找回密码
 立即注册
  • 回复
  • 收藏

人工智能融合了算法和应用

tdmin 2019-1-4 10:42 66人围观 人工智能

人工智能已经成为日常生活的一部分。它可以帮助我们回答诸如“这封电子邮件是垃 它识别在线照片中的朋友,根据我们的政治选择新闻故事,并帮助我们通过手机存入支票 - 如果所有这些都不完美。

但这些应用只是一个开始。通过计算机科学的进步,研究人员正在创造新的能力,这些能力有可能以我们尚未想象的方式改善我们的生活。普林斯顿的研究人员处于这项研究的最前沿,从理论基础到新的应用程序和设备,再到道德考虑。

构建智能系统的尝试与计算机本身一样古老。早期的努力通常涉及将行为规则直接编程到系统中。例如,研究人员可能会输入运动定律来控制机器人手臂。但由此产生的行为通常不足。

通过人工智能,计算机可以借鉴经验。通过“机器学习”,人工智能的一个子领域,计算机被编程为做出选择,从结果中学习,并根据环境的反馈进行调整。

普林斯顿大学的Gordon YS Wu工程学教授兼计算机科学系主任Jennifer Rexford说,机器学习正在改变整个校园的奖学金。

“普林斯顿大学在计算机科学和数学方面有着悠久的传统,我们有很多部门只是一流的,加上强调为人类服务,”雷克斯福德说。“你到处都没有。”

积极的结果

人工智能机器正在解决的一个社会挑战是如何做出更好的医疗保健决策。计算机科学副教授芭芭拉·恩格尔哈特(Barbara Engelhardt)正在创建算法,以帮助医生采用最有可能产生积极患者结果的实践。

例如,患者何时应该从呼吸机断奶?三分之一的患者在重症监护病房中使用,呼吸机是一种救生设备,但是具有侵入性,昂贵且可以传播感染。医生通常需要等待的时间长于将患者从呼吸机中取出,因为如果他们错了,他们可能会进一步使患者的健康复杂化。
与宾夕法尼亚大学医院系统的研究人员合作,Engelhardt和她的团队致力于将患者护理从一种通用的方法转变为针对个体患者的方法。他们的算法考虑了许多患者因素,然后计算何时以及如何从呼吸机中移除患者。它做出了许多决定,包括在手术前给予多少镇静剂以及如何测试患者是否可以独立呼吸。

机器学习也可以帮助在没有立即获得高质量人类医疗保健的情况下,例如患有姑息治疗的患者,可以像专家一样全天候监控。

强化学习

Engelhardt采用了一种称为强化学习的机器学习方法,与旧的但仍广泛使用的“监督学习”实践背道而驰,即程序员为计算机提供训练数据集并要求机器推广到新的情境。例如,为了教计算机识别照片中的狗,程序员提供数以万计的图像,计算机根据这些图像制定自己的规则以确定新照片是否包含狗。

相比之下,强化学习更像是幼儿使用的反复试验。试图宠爱家猫并接受猛击的小孩将学会远离猫。同样,计算机会尝试并解释结果。

运营研究和金融工程助理教授孟梦娣研究了这种方法。她利用强化学习来限制金融投资组合的风险,帮助当地医院预测膝关节置换手术的并发症,并与微软研究院合作开展故事质量对话。

实施强化学习的一个挑战是数据过载。计算机没有人类健忘的优势,因此他们必须处理所有传入的数据。在实践中,专家经常不得不介入以对需要考虑的项目数量进行限制。

“变量太多是强化学习的瓶颈,”王说。“即使你拥有世界上所有的信息,你的处理能力也会有限。”

Wang开发了一种帮助计算机找出什么是不重要的方法。它是一种算法,通过将大量可能状态数学压缩到少量可能的聚类中来降低复杂性。她与威斯康星大学麦迪逊分校的Anru Zhang合作开发的这种方法使用统计和优化来对决策过程中每个阶段的可能情景进行分组。

AI救援

尽管强化学习功能强大,但当算法面临新环境时,它无法保证。例如,训练成在某一组环境中执行搜索和救援任务的自主飞行器(无人机)在部署在新环境中时可能会显着失效。

制定保证无人机安全和性能的方法是机械和航空航天工程助理教授Anirudha Majumdar的目标。由于安全和技术限制,如今大多数无人机需要人员使用其摄像机和传感器来控制飞行器。但是,像日本放射性受损的福岛第一核电站那样,被摧毁的建筑物中的无人驾驶飞机带来了挑战。

自主飞行器可以在人为错误风险很大的狭小空间内帮助进行搜索和救援工作。Majumdar正在探索如何应用一套称为“泛化理论”的机器学习工具来保证新环境中的无人机安全。粗略地说,泛化理论提供了缩小训练数据的性能与新数据性能之间差异的方法。

语言学习

教电脑识别形状是一回事,但教他们理解日常语言则是另一回事。为了解大脑如何处理语言的问题,普林斯顿的研究人员扫描了观看BBC电视连续剧“夏洛克”剧集的志愿者的大脑,看看大脑在拍摄新信息时大脑在做什么。

挑战在于如何汇总来自多个大脑的结果以确定趋势。每个大脑的形状略有不同,导致其功能磁共振成像(fMRI)扫描略有不同。“就好像你派了一千名游客去拍埃菲尔铁塔的照片。每张照片都会略有不同,这取决于相机,旅游者拍照的地点,等等,”Peter Ramadge说。 Gordon YS Wu工程学教授,统计与机器学习中心主任。“你需要通过机器学习来了解所有科目的反应是什么,”他说。

Ramadge和其他计算机科学家,包括2016年级的本科生Kiran Vodrahalli,与普林斯顿大学神经科学研究所的研究人员合作,使用一种寻找共同点的方法来聚合脑部扫描,称为“共享响应模型”。然后,他们使用自然语言处理技术将大脑活动映射到剧集中的对话,该技术从普林斯顿的Charles C. Fitzmorris计算机科学教授及其团队的Sanjeev Arora开发的语音中提取意义。

虽然典型的语音识别方法需要大量的例子,但是新方法能够从相对较小的单词集合中绘制出意义,例如在电视节目的剧本中找到的几百个单词。在2017年6月发表在NeuroImage期刊上的一篇论文中,研究人员证明了他们可以通过查看fMRI扫描来确定哪些场景正在被观看,准确率约为72%。

进入黑匣子

机器学习有可能解开人类难以或无法回答的问题,尤其是涉及大型数据集的问题。对于非常复杂的问题,研究人员开发了一种名为深度学习的方法,受到人类大脑的启发。这种方法依赖于人工神经网络,人工神经元的集合,像真正的脑细胞一样,可以接收信号,处理它,并产生输出以传递给下一个神经元。

虽然深度学习取得了成功,但研究人员仍然在发现最适合的任务,Arora说,他最近在附近的高级研究院建立了理论机器学习课程。“这个领域已经从深度学习作为一个黑盒子中获得了很多用处,”他说。“问题是,当我们打开黑匣子时,我们会看到什么。”

意想不到的后果

除了关于人工智能的使用以及智能机器在社会中的影响这一广泛的道德问题之外,近期对人工智能系统从人们那里获取工作的担忧正变得越来越普遍。进入Ed Felten,他正在研究遏制AI意外后果的政策。

Felten是Robert E. Kahn计算机科学与公共事务教授兼普林斯顿信息技术政策中心主任,曾担任奥巴马白宫的美国副首席技术官,负责人工智能和机器学习的联邦政策倡议。

Felten与纽约大学的研究人员一起探讨了人工智能对就业和经济影响的担忧是否可以得到数据的支持。研究人员使用了AI研究人员发布的标准基准。例如,对于视觉识别,团队评估了AI算法正确分类的图像数量。Felten和他的同事将这一估计与劳工统计局提供的数据集进行了对比。

问题是人工智能是否会取代工人,或补充他们的努力并带来更大的机会?历史表明,从长远来看,新技术往往对工人有益,但对于被技术取代的工人而言,并非没有短期的痛苦。

虽然一些研究人员认为低技能工作将受到人工智能机器的最大威胁,但Felten的数据却暗示了这一点。他说,航空公司的飞行员和律师可能至少受到当地7-Eleven柜台背后的自动化威胁。

“房屋清洁等事情很难实现自动化,”费尔滕说。“做这项工作的人需要做出很多背景决定。地板上的哪些物品是垃圾,地板上的哪些物体是落在地板上的重要物品?”

Felten和他的团队计划将他们的发现与地理信息配对,给出一个关于该国哪些地区受影响最大的热图,以允许公司和政府为即将到来的变化做好准备。

“我很乐观,因为我认为这是一个巨大的机会,”费尔滕说。“人工智能将在许多不同领域取得巨大进步。但它确实带来了风险,我们可以很容易地做到这一点。”

鲜花

握手

雷人

路过

鸡蛋
我有话说......