機器人想要什麼：利用機器學習有效地進行教學

 

人工智慧有片刻。一個人只需要每週隨意瀏覽新聞，看看人工智慧和機器學習的話題已經像常春藤一樣增長，將其卷鬚擴充套件到各種故事中，例如種族偏見， 僱用 和 確定蜘蛛 ， 振工鏈工業自動化平臺 。

但是，對於我們在收件箱，雜誌和晚間新聞中對AI的所有不同應用，工程界以外的人很少對術語的真正含義或我們越來越依賴的機器人和演算法如何知道如何做有深刻的瞭解人類分配給他們的複雜工作。

對於初學者來說，機器學習中涉及的機器比人形助手更可能採用無形的蜂巢形式。

在女僕羅西（Rosie）首次在《傑森一家》上迷住了美國黃金時間電視觀眾後近60年，幾乎所有業務領域都對機器人的思想和演算法提出了要求。

用上下文和經驗來充實這些機器頭腦需要教學和培訓。但是人類只能教這麼多的人工智慧，或者至少只能教這麼大的規模。

因此，機器學習是超出此範圍的研究領域，其中使用大量資料快取來教授所討論的演算法和物理機器。機器學習有許多不同的學科，深度學習是其中的主要子集。

深度學習利用神經網路層從資料集中學習模式。該領域最初是在大約三十年前構思的，但由於這一代計算能力的侷限性而沒有得到普及。

但是正如摩爾定律所規定的那樣，即使成本降低了一半，微晶片上的電晶體數量也會每兩年增加一倍，從那以後，人類教導機器進行自我思考的能力就呈指數增長。實際上，人工智慧的學習速度現在已經完全 超過了摩爾定律 。

這些條件意味著深度學習最終將受到深度神經網路演算法爆炸性潛力的驅動，該演算法需要大量計算，但如果有足夠的計算能力和資料集，最終將非常強大。

但是，既然這些機器能夠學習極其龐大和複雜的資料集，誰來教這些機器？誰決定AI需要知道什麼？

首先，工程師和科學家決定AI的學習方式。然後，領域專家會針對正在解決的任務範圍內的機器人，如協助倉庫物流專家，醫學影像專家或安全顧問，提出建議。

AI如何處理這些輸入分為兩個不同的類別：規劃和學習。

規劃涉及所有變數都已已知的場景，而機器人只需要以其移動每個關節的速度即可完成諸如抓取物體之類的任務。

另一方面，學習涉及一個更加結構化，動態的環境，在這種環境中，機器人必須預料到無數不同的輸入，並在此過程中做出相應的反應。

學習可以透過許多不同的形式進行，但其中三種是：演示包括透過指導實踐對機器運動進行物理訓練。模擬是透過3D人工環境進行的 ， 。

最終，可以向機器饋送人員或其他機器人執行自己希望掌握的任務的影片或資料。所有這三個代表訓練資料的型別，是AI演算法可以用來識別和學習的帶標籤或帶註釋的資料集。

對於當今複雜的機器學習行為而言，培訓資料變得越來越必要。為了使ML演算法能夠選擇資料中的模式，ML團隊需要向其提供大量準確的訓練資料。

資料的準確性和豐富性對於成功至關重要。大量不正確或損壞的資料將導致演算法無法正確學習或得出錯誤的結論。

如果您的資料集中在火車上，並且輸入了獅子的圖片，那麼您仍然會乘坐火車。

這被稱為缺乏適當的資料分配。訓練資料不足會導致學習曲線過高，可能無法充分發揮其設計潛力。

足夠的資料涵蓋大多數想像的場景和邊緣情況，對於進行真正的學習至關重要。

機器學習目前正在廣泛的行業中部署，從 房地產 和 財務計劃 到 文學和詩歌 。

目前，無人駕駛車輛正在協助建築業，部署在無數的現場作業現場。

建築公司使用諸如Superb AI之類的資料培訓平臺來建立和管理可教授ML模型的資料集，從而避免人類和動物進入並進行組裝和建造。

在醫療領域，國際知名大學的研究實驗室部署了培訓資料，以幫助Computer Vision模型識別MRI和CT掃描影像中的腫瘤。

這些最終不僅可以用於準確診斷和預防疾病，還可以訓練醫療機器人進行手術和其他挽救生命的程式。

訓練有素的機器人尋腫瘤助手可以整夜執行工作，甚至在墓地輪班的醫生和護士一天回家之後也是如此。

培訓資料，機器學習和人工智慧具有巨大的機會，最終可以幫助機器人發揮其潛力，以釋放醫療和技術突破，減輕人類的單調和艱鉅的勞動，甚至縮短40小時的工作時間周。

採用複雜機器學習計劃的技術公司有責任在公眾中進行教育並建立信任，以便可以使這些進步真正幫助提升人類水平。

但是人類在這裡也要承擔責任，因為他們有責任對這些新興的學習領域進行教育和熟悉。

工程師和資料分析人員將在教學和培訓機器方面盡最大的努力來最好地為我們提供幫助。

但是，輿論本身就是一種強大的槓桿，當然可以利用它來幫助塑造和構築我們人機教學與合作的未來 ， 。