首页 >> 小仪

人工智能实践之基础概念剖析古谷彻【新闻】

2022-08-19 18:03:57

人工智能实践之基础概念剖析

近年来,随着IT技术进一步发展,新的技术纷纷涌现,其中,人工智能、区块链、云计算、大数据等信息技术在金融业的应用与发展,信息技术与金融业务已高度融合,彻底颠覆了银行的传统运营模式,在过去三年间,人工智能一直被Garner放在TOP10技术发展趋势中,各行各业也纷纷投入到智能化系统建设行列中,人工智能也从概念逐步渗透到各个领域。

面对智能化技术的滚滚浪潮,作为一名IT从业者,如何紧跟这股浪潮,结合行业特性将这些新技术应用在日常工作中,一直是金融行业智能化项目建设的核心。经过几年的洗礼后,我身边的甲方、乙方都纷纷表示人工智能就像炼丹一样,理想很丰满现实很骨感,在介绍金融领域智能化应用之前,我想结合自己的一些学习和思考为大家破解一下人工智能之谜,希望能为神化它的、丑化它的、看不懂它的看官们能带来一些中性的思考

什么是人工智能

通俗来讲,人工智能就是让机器能像人一样思考,甚至是超越人类,在电影《异形:契约》开篇中有一幕关于人类和人工智能对于生命和宇宙的理解的场景非常值得让人深思。

伟伦让大卫弹奏理查德.瓦格纳的曲子,曲目由大卫自己选,大卫选择演奏了瓦格纳的《众神进入英灵殿》,该曲目出自瓦格纳的名作歌剧《尼伯龙根指环》中的第一章《莱茵的黄金》中的段落,故事情节非常简单,但是背后寓意却很深刻,喜欢深挖的小伙伴可以百度一下。

虽然电影里的场景离我们还非常遥远,但是大家肯定会想,我们能实现这样的人工智能吗?

毫无疑问,人工智能是人类所能想象的科技界最突破性的发明,也是人类对于科技界的最终梦想。从上世纪50年代提出人工智能的理念以后,科学家们尝试了各种方法来实现它,但都未有见到足够震撼的科学技术的进步。比如从早期的归纳逻辑、聚类到中期的专家系统,决策树,这些科研进步确实使我们离人工智能近了些,但还遥遥无期,因为我们人类能清清楚楚地知道它们内部的分析过程,它们只是一个大型的复杂的程序而已。直到机器学习诞生以后,人工智能界感觉终于找对了方向,当前基于机器学习的图像识别和语音识别在某些垂直领域达到了甚至超越人的程度。机器学习使人类第一次如此接近人工智能的梦想。

什么是机器学习

按照百科上的说法:机器学习(ML,Machine Learning)是一门多学科交叉专业,涵盖概率论知识,统计学知识,近似理论知识和复杂算法知识,使用计算机作为工具并致力于真实实时的模拟人类学习方式, 并将现有内容进行知识结构划分来有效提高学习效率。

机器学习这种定义看起来非常的拟人化,但是计算机是死的怎么能像人一样会“学习”呢?

传统上如果我们想让计算机工作,可以给它输入一串指令,计算机会遵照这个指令一步步执行下去,直到运算结束输出结果,这个过程有因有果,非常明确。

但这样的方式在机器学习中却行不通,相反,它通过接收我们输入的数据后,通过对数据进行统计建模,并利用该模型预测或推导出一个结果。这一点跟我们对历史经验归纳总结过程非常相似。

人类在成长、生活过程中积累了很多的历史与经验。我们会定期地对这些经验进行“归纳”,获得了生活的“规律”。这就好比我们通过学习历史,从历史中归纳出人生与国家的规律,当我们遇到未知的问题或者需要对未来进行“推测”的时候,我们使用这些“规律”,对未知问题与未来进行“推测”,从而指导自己的生活和工作。

机器学习中的“训练”与“预测”过程可以对应到人类的“归纳”和“推测”过程。通过这样的对应,我们可以发现,机器学习的思想并不复杂,拿我比较熟悉的IT运维工作来说,可以基于性能数据、告警数据、交易数据、应用日志等历史数据构建出面向不同种类的预测模型,比如面向业务服务超时故障模型、面向系统资源使用异常波动模型、面向系统资源容量趋势模型、面向主机硬件故障模型、面向数据库SQL成本模型….进而在故障发生之前对应用系统运行风险进行提前预警,对运维隐患进行定位和分析,提高系统可用性。由于它的处理过程不是因果的逻辑,而是通过归纳思想得出的相关性结论,因此模型构建相对难度较高,结果也充满不确定性。

而这一点也充分体现在我们人类身上,比如逻辑推理和归纳总结,对于我们来说实际上是对过去长时间生活的感悟、认识的积淀与思考的一种凝练和结晶,而这一切的背后都是由我们大脑中,数十亿个神经元细胞连接而成的神经网络来完成,那计算机是不是也可以通过类似的方法进行构建模型呢?

早在80年代人们就通过对大脑工作机理的研究,发明了神经网络算法,计算机学者们使用人工神经网络进行机器学习的实验,发现在视觉与语音的识别上效果都相当好,但由于神经网络的训练速度非常困难,因此在90年代中途衰落。直到2006年Geoffrey Hinton不仅解决了神经网络在计算上的难度,同时也说明了深层神经网络在机器学习上的优异性。至此,神经网络打开了一扇通往真正智能化的大门:深度学习。

什么是深度学习

深度学习(DL, Deep Learning)是机器学习的一种,其概念源于人工神经网络的研究,含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本等。

深度学习这四字看起来颇为高大上,但其理念却非常简单,就是传统神经网络发展到了多隐藏层的深度神经网络,基于深度神经网络的学习研究称之为深度学习。在了解深度学习之前我们需要先了解一个简单的神经网络学习机理:就是分解与整合。

在一个人工神经网络中,分成输入层,隐藏层,和输出层。输入层负责接收信号,隐藏层负责对数据的分解与处理,最后的结果被整合到输出层。每层中的一个圆代表一个处理单元,若干个处理单元组成了一个层,若干个层再组成了一个网络,也就是"神经网络"。

在人类大脑神经元细胞的树突接收来自外部的多个强度不同的刺激,并在神经元细胞体内进行处理,然后将其转化为一个输出结果,通过轴突向其他神经元发出信号。大脑就是根据这个网络上的信号的流动来处理各种各样的信息的,而人工处理单元也有相似的工作原理。

上面的X是处理单元的输入,相当于树突接收的多个外部刺激。W是每个输入对应的权重,它影响着每个输入X的刺激强度。

生物神经网络的结构越简单,智商就相对越低,比如单细胞生物。人工神经网络也是一样的,网络越复杂它就越强大,因此我们需要构建深度神经网络,这里的深度就是指隐藏层数, 而训练深度神经网络的过程就是深度学习。

当人工神经网络构建好后,我们只需要不停地将训练数据输入到神经网络中,它内部就会不停地发生变化不停地学习。打比方说我们想要训练一个深度神经网络来识别不同图片里的物体时,我们只需要不停地将不同图片输入到神经网络中去训练,成功后我们任意拿来一张新的图片,它都能判断出里图像的内容。

但我们并不知道它的分析过程是怎样的,它是如何判断里面是否有苹果的。就像当我们教小孩子认识苹果时,我们拿来一些白苹果,告诉他这是苹果,拿来一些青苹果,告诉他这也是苹果,他脑子里会自己不停地学习苹果的特征。最后我们拿来一些黄苹果问他,他会告诉你这也是苹果。但他是怎么知道的?而且当你拿出来西红柿和红苹果的图片问他这两者有什么共同之处,他会告诉你都有红色,他脑子里的分析过程是怎么样的?我们无从知晓,这也是很多人在接触人工智能之后感觉就像是炼丹一样,正因如此,我们才需要更深入的去探究和了解它,如狄更斯所说:

这是一个最好的时代,这是一个最坏的时代;

这是一个智慧的年代,这是一个愚蠢的年代;

这是一个光明的季节,这是一个黑暗的季节;

这是希望之春,这是失望之冬;

人们面前应有尽有,人们面前一无所有;

人们正踏上天堂之路,人们正走向地狱之门;

总结

最后总结一下,从上文介绍中我们不难看出,人工智能、机器学习、深度学习、神经网络属于层层递进依赖关系,如果想搞懂人工智能,就要先从它的内心开始了解,只有这样我们才能让其在我们生活工作中发挥最大效能,下篇我们一起重点聊聊神经网络的训练和学习过程,希望本篇为大家讲清楚了这些术语概念。

贵阳湿疹医院

石家庄毛囊型白癜风医院

济南继发性闭经医院

石家庄炎症医院

子宫肥大医院

友情链接