即使是最敏锐的技术布道师也无法预测大数据对数字革命的影响。因为他们最初的关注点都聚焦在了扩大基础设施以构建现有服务上。
在提高对现有数据的处理能力时，许多的新技术被提出。关于机器学习的概念最早诞生于科幻小说中，它的新功能很快被人们发现并应用，但随之而来的是无法避免的局限性。
机器学习的局限性
当数据被恰当地概念化时，复杂的AI算法可以做出最细致巧妙的洞察。一个能够访问正确数据的算法看上去是无所不知的。但事实上，在真实环境中的输出并不总能轻松为这些算法依赖的数据类型所处理。
机器学习的核心是数据。遗憾的是，一些定性数据并不容易被转换成可用格式。相比于被寄希望取代人类的AI算法，能够理解不易分解的变量间的细微差别是我们自身的优势。而为我们所称赞的人工智能尚未掌握这一概念。
驱动人工智能的二进制语言自最初设想以来已有半个多世纪没有发生变化，并且在未来也不可能很快发生改变。这意味着所有机器学习都必须以数字输入为中心。
AI如何掌握声学、光波和其他现实应用中的细微差异呢？有关这些系统的信息必须经过处理并转换为二进制语言。这不是不可能的，但有几件事情必须完成：
- 系统工程师必须开发出精确的系统来测量这些输入。这对于某些应用来说可能非常困难。通过分辨颜色的微小差异，人类可以轻松观察到光波之间的差异。但对于AI来说，通过光学传感器以足够的精度发现差异并传达是一件非常困难的任务。
- 这些输入必须被分解并翻译为二进制代码。
- 必须对AI进行编程以了解并响应这些输入。
“量化人类行为非常复杂，尤其是因为不同的人口统计数据反应不同。由于原始的机器学习算法的缺陷，处理来自热力图和其他报告的输入是一项具有挑战性的任务。“
机器学习必须在此之前得到发展。深度特征融合是一项可以克服这些障碍新技术，它为新的机器学习打开了复习的大门。
深度特征融合将会用一种令人着迷的方式发展机器学习
深度特征融合是一种新的解决方案，可以处理复杂的数据并将其分解为数字组件。2014年，两位麻省理工学院的工程师开发了深度特征融合。然而直到最近，这项技术还处于起步阶段，数据科学家才开始研究其在机器学习中的应用。
Donnelly表示，机器学习算法必须克服的最大技术障碍是依赖于处理数据才能工作。他们只能根据数据做出预测，而这些数据由相关变量组成，称为”特征“。如果计算的特征不能清晰地显示预测的信号，那么偏置就不会将模型带到下一个层次。提取这些数字特征的过程称为“特征工程”。
深度特征合成的关键优势：
- 单个数据集中数据点之间的关系可以推断出重要的特征
- 数据可以很容易地在不同的数据集之间合成
- 识别不同个体之间的关系可以帮助获得新特征
以上为全部译文
作者信息：
Ryan Kh, Octocs科技首席执行官
本文由北邮@爱可可-爱生活老师推荐，阿里云云栖社区组织翻译。
文章原标题Deep Feature Synthesis Is the Future of Machine Learning，译者：Anchor C.，审阅：虎说八道。
文章为简译，更多内容请查看原文
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
