2017技術趨勢報告，機器智能如何能創造價值？

「未來數據」

2017年，德隆發布報告《2017德勤技術趨勢》(Tech Trends 2017)，報告特別提出了機器智能(MI)這個新概念，MI 包含機器學習、深度學習、認知分析。據預測：到 2019年全球商業支出將達 313 億美元。總的來說，這些工具了構成機器智能：它可以提高員工績效的演算法能力，自動化日益複雜的工作量，並發展模擬人類思維和參與交互的「認知智能體」。

認知分析

認知洞察（Cognitive insights）：機器智能可以提供深入、可操作的洞察，不僅對已經發生的事情，而且包括現在正在發生的事情和接下來可能發生的事情。這可以幫助企業制定程序來提高員工效率。例如，在全球的呼叫中心中，服務代表可以使用多功能的客戶支持程序來回答有關產品的問題，接受訂單，調查定價，以及解決客戶的其他問題。許多這樣的系統還需要工作人員在屏幕間來回跳轉以找到回答特定查詢所需要的信息。

認知參與（Cognitive engagement）：機器智能價值樹的下一級是認知智能體（cognitive agents），即採用認知技術與人類進行交互的系統。目前，這項技術主要服務對象是消費者而非企業。例如，認知智能體可以相應人類的語音命令來降低恆溫器溫度或打開某個電視頻道。但是，有可以從這種認知參與中受益的企業業務，並且新的應用領域開始出現。認知智能體將能夠接入複雜信息，執行諸如處理患者入院，為用戶推薦產品或服務等任務。它們可能在客戶服務領域有更大的商業潛力。

認知自動化（Cognitive automation）：第三個，可能也是最具顛覆性的機器智能機會，是利用機器學習，RPA，以及其他認知工具開發深度的專業領域知識（例如，按行業、職能或地區區分），然後自動化執行相關的任務。我們已經看到有機器智能的系統能夠自動化執行從前需要經過訓練的人力進行的工作。例如，有醫療公司應用深度學習技術進行醫學圖像的分析，在測試中，系統在判斷惡性腫瘤方面比人類專家的能力高50%。

深度學習

深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分散式特徵表示。晦澀難懂的概念，略微有些難以理解，但是在其高冷的背後，卻有深遠的應用場景和未來。

機器學習

是指機器通過分析大量數據來進行學習。比如說，不需要通過編程來識別貓或人臉，它們可以通過使用圖片來進行訓練，從而歸納和識別特定的目標。

例如：數據挖掘、計算機視覺、自然語言處理、生物特徵識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略遊戲和機器人運用。在我們當下的生活中，語音輸入識別、手寫輸入識別等技術，識別率相比之前若干年的技術識別率提升非常巨大，達到了將近97%以上，大家可以在各自的手機上體驗這些功能，這些技術來自於機器學習技術的應用。Google Translate技術據說已經達到了類比人工翻譯的準確程度，兼具「信達雅」的特性，能做到這一點就來自於Google對其進行了大量語言學習的訓練而成的。

機器學習主要以監督學習(supervised learning)、無監督學習(unsupervised learning)、半監督學習和強化學習等形式。下面我們簡要介紹以下這幾種學習形式的基本內容：

監督學習是 對具有概念標記（分類）的訓練樣本進行學習，以儘可能對訓練樣本集外的數據進行標記（分類）預測。這裡，所有的標記（分類）是已知的。監督學習是訓練神經網路和決策樹的最常見技術。這兩種技術（神經網路和決策樹）高度依賴於事先確定的分類系統給出的信息。

在非監督式學習中，數據並不被特別標識，學習模型是為了推斷出數據的一些內在結構。常見的應用場景包括關聯規則的學習以及聚類等。常見演算法包括Apriori演算法以及k-Means演算法。

在此學習方式下，介於監督學習和半監督學習之間。輸入數據部分被標識，部分沒有被標識，這種學習模型可以用來進行預測，但是模型首先需要學習數據的內在結構以便合理的組織數據 來進行預測。應用場景包括分類和回歸，演算法包括一些對常用監督式學習演算法的延伸，這些演算法首先試圖對未標識數據進行建模，在此基礎上再對標識的數據進行預 測。如圖論推理演算法（Graph Inference）或者拉普拉斯支持向量機（Laplacian SVM.）等。

在這種學習模式下，輸入數據作為對模型的反饋，不像監督模型那樣，輸入數據僅僅是作為一個檢查模型對錯的方式，在強化學習下，輸入數據直接反饋 到模型，模型必須對此立刻作出調整。常見的應用場景包括動態系統以及機器人控制等。常見演算法包括Q-Learning以及時間差學習（Temporal difference learning）。

機器學習的工作方式：

選擇數據：將你的數據分成三組：訓練數據、驗證數據和測試數據

模型數據：使用訓練數據來構建使用相關特徵的模型

驗證模型：使用你的驗證數據接入你的模型

測試模型：使用你的測試數據檢查被驗證的模型的表現

使用模型：使用完全訓練好的模型在新數據上做預測

調優模型：使用更多數據、不同的特徵或調整過的參數來提升演算法的性能表現

程序大官猿

一個專註程序猿的號，還不趕快關注啦！

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！