Andrew Ng -- What is Ai? the first week
ANI = 弱人工智能
AGI = 强人工智能
# A to B 监督式学习
# 数据的质量;
红色:传统AI
蓝色:小的神经网络
紫色:中等神经网络
绿色:大型神经网络
# 数据的使用和误区; 不要把数据丢给人工智能团队,并认为这些数据是有价值的。
# 举例一个表的数据(统称:数据集);并进行手动标注
# 获取数据 的方式来自互联网和合作伙伴(有些公司有大量数据积累)
# 数据是混乱的;不一定都是有效的数据,比如确实的数据,或者错误的数据(需要数据清洗)
# 机器学习(ML) 和 数据科学(DS)
# 机器学习一般对应的会出现一个系统或者软件,输入数据A ,得到结论B;数据科学则是通过数据,展示给人们通过这个数据做个决策导向参考;
# 神经网路(人工神经网络) = 现在的名字叫(深度学习;为了品牌效应,或者更好听?),本质就是通过这个计算A to B的一种方法或
# AI > ML(机器学习) > DL(深度学习)/NN(神经网络) All Tools = DS(数据科学)
# 互联网时代 和AI时代;有小型的商店+一个web网站 ≠ 你就是互联网公司。同理可得,任何公司+深度学习 ≠ Ai公司
A/B测试短迭代时间决策推给工程师和其他专业角色; 简单说真正的互联网公司虽然展现给客户的是一个Web但是底层决策的技术完全不一样
战略数据获取统一数据仓库普及自动化新角色(如MLE)和分工;真正的人工智能公司会发放一些不赚钱的产品来,收集用户数据,并且要有战略性的收集有用数据
# 人工智能转型
【试点】1. 执行试点项目以获得动力; 做一个小型项目去认知、试水、看看我们可以做什么
【团队】2. 建立一个内部人工智能团队;储备相关人才,不仅仅是技术型人才
【培训】3. 提供广泛的培训; 培训对象也不仅仅是技术,包括产品经理,管理层,决策者
【战略】4. 制定一个战略; 需要有清晰的战略目标、leader
【目标】5. 发展内部和外部沟通; 保持沟通一致,所有涉及相关员工、客户、投资人都需要清楚的知道;公司是如何在Ai的兴起中找到前行的方向
# 机器学习如今什么可以做和不能做; 进行简单的文字识别,根据识别的内容进行分类,可以做;但是需要“同理心”带感情的去回复客户邮件内容,并做相关安排不太容易实现。尤其是在客户发来的邮件都是“五花八门”内容不一的情况下。
# 要知道Ai能不能做某件事,从2个维度进行简单判断:
1. 学习简单;能在小于或者等于1秒就能做出反应的问题;而不需要复杂的逻辑判断
2. 有大量的可用数据,足够输入A,获得B
# 能通过大量X光照片分辨出肺炎;不能通过书本的经验,就能解释或者确定这个就是肺炎 ;学习能力还是过于“机械”
# 机器学习工作的比较好的情况:
1. 学习“简单“的概念
2. 有很多可用的数据
# 机器学习工作的不太理想的情况:
1. 从少量数据中学习复杂的概念
2. 它被要求在新类型的数据上执行;举一反三的能力弱(比如数据集的方向进行更换)
# 人眼看到的图像和电脑看到的图像区别
# 神经网络的魔法就在于,你并不需要知道神经网络里面到底在干嘛,你需要给它很多象A这样的图片数据和像B这样的正确人脸的身份标签。