揭秘|众专家总结2017年机器学习重大行业成果，哪个最为关键？
过去的2017年对于机器学习来说，是充满惊喜的一年，从GAN的发展到胶囊算法的提出再到人工智能的落地应用。许多人担忧的十年一轮的AI“寒冬”似乎还没有露头的征兆。面对即将到来的2018，我们又可以展望哪些值得期待的技术成果呢？
近日，KDnuggets网站向几位机器学习和AI专家咨询了2017最重要的行业发展成果，以及他们对2018年关键趋势的预测意见。
首先，让我们回顾一下2016年行业的主要趋势和预测，主要集中在这四个领域：
☞AlphaGo的成功；
☞对深度学习的狂热；
☞自动驾驶汽车；
☞TensorFlow以及神经网络的应用
在2017年结束之际，我们和大数据、数据科学、人工智能还有机器学习界的几位专家谈了谈，了解了一下他们对2017年重要成果的看法以及2018年重要的趋势是什么。如果你也感兴趣，就接着往下看吧~
如果一定要做出一个选择，那么我认为AlphaGo Zero是今年的最大亮点。这种新方法不仅能在一些最先进的方向上有所改进（例如深度强化学习），这种无需数据就能学习的方法还代表着一种全新模式。而且AlphaGo Zero现在已经能自学国际象棋等好几种棋类游戏了，非常令人惊叹。
2017年，围绕人工智能所展开的社会问题也进一步延续升级。埃隆·马斯克（Elon Musk）仍然觉得我们慢慢会造出杀人机器人。还有很多关于人工智能在未来几年会影响工作的言论。最后，还有很多关于AI算法透明度和偏见的讨论。
关于Xavier Amatriain的更多观点，可以查看：https://www.kdnuggets.com/2017/12/xavier-amatriain-machine-leanring-ai-year-end-roundup.html
人工智能Libratus战胜德州扑克顶级选手，将AI的主导地位扩展到不完善的信息博弈中（www.cmu.edu/news/stories/archives/2017/january/AI-beats-poker-pros.html）；自动驾驶汽车和虚拟助手的竞争越来越激烈，Alexa在虚拟助手中脱颖而出；谷歌、亚马逊、微软、IBM之间的云人工智能发展竞赛层出不穷；AlphaGo Zero非常强大，但不是一项突破。自我对抗是ML最原始的原理之一，但人类不用对战500万局游戏就能掌握围棋的下法。
2017年见证了深度学习作为AI的平台发展上升的过程。今年，Facebook发布了PyTorch，成为TensorFlow强有力的竞争对手。除此之外，Gluon、Alex、AlphaGo都在不断进步。ML从特征识别和逻辑回归发展到阅读文章、搭建神经网络、优化训练效果。在我的咨询工作中，客户已经在寻求个性化的物体检测、高级的NLP模型以及强化学习。当市场和比特币飙升的时候，人工智能一直是场沉默的革命，零售业的变革表明人工智能将占领这一行业。在工作中我发现，公司都积极地想改变自己，他们对在技术和战略方面应用人工智能非常感兴趣。
对创新来说，这将是伟大的一年。
2017年，ML和AI取得了巨大的进步，特别是最近DeepMind推出的一般强化学习算法，能够在四小时内自学，打败了世界上最好的棋类计算机程序。
我们还将看到，自动化的机器学习系统能帮助非AI研究人员更容易地使用该技术，并使更多的公司能将机器学习方法应用到他们的工作场所中去。
机器学习，特别是深度学习模型，正在对一些特殊领域产生重要影响，例如医疗保健、法制体系、工程领域以及金融行业。但是，大部分机器学习模型并不容易解释。了解一个模型如何实现在分析和诊断模型中非常重要，因为人们需要有足够的信心相信模型的预测。重要的是，一些机器学习模型做出的决定符合规则。现在我们需要创建足够透明的深度学习模型来解释它们的预测，特别是当这些模型用来影响人类的决策时。
2017是AI元年，2018将是AI成熟的一年。我们更多的是从“系统工程或云原生”的角度看待人工智能，AI正变得越来越复杂，而像h2o.ai这样的公司就简化了部署AI的复杂性。
我认为AI是通过嵌入式人工智能（即跨越企业和物联网的数据科学模型）将传统企业与更广泛的供应链合并。
最后，除了银行业等传统企业之外，整个行业对懂得AI或深度学习的数据科学家将继续处于短缺状态。
我最感兴趣的机器学习领域是元学习（meta-learning）。元学习是一个比较宽泛的说法，但今年，最令人激动的是少数学习问题上取得的进展，它解决了从少数几个例子中发现学习算法的问题。Chelsea Finn今年年初时总结了这个话题早期进展，博客地址：bair.berkeley.edu/blog/2017/07/18/learning-to-learn/。值得注意的是，在现在很多机器学习方面的博士生中，Chelsea Finn被认为是今年最令人印象深刻的学生之一。
在过去几年中，开源社区就已经对新出现的深度学习框架进行了大量讨论。现在这些工具已经大致成熟了，我希望并且期待看到更多不再依赖于工具的方法，而是将精力用于开发和实现利用深度学习的新颖想法中。并且，我希望看到更多利用生成对抗神经网络和Hinton的胶囊网络解决的新问题，这是今年讨论的热门话题。
此外，基于我们最近的一篇关于半对抗神经网络（semi-adversarial neural nets）论文中所写的将隐私赋予到脸部图像中，用户隐私在深度学习中是一个非常重要的问题，我希望这个话题将在2018年继续被关注。
2017年出现了个更多机器打败人类的事件。去年，AlphaGo击败了世界上最好的围棋选手，创建了AI之路上重要的里程碑。今年，AlphaGo Zero超越了他的上一代，从头教自己下棋，不仅击败了人类，还击败了汇集所有人类经验的围棋游戏（deepmind.com/blog/alphago-zero-learning-scratch）。除此之外，现在一台机器可以在Switchboard对话语音识别任务中已经达到人类对等的水平（arxiv.org/abs/1708.06073）。
2017年机器学习和人工智能的主要发展成果是什么？
我看到有更多的公司和个人把它们的数据和分析转移到基于云的解决方案中，同时越来越多的人意识到了数据安全的重要性。
看到了2018年的哪些趋势？我认为2018年将有更多公司遵守“全球数据保护条例”（GDPR），并且应对机器学习系统“隐藏”的技术。
深度学习和组合建模的力量在2017年继续显示出与其他机器学习工具相比的价值和优势。尤其是深度学习，在各个领域都有所应用。
至于2018年的趋势，深度学习很可能会被用来从原始的输入中生成新的特征和概念，并取代手工创建或设计新变量。深度网络在检测数据特征和结构方面是非常强大的，数据科学家们认识到无监督的深度学习可在此领域发挥更多价值。
另外，有效地异常检测可能也是近期的重点。在许多行业中，异常事件和其他异常情况都是数据科学工作的重点：入侵检测、财务欺诈检测、医疗保健中的欺诈、浪费、滥用和错误以及其他故障等等。检测这些不常见的事情是使企业在竞争中保持优势的方法，了解这些时间的本质是这一领域有趣且困难的挑战。
虽然没有AlphaGo和会后空翻的机器人那样惊艳，但2017年最令我兴奋的事情是深度学习框架变得更加友好且易于访问。今年发布的PyTorch对任何熟悉Python的人都很友好（主要是由于动态计算和OOP设计）。即使是TensorFlow也正朝着这个方向发展，将Keras加入到其核心代码库并宣布动态执行。我希望可以看到2018年编程人员使用深度学习框架的障碍越来越低。
对自动驾驶和语音助手来说，2017年是意义重大的一年。这两个应用是深度学习如何从小说变为现实的典范。
我们终于看到可解释的AI作为一门学科出现，它结合了学者、业界从业者以及政策制定者。希望明年，我们将有更多动力照亮深度学习这个黑盒子。
☞来源：论智
往期回顾|003讲中民国际资本执行董事刘国清-数字化工厂与人工智能
往期回顾|005讲甘中学——从智能工业机器人到智慧工业机器人
往期回顾|006讲长江学者王树新——微创手术机器人技术创新与产业发展
往期回顾|007讲哈工大教授杜志江——国产手术机器人的研究体会
往期回顾|008讲80后博导齐俊桐--无人机智能控制前沿技术
一堂课下潜深海7000米！揭秘罕见黑暗生物链+蛟龙号“龙脑”
意向合作，文章转载， 均可联系堂博士电话：13810423387(同微信)。
以上需求均可联系微信：35735796。
相关内容
微信扫码咨询专知VIP会员