3机器学习趋势正在改变行业

丹尼尔Faggella.
头像

Daniel Faggella是Emerj研究的首脑。丹尼尔呼吁由联合国,世界银行,国际刑警组织和龙头企业,丹尼尔是AI对商业和政府领导者竞争战略影响的全球追捧。

塑造技术现实的艺术 - 科幻小说设计

“机器学习”是一个术语,在启动和大数据圈中比“人工智能”更常见,有趣的是,谷歌趋势通过技术葡萄藤确认了已经听到的内容:金博宝官网
机器学习超越了人工智能金博宝官网

图像信用:谷歌趋势

虽然大多数商业场所已经听到这个词,他们对机器学习(ml)可以更感兴趣,相对于这个怎么运作

虽然可以说,这两者都很重要 - 即使对于商界人士而言 - 这篇文章将专注于五个现有的ML应用,这可能是扩大趋势的重要部分。

(注意:对于合理的理解机器学习的基础知识,您不必采取斯坦福的完整Coursera课程,这短Scipy Talk.是一个很好的开始,和这篇关于EMERJ的文章是一般受过教育的公众的概要概览。

1 - 推荐系统

Most of us are familiar with Amazon’s now-famous, ubiquitous “you might also like…” These suggested products aren’t merely based off of randomizing products in a similar category and putting them up as a “best shot,” those suggestions are the result of millions and millions of online transactions through Amazon’s eCommerce platform – crunched and analyzed to discern what a user like you (geography, account history, engagement on the page, cart value) might like.

鉴于亚马逊优惠的200多百万产品,这对于人类在200年的过程中校准的人来说太多信息,从不实时介意。

像潘多拉这样的公司Spotify.也是着名的推荐发动机,无疑是他们在流媒体音乐领域取得的成功。netflix跑了它Netflix奖2009年的竞争,以测试多种算法的有效性,以预测某人享受电影的可能性,而且公司在用户与电影的接触中努力重点,以便为每个用户提供最佳内容。

未来,推荐引擎将变得越来越普遍,因为各公司都在争夺最具吸引力和个性化的用户体验。推荐引擎可以做的不仅仅是帮助人们选择音乐、艺术品、食物或电影。未来的推荐引擎可能会告诉软件用户他们下一步应该尝试哪些功能(考虑到他们试图解决的问题),甚至帮助经理更有效地将工作分配给他们的团队(考虑到历史团队性能和工作负载)。

与大多数其他任何其他应用机器学习应用一样,如果数据和相对细致的技能集合,这些应用程序需要相当大量的量 - 可能会将优势放在Netflix和亚马逊等大型公司的法庭上。

2 - 自治车辆

建造自驾驶汽车有很多东西,但是有一个最重要的事情出去其中:数据。

为了让他们的自主车辆在山景街道上无缝驾驶,谷歌使用各种策略,包括过去驱动器的活动(速度,加速,转弯等)的分析,各种检测变化的传感器in the environment (people, other vehicles, red lights, etc…), and interaction with a made-to-scale model of Mountain View’s streets (which has been painstakingly measured, all the way up to the heights of the curbs and distances between them).

After 50 left turns at a certain intersection, Google’s cars (all of them, not just the one that made the last turn) learn more and more about not only how to master that one left turn, but about how to master similar left turns in relatively similar contexts (based on the activity of other traffic, the road conditions, weather, and more). Machine learning lets all of these moment-to-moment experiences translate into a data file of driving mastery.

《大西洋月刊》写了一篇有趣的文章谷歌的汽车是如何工作的(用外行人的话来说)。

埃隆·马斯克(Elon Musk)等人预测,自动驾驶汽车将成为现实在五年内司空见惯,而其他人则不太乐观,即法律考虑因素(如果不是所有的技术考虑因素)将在那段时间内可行。无论如何,几乎所有主要的汽车制造商都在车辆自治的未来投资,我们可以预期许多机器学习专家在福特或日产或特斯拉多年来磨掉,而且由此产生的越来越多的车辆数据涌入使技术更好。

3 - 计算机视觉/感知

谈到识别面时,Facebook几乎不需要您了。也许它是不久前的,但没有更多(谢谢深表面)。

作为人类,面部识别不是第二天性,而是天性(我们大脑中有一个区域大致负责这项任务)。那么,计算机为何如此困难呢?事实证明,许多早期的功能匹配方法并不奏效。由于光照、面部毛发和相机角度的差异,很难根据以前的照片来识别人(麻省理工学院的帕特里克·温斯顿在附近很好地解释了以前的方法)这段视频30分钟后)。

Facebook的深度即使只能访问2D图像,也会估计3D面部。它没有编程为找到面孔,它学会了解面孔,得益于ob的数据。近十亿的Facebook用户多年来将无数图像标记了其他用户的面孔,因此Facebook拥有各种角度和角度的一组面孔,允许培训计算机以从中培训电脑的巨大数据很多角度。

识别面远离全部最终所有计算机感知。

除了听觉数据外,未来的Siri-liblic助手可能会在视觉数据中,阅读嘴唇,以便在嘈杂的环境中了解您所说的内容。未来的计算机可能能够将视频分钟标记,而不仅仅是我所说的对象或所说的内容,而是通过实际发生的事情。未来的公司可能能够消除身份证,让安全摄像机进行单个团队成员的伐木时间的作业,如果未认出的人正在寻求入口,请通知工作人员。

All in all, machine learning’s applications are thriving today like AI never has before in industry, thanks to a general increase in computing power, a massive swell of AI talent and fresh interest in the field, and (maybe most importantly) from huge collections of data that can be used to train systems to produce new results.

随着越来越多的高中生被教导到计划,越来越多的牵引力在各个行业都发现,我们可以期待看到机器学习继续扩大。IBM银行在品牌上身“认知”计算尽管它是Watson Suite不是公司的主要养家糊口,但他们希望它将成为未来十年将带来的许多机器学习应用的骨干。

标题图像信用:思科

保持领先于AI曲线

发现在业务未来将赢家分开获奖者的关键AI趋势和应用程序。

注册“AI Advantage”时事通讯:

" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Thanks - check your inbox for a confirmation email">
" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Error - There was some problem.">
订阅
subscribe-image
保持在机器学习曲线的前面

加入超过20,000名以上的可调性的商业领袖,并收到每周提供的最新的AI研究和趋势。

感谢您订阅EMERJ“AI Advantage”时事通讯,请检查您的电子邮件收件箱进行确认。