MIT教授批判：对数据过度关注

在获取数据方面投入了太多的精力，以至于我们通过收集了多少数据、神经网络有多大以及使用了多少训练数据来判断一个机器学习系统有多好。

当您收集大量数据时，您是在使用这些数据来构建主要由统计数据驱动的系统。Luis说，当我们向人工智能输入这么多数据时，我们就会依赖于统计数据，我们将其归因于系统智能，而实际上，我们所做的一切都是创造出大型概率系统，借助大型数据集来展示我们归因于智能的东西。

他说，当我们的系统不能像我们想的那样学习时，最主要的本能反应是给这些人工智能系统更多的数据，这样我们就不必过多考虑泛化和智能的困难部分。

许多人会争辩说，在某些领域中确实需要数据来帮助教授AI。 通过拥有更多数据，计算机可以更好地学习图像识别和类似的任务。 数据越多，网络越好，结果越准确。在播客中，Luis提出了这样一个问题:深度学习是否足够有效，或者我们是否有足够大的数据集来进行图像识别。最基本的问题：是算法还是仅是庞大数量的数据才使这项工作奏效？

相反，Luis认为，如果我们能够找到一种更好的方法来构建整个系统，那么即使只有非常有限的数据，人工智能系统也应该能够通过问题进行推理。

Luis比较了在零售领域的每个应用程序中使用机器学习的情况。 他谈到了实体商店如何看待在线商店的成功并试图复制成功。 他们执行此操作的方法之一是使用应用程序来帮助客户浏览商店。Luis提到，他去过塔吉特百货（Target），在那里他不得不使用手机来导航，这比看招牌还难。有一个人来问问题和交谈，不仅速度更快，而且是实体零售店传统体验的一部分。路易斯说，他更愿意在这些地方与人交流，而不是电脑。

是深度学习的问题吗？

他把这比作机器学习，他说机器学习的应用范围很窄。如果你试图将机器学习应用到AI的各个方面，那么你最终会遇到与他在Target遇到的问题类似的问题。基本上，把神经网络看作锤子，把所有AII问题看作钉子。没有一种技术或解决方案适用于所有应用程序。也许深度学习之所以有效是因为有大量的数据?也许有另一种算法可以

 

（编辑：盐城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!