承认深度学习是一种非常有用的AI技术
但许多批评者抱怨它的用途仅限于解决涉及图像分类的问题。“图像识别实际上非常重要,”霍华德说。几年前,霍华德和一组研究人员在肺部 CT 扫描上训练了一个深度神经网络,并创建了一种算法,与由四名人类放射科医师组成的小组相比,该算法可以以较低的假阳性率和阴性率检测恶性肿瘤。
霍华德还指出,许多问题可以重铸为图像识别问题。例如,在古代围棋比赛中击败世界冠军的深度学习算法AlphaGo实际上是一个图像识别卷积神经网络(CNN)。
“具体来说,AlphaGo 所做的是查看了许多在实际人类锦标赛中使用过的围棋棋盘示例,”霍华德解释道。“基本上,他们最终做了一个图像识别神经网络,他们试图学习的不是‘这张照片是猫还是狗’而是‘这是一张白赢或黑赢的围棋图。 ' 他们最终得到了一些东西,他们实际上可以通过查看围棋板来预测围棋游戏的获胜者。”
这种方法一直是 AlphaGo 和许多其他掌握不同棋盘和视频游戏的 AI 算法成功的关键。
关键是,许多问题都可以转化为图像识别问题并通过深度学习来解决。例如,霍华德深度学习课程的一名学生创建了一个神经网络,该网络在代表鼠标移动和点击的图像上进行训练。“在这种情况下,他创建了一个卷积神经网络,一个图像识别程序,试图根据这些图片预测欺诈行为,”霍华德说。
也就是说,深度学习也证明了它在计算机视觉和图像识别领域之外的价值。
Howard 指出,深度学习现在也适用于大多数自然语言处理 (NLP)问题。这包括机器翻译和文本摘要等领域。NLP 也是使 Siri、Alexa 和 Cortana 等 AI 助手能够理解您的命令的关键组件。(需要明确的是,深度学习对人类语言的掌握存在明显的局限性。)
深度学习还可以解决涉及结构化数据的问题,例如电子表格中的行和列。例如,您可以为神经网络提供一组代表金融交易及其结果(欺诈或正常)的行,并对其进行训练以预测欺诈交易。
Howard 指出,深度学习还可以应用于时间序列和信号问题,例如连接到网络的不同 IP 地址的事件顺序或随时间收集的传感器数据。