
- 深度和浅层学习
- 按感知和决策分
- 感知(深度学习算法)
- 数据标注
- 算法模型开发
- 高性能分布式训练
- 模型调优
- 模型部署
- 决策(传统机器学习算法以及深度学习)
- 业务行为数据采集
- 结构化/非结构化数据处理
- 数据和算法的组合建模
- 算法开发,训练,调优
- 模型部署、实时训练反馈
- 感知(深度学习算法)
人工智能系统
算法创新的背后是算力突破。
常常听到的问题:
- TensorFlow安装太难了--软件复杂度
- GPU太贵,型号那么多,换代快,则么架集群--硬件复杂度
- 找不到GPU机器用--资源管理复杂度
- 机器利用率太低了,那么多机器都闲着--调度效率复杂度
- 听说GPU很快,但是我们的工程师用起来反而比CPU慢--全系统优化复杂度
AI平台解决。
智能计算和数据计算
算法和算力的背后还需要大量数据支撑。(数据量和性能几乎是成正比的)
人工智能落地:从应用需求出发,逐渐追求技术创新。
应用需求驱动。定义问题->收集数据->从0到1算法实现(重点在懂业务)