吳恩達演講直指AI落地三大挑戰，並提出解決方案

2020-11-04 15:20:08

機器之心報導

編輯：陳萍、小舟

吳恩達在史丹佛大學 HAI 研討會上進行內容分享，指出 AI 部署所面臨的三大挑戰，並給出解決方案。

隨著人工智慧的不斷髮展，大量先進演算法以及配套硬體設施不斷湧現，研究人員憑藉新演算法等不斷重新整理 SOTA 記錄，但是在科研中、論文中實現的高精度效能，很多卻不能應用於實際的生產中。AI 離真正的落地還有多遠？

現階段，許多公司和研究團隊正在努力將研究轉化為實際的生產部署。近日，機器學習大牛吳恩達在史丹佛大學 HAI 研討會上分享了一些有趣的觀點，即「如何彌補 AI 的概念驗證與生產之間的差距」。

HAI（「以人為本」人工智慧研究院）成立於 2019 年 3 月，由史丹佛大學人工智慧科學家李飛飛和哲學教授約翰 · 埃切曼迪（John Etchemendy）共同領導，致力於推動人工智慧領域的跨學科合作，讓科技以人為中心，並加強對人工智慧社會影響的研究。HAI 定期舉辦研討會，此前吳恩達參加研討會並做了演講。

 

AI 部署所面臨的挑戰

在這次研討會上，吳恩達分享了人工智慧面臨的挑戰之一，即 AI 概念驗證與產品落地之間的差距。

吳恩達從三個方面介紹了 AI 部署所面臨的挑戰：小資料、演算法的魯棒性和泛化能力，以及變更管理。

 

挑戰 1：小資料問題

小資料在消費網際網路以外的工業應用中很常見，而 AI 研究通常使用大資料，很多演算法是針對大資料開發的。

但是很多行業可獲取的資料規模有限，為了使 AI 在這些行業中起作用，我們必須開發針對小資料的演算法。小資料適用的演算法包括 GAN、GPT-3、自監督、遷移學習等。

 

挑戰 2：演算法的魯棒性和泛化能力

大家可能已經發現，已發表論文中效果顯著的模型通常在生產中不起作用，研究中聲稱演算法結果已經超過人類的方法卻不能很好地投入到生產，訓練的模型不能很好地泛化到其他資料集等。吳恩達以醫療領域舉例進行說明。然而這些問題不僅存在於醫療領域，其他領域也面臨相同的問題。

 

挑戰 3：變更管理

AI 技術可以使工作流程實現自動化或部分自動化，而這對相關人員的工作帶來了影響。我們需要對整體的改變有更好地掌握。

 

解決方案

對於上述挑戰，吳恩達也表達了自己的觀點，給出瞭解決方案。他指出我們應該關心整個機器學習專案週期，除了構建機器學習模型以外，其他問題也應該更系統化，讓 AI 更具可重複性和系統性：

 

我們應從範圍界定到資料、建模和部署，系統地規劃機器學習專案的整個週期。

 

吳恩達表示，學界和工業界應努力將機器學習轉換成系統化的工程學科。