一文看完吳恩達(dá)最新演講精髓，人工智能部署的三大挑戰(zhàn)及解決方案

Andrew這次演講的主題是「Bridging AI's Proof-of-Concept to Production Gap」，即「將人工智能的概念驗證與生產(chǎn)差距連接起來」，提出了人工智能部署面臨的三個調(diào)整和解決的方案，并解答了一些問題。

?

人工智能部署面臨的三大挑戰(zhàn)

?

1.小數(shù)據(jù)（Small data：Moving beyond big data）

?

當(dāng)今很多互聯(lián)網(wǎng)公司的人工智能算法研究通常使用的是「Big Data」，因為用戶產(chǎn)生了很多的數(shù)據(jù)可供模型訓(xùn)練，而小數(shù)據(jù)在消費(fèi)者互聯(lián)網(wǎng)之外的工業(yè)應(yīng)用領(lǐng)域中卻很常見。

?? ? ? ?? ? ? ?

?智能手機(jī)上的各種APP，因為「拿到」了數(shù)以億計的用戶數(shù)據(jù)，所以訓(xùn)練出一個效果很好的神經(jīng)網(wǎng)絡(luò)是非常簡單的。

?

但是如何使用小數(shù)據(jù)來讓很多其他行業(yè)也能得到效果不錯的模型，將是未來的AI發(fā)展面臨的一個挑戰(zhàn)。

?? ? ? ?

例如在做X射線的時候，當(dāng)樣本量達(dá)到11000時，AI算法的診斷結(jié)果和放射科專家的結(jié)果是沒有區(qū)別的，但在數(shù)據(jù)量很小的時候，放射科醫(yī)生的準(zhǔn)確率就會遠(yuǎn)大于模型的結(jié)果。

?? ? ? ?? ? ? ?

吳恩達(dá)指出，當(dāng)數(shù)據(jù)分布大致呈現(xiàn)出均勻分布的時候，模型的效果通常是不錯的，但是當(dāng)模型的分布非常不均勻的時候，機(jī)器學(xué)習(xí)算法的效果就會差強(qiáng)人意，這正是人工智能在醫(yī)療領(lǐng)域面臨的一個重大問題。

?

如上圖所示，「Hernia」是一種罕見的案例，統(tǒng)計數(shù)據(jù)量非常少，忽略不計對模型準(zhǔn)確度的影響不大，但是在醫(yī)療領(lǐng)域，「Hernia」作為一種癥狀，是絕對不可以被忽略的。

?

就像他經(jīng)常聽到很多的有趣對話一樣，通常算法工程師在炫耀說：「快看我的模型在測試集上得到了非常高的準(zhǔn)確率」，而醫(yī)生則通常會說：「恭喜你的算法取得了很好的效果，并且能發(fā)論文了，但是你的系統(tǒng)不能用」。

?

而這種結(jié)果就導(dǎo)致了人工智能面臨的第二個挑戰(zhàn)。

?

2.算法的魯棒性和泛化性（Generalizability and robustness）

?

一個模型通常在已發(fā)表的論文中work，而在實際生產(chǎn)環(huán)境中通常不work。

?? ? ? ?? ? ? ?

?而這種情況不僅僅只發(fā)生在醫(yī)療領(lǐng)域，在其他的領(lǐng)域中也非常常見。很多情況下，當(dāng)你使用了一個完全不同的數(shù)據(jù)集，模型的泛化能力就會大大降低。

?

3.變革管理（Change management：manage the change the technology brings）

?

在自動化工作流中，一個部分使用的模型可能會潛在地影響整個系統(tǒng)和許多其他相關(guān)方。

?? ? ? ?? ? ? ?

吳恩達(dá)舉了一個姑息療法（Palliative care，也叫臨終關(guān)懷）的例子：在美國，很多醫(yī)生雖然非常的關(guān)注自己的病人，但是由于醫(yī)生人數(shù)的短缺，他們卻很少會去做Palliative care。

?? ? ? ?? ? ? ?

而通過人工智能設(shè)計的系統(tǒng)，醫(yī)生們可以了解到每一位病人的死亡率，可以更高效的輔助他們的工作。

?? ? ? ?? ? ? ?

同時，在醫(yī)療系統(tǒng)中，「可解釋AI」的作用非常重要，因為醫(yī)生是無法輕易信任一個黑盒算法給出的結(jié)果的。

?

最后，吳恩達(dá)還指出，機(jī)器學(xué)習(xí)的代碼（ML Code）只是解決問題的非常小的一部分，需要很多環(huán)節(jié)形成一個整體的閉環(huán)。

?? ? ? ?? ? ? ?

應(yīng)對挑戰(zhàn)的解決方案

?

通常來講，一個AI項目的整體流程包括如下幾個階段：? ? ? ?完成一個項目需要系統(tǒng)地規(guī)劃機(jī)器學(xué)習(xí)項目的整個周期，從范圍到數(shù)據(jù)、建模和部署。

?? ? ? ?? ? ? ?

在部署階段，吳恩達(dá)指出了一種「Shadow deployment」的方法，就像在放射科使用AI系統(tǒng)一樣，算法本身不會做出任何的決策，只會用來輔助醫(yī)生得到診斷結(jié)果。

?? ? ? ?

在模型構(gòu)建和訓(xùn)練的階段，Andrew提出了訓(xùn)練數(shù)據(jù)的重要性，在訓(xùn)練階段使用一些現(xiàn)成的數(shù)據(jù)集得出的模型并不一定在實際使用中有很好的泛化能力。

?? ? ? ?? ? ? ?

在數(shù)據(jù)方面，「不要等待找到完美的數(shù)據(jù)才開始行動」，這是Andrew接觸過的很多CEO經(jīng)常會犯的錯誤。

?? ? ? ?

吳恩達(dá)還指出，AI解決問題不可以憑空想象，一定要結(jié)合各個行業(yè)的實際痛點(diǎn)，解決對商業(yè)有價值的需求。

?

演講的最后，他還分享了一個麥肯錫的調(diào)研圖表：

?? ? ? ?? ? ? ?

結(jié)果顯示，AI所能做的領(lǐng)域遠(yuǎn)不止消費(fèi)電子行業(yè)，其他領(lǐng)域也有非常廣闊的市場空間。

?

完整版視頻地址放送如下：

https://crossminds.ai/video/5f9a11f026cd723d6a05efa4/?timecode=1134.021093202179&&utm_campaign=bc839cc127703d0c&utm_medium=share