我們將去向何處?

微軟數(shù)據(jù)科學(xué)家和 Azure 數(shù)據(jù) /AI 技術(shù)專家 Marck Vaisman 在他的演講中提出了替代方案，他使用了 Python 和 R，而不使用 Spark。他介紹了 Dask，一個(gè) Python 開源庫。Dask 承諾為分析提供高級(jí)并行性，可以與 Numpy、Pandas 和 Scikit-Learn 等項(xiàng)目協(xié)同工作。

在 AI 采用頻譜的一邊是谷歌和微軟這樣的領(lǐng)導(dǎo)者：他們將 AI 作為其戰(zhàn)略和運(yùn)營的核心要素。他們的資源、數(shù)據(jù)和技術(shù)成為他們領(lǐng)導(dǎo) AI 競(jìng)賽的先決條件。然后是 AI 采用者，他們?cè)谧约旱念I(lǐng)域中應(yīng)用 AI。然后是落后者，他們陷于技術(shù)債務(wù)之中，無法在 AI 采用方面做出任何有意義的事情。

Pablo Carrier 在演講指出，如果你嘗試線性提高 DL 的準(zhǔn)確率，計(jì)算量將呈指數(shù)級(jí)增長。在過去六年中，計(jì)算量增加了 1000 萬倍。即使是谷歌云也很難跟上，更不用說其他的了。

Google Cloud AI 技術(shù)主管 Viacheslav Kovalevskyi 在開始他的“分布式 DL 理論和實(shí)踐”演講之前，警告說：如果有可能，請(qǐng)避免使用它。如果你真的必須這么做，請(qǐng)注意與分布式相關(guān)的開銷，并準(zhǔn)備在計(jì)算和復(fù)雜性以及基礎(chǔ)賬單方面付出代價(jià)。

很明顯，他們?cè)谙蛭覀儌鬟_(dá)這樣的一個(gè)信息：讓我們來操心模型和培訓(xùn)的事，你只要專注在你領(lǐng)域內(nèi)的細(xì)節(jié)上。我們可以識(shí)別機(jī)械部件——只需要提供給我們特定的機(jī)械部件就可以了，然后你該干什么干什么去。

讓我們回顧一下 Big Data Spain(BDS)大會(huì)，它是歐洲最大和最具前瞻性的大會(huì)之一，標(biāo)志著從大數(shù)據(jù)到 AI 的轉(zhuǎn)變，并嘗試回答一些與 AI 相關(guān)的問題。

更具體地說：不要忘了組織中的數(shù)據(jù)素養(yǎng)和數(shù)據(jù)治理。如果你認(rèn)為可以通過某種方式跨過數(shù)據(jù)分析的演化鏈在你的組織中開發(fā) AI 解決方案，那么請(qǐng)三思。

Kovalevskyi 提供了一些不同的使用分布式 DL 的歷史視角——分布數(shù)據(jù)、模型或二者。分布數(shù)據(jù)是最簡單的方法，分布兩者是最難的。但是，美國站群服務(wù)器 亞洲服務(wù)器，無論如何，分布式 DL 仍然是一個(gè)“童話之地”——通過增加 k 倍計(jì)算時(shí)間，你并不會(huì)獲得 k 倍的性能提升。

谷歌還在 BDS 上發(fā)布了一些新產(chǎn)品：Kubeflow 和 AI Hub。它們背后的想法是編排 ML 管道，類似于 Kubernetes 為 Docker 容器提供的應(yīng)用程序。這些并不是唯一能夠帶來類似優(yōu)勢(shì)的產(chǎn)品。它們看起來有點(diǎn)誘人，但你應(yīng)該使用它們嗎?

然而，智能并非只是關(guān)于模式匹配。推理能力不能只通過 ML 方法來建立——至少現(xiàn)在不行。因此，我們需要整合遠(yuǎn)離炒作的 AI 方法：知識(shí)表示和推理、本體論等。這是我們一直在倡導(dǎo)的，并且看到了它在 BDS 上很受推崇，這是一種正面的肯定。

在真正成功之前，我們能先假裝成功嗎?

誰不想直接跳過 AI 這道坎，拿到想要的結(jié)果，而且不需要面對(duì)那么多麻煩?這確實(shí)是一種可以讓你領(lǐng)先于競(jìng)爭對(duì)手的方法。但問題是，如果你完全將 AI 外包，那么你就無法獲得在中長期內(nèi)自給自足所需的技能。

事實(shí)證明，從大數(shù)據(jù)到數(shù)據(jù)分析再到 AI 的轉(zhuǎn)變是一個(gè)很自然的過程。這不僅是因?yàn)檫@個(gè)過程有助于調(diào)整人類的思維模型，或者因?yàn)榇?a href="http://www.qzkangyuan.com/cnidc/dc/jfjs/20170622/6437.html">數(shù)據(jù)和數(shù)據(jù)分析在被 AI 奪去光彩之前浸淫在 AI 的各種炒作中，主要還是因?yàn)槲覀冃枰ㄟ^大數(shù)據(jù)來構(gòu)建 AI。

簡單地說：就像登月一樣。ML 反饋閉環(huán)似乎正在全面展開，因此，采用者試圖跟上，落后者保持滯后，但領(lǐng)導(dǎo)者卻越來越領(lǐng)先。

這不僅是因?yàn)檫@個(gè)過程有助于調(diào)整人類的思維模型，或者因?yàn)榇?a href="http://www.qzkangyuan.com/cnidc/dc/jfjs/20170622/6437.html">數(shù)據(jù)和數(shù)據(jù)分析在被 AI 奪去光彩之前浸淫在 AI 的各種炒作中，主要還是因?yàn)槲覀冃枰ㄟ^大數(shù)據(jù)來構(gòu)建 AI。