Re: [请益] 类神经网络的能力与取代性

楼主: DrTech (竹科管理处网军研发人员)   2016-05-29 10:42:07
※ 引述《iseeyou080 (iseeyou080)》之铭言:
: 第一次发文请见谅
: 最近看一些新闻 提到机器人或AI
: 也看到类神经网络似乎可以从杂乱无章或复杂的data 分析和学习
: 很类似半导体制程工程师的工作
: 想请问各位百万
: 制程工程师 或设备和整合工程师
: 在未来会有被AI 取代的一天吗
小弟在这行业界经验已经4年了。
随时都在读论文导入产品,我可以很明确地说,目前技术做不到。
目前所有人工智能,都伴随着大量的 "工人智慧"
前几年Deep Learning 火红的时候,真正爆炸点,并不是技术有什么突破。
的确大家发现了让学习模型复杂且可以收敛的方法了,但是那时大家觉得没什么用。
要不是 ImageNet 花了大量的"人工"标注图片内容(Amazon Mechanical Turk),
大家怎么会发现,原来深度学习好像有点用?
最近虽然FB,MS,Google都推出对话机器人服务,但是大家可以去看它们这两年的论文。
论文跟产品广告出来的技术难度差太多了。
产品展现出来的功能,例如订Pizza,这种小事情,
大家可以去看 A Neural Conversational Model 为范例,
要用多少的资料,多少的人工整理过的资料去预先处理?
目前即使是深度学习,还是包含大量的人工预先处理。
虽然很多论文号称不用标注,但实际上用到产业界都不好用,或根本没效果。
个人觉得,不管是业界顶尖或学术研究,
目前还没看到个影子,AI大量取代技术工作者。
作者: wyvernlee (wyvernlee)   2016-05-29 10:46:00
你人工智能系?
作者: hardCode (硬抠)   2016-05-29 10:51:00
楼上 现在资料分析很夯吧 人工智能lab多啊
作者: futureBF   2016-05-29 10:54:00
我相信你
作者: yibaby77 (P)   2016-05-29 10:57:00
推这篇
作者: iseeyou080 (iseeyou080)   2016-05-29 11:00:00
非常感谢您的回答 原来有工作这么多元 向往您的工作
作者: iamala (it depends)   2016-05-29 11:13:00
目前的企业的商业获利模式尚不明朗,但是受雇者的获利倒是很火红,当下作这个可说是显学且薪水可观。
作者: bowin (尽其在我)   2016-05-29 11:16:00
作者: heuristics (阿弟牯)   2016-05-29 11:23:00
标注是一次性的工作,谈不上是问题,请不到人也可以丢 Amazon Mechanical Turk 解决,怕被取代,主要还是看手边的工作是不是可以用 NN 解决,您问我我是算法工程师会不会被 NN 取代,我会回还早,现在 NN 离创造力还很远,您问我我是公司的电话客服会不会被 NN 取代,我会回您要小心了
作者: king19880326 (OK的啦~我都可以接受)   2016-05-29 11:32:00
DrTech大大怎么不去硅谷捞一票
作者: zxc2694 (zxc2694)   2016-05-29 12:00:00
正解
作者: powergreen (happyboy)   2016-05-29 12:02:00
推目前技术做不到
作者: hungys (hungys)   2016-05-29 12:23:00
作者: ian90911 (xopowo)   2016-05-29 12:28:00
作者: Narcissuss (太神拉~)   2016-05-29 12:29:00
整理到一个阶段 叫人类判断就好了
作者: jeromeshih (以谨慎态度来面对问题)   2016-05-29 12:40:00
觉得没法完全取代,但可能降低人力需求
作者: andywalk1989 (Andy)   2016-05-29 12:45:00
好文 期望大大未来多多分享
作者: iviva1988 (MILO)   2016-05-29 12:47:00
作者: iseeyou080 (iseeyou080)   2016-05-29 12:49:00
作者: WenliYang (羊蹄嘟)   2016-05-29 12:51:00
推啦~
作者: rainthechih (阿智)   2016-05-29 13:04:00
作者: BakerSt221B (221B Baker St.)   2016-05-29 13:26:00
2F哈哈哈哈哈哈哈
作者: mmmbop (wanderlust)   2016-05-29 15:59:00
粮草征收人、矿工、伐木工应该就不会被取代吧
作者: yolasiku (我的绿卡能吃吗)   2016-05-29 16:06:00
拎杯6年前论文就是用NN+big data 数据还比nasa还猛
作者: tomdavis (tomdavis)   2016-05-29 16:22:00
推推 拿来demo可以 很潮 长官爱 但是真的没办法实用
作者: XJY13 (You'll never walk alone)   2016-05-29 16:24:00
先前的资料处理也很重要,一堆极端值也会影响机器学习分析出的y值,还有bias lambda的参数调整,避免overfitting
作者: tomdavis (tomdavis)   2016-05-29 16:26:00
需要大量工人智慧这点我有些疑问deep learning的好处之一包含不用特别做feature只要给的原始资料中或多或少包含关键资讯就可以影像处理的部分已经是拿一个一个pixel当input让模型自己学出 需要从点中得到怎样的资讯像是先前google 从影片中学出来的 人脸 以及 猫脸阿有些偏了 imgnet那边的标注答案的确需要人的帮助但那是标注答案的部分 我前面讲的是input的预处理
作者: childlike12 (幼稚鬼+小孩子=娃娃ˊ~ˋ)   2016-05-29 16:58:00
这篇讲的是可监督式的学习,不是深度学习。
作者: tomdavis (tomdavis)   2016-05-29 17:04:00
回文讲AI提到的模型 不是都算是deep learning的模型吗??
作者: ljsnonocat2 (平凡是幸福)   2016-05-29 18:29:00
以前的人也认为电脑围棋下不赢人类职业高手啊就算原po在这行 写的出阿法go吗?
作者: heuristics (阿弟牯)   2016-05-29 19:26:00
需要大量工人智慧是对的,fine-tuning 阶段还是需要大量的标注资料才会学得好,监督或非监督不是判断是不是深度学习的依据,DNN 也没什么特别,但 Deep 之后的确效果惊人,在一些领域把既有的方法直接抛在背后追都追不到
作者: kevin190 (夏日晚风)   2016-05-29 20:48:00
抽取资料的feature还是要设计过,不然效果不好
作者: maplefog (枫雾)   2016-05-30 00:46:00
我预测会先用在翻译系统 deep learning可以解决翻译问题
作者: ql4au04 (方便面)   2016-05-30 05:48:00
Language model 加上dnn的成果也越来越扯
作者: st900278 (喵咪喵喵叫)   2016-05-30 11:14:00
crowdsourcing 大好~
作者: B9830226 (czcchi)   2016-05-31 07:50:00
勿忘unsupervised learning,是可以帮助labeling的
作者: gogogogo3333 (gogogogo33333)   2016-05-31 22:08:00
觉得比起CNN,小弟更看好LSTM-RNN的潜力

Links booklink

Contact Us: admin [ a t ] ucptt.com