<mark id="oztn4"></mark>
1
| 本文作者： 溫曉樺 | 2016-12-17 20:33 | 專題：2016中國人工智能產(chǎn)業(yè)大會 |
今天大家討論比較多的人工智能，包括深度學習等這些技術為什么會對我們有幫助？究竟背后在什么地方能夠去改變這個世界？在今天于深圳舉辦的中國人工智能產(chǎn)業(yè)大會上，人工智能公司第四范式創(chuàng)始人兼CEO戴文淵就其專業(yè)研究以及產(chǎn)業(yè)實踐對這些問題做了闡述。雷鋒網(wǎng)也與其進行了訪談。
第四范式是一家利用機器學習、遷移學習等人工智能技術進行大數(shù)據(jù)價值挖掘的公司，其CEO戴文淵被業(yè)內(nèi)認為是遷移學習全球領軍學者。據(jù)雷鋒網(wǎng)了解，戴文淵2005年曾獲得ACM國際大學生程序設計競賽世界總冠軍。他2009-2013年就職于百度，是百度廣告變現(xiàn)算法的核心負責人，也是百度鳳巢的總架構師，是最年輕的百度高級科學家，2012年獲得百度最高獎（百萬美元獎）。在其后的2013-2014年，戴文淵就職華為，任華為諾亞方舟實驗室主任科學家。
戴文淵表示，大數(shù)據(jù)不再是AI發(fā)展瓶頸，未來企業(yè)的機遇在于贏在“維度”。如果企業(yè)內(nèi)部用人工智能知道企業(yè)經(jīng)營，最重要的就是要去做高VC維模型，我們要不斷地提高模型的維度，使得training loss和test loss不斷的降低。VC維度是什么？大腦的維度大概就是大腦腦細胞的個數(shù)，所以可以把VC維度理解為腦細胞維度。而機器的維度也需要更多的腦細胞，才能更聰明，才能學習更多的知識。機器的誤差隨著模型維度的提升而降低。
VC維度是什么東西？學術一點來說是“Vapnik-Chervonenkis Dimension”，一個由Vapnik和Chervonenkis于1960年代至1990年代建立的統(tǒng)計學習理論，它反映了函數(shù)集的學習能力——VC維越大則模型或函數(shù)越復雜，學習能力就越強。
戴文淵以一個比喻解釋：大腦的維度大概就是大腦腦細胞的個數(shù)，所以為什么人比狗聰明，狗比蟑螂聰明，因為人的腦細胞比狗多，所以可以把VC維度理解為腦細胞維度。同時這就可以理解：為什么要把機器的維度做高——因為機器的維度也需要更多的腦細胞，才能更聰明，才能學習更多的知識。
上圖是IMGENET比賽的結果示意圖。過去對于這個比賽，大家關心最多的是黑線曲線——它表示著是每年冠軍的錯誤率。因此大家都知道，每年冠軍的錯誤率誤差都在降低。但是戴文淵看到的是另一個問題：很少有人關心黃色的曲線——它代表著每年冠軍模型的VC維。所以這是我們也可以發(fā)現(xiàn)，為什么錯誤率會降低？是因為模型的維度在提升。隨著模型維度的提升，我們的誤差開始降低。
所以，今天的深度學習、強化學習都是要把維度做大?！吧疃葘W習其實是一種更好的去把VC維做高的算法，”戴文淵說道，“而為什么要做強化學習？強化學習是一個不斷VC維做得越來越大的模型。舉個例子——谷歌的阿爾法狗，如果只做深度學習，它是基于KJS的網(wǎng)站上棋局做的模型，那只有30萬局棋；強化學習以后，通過自己和自己下，不斷地去提升，最后能夠達到8000萬局棋，所以這就是今天強化學習要做的事情，這都是要把維度越做越大?！?/p>
維度做得更高更細，分析才能做得更精細，效率才能夠提高。
去年亞馬遜的市值超過了沃爾瑪，更多的人會覺得亞馬遜超過沃爾瑪是互聯(lián)網(wǎng)顛覆傳統(tǒng)企業(yè)的。但這真的是互聯(lián)網(wǎng)方面帶來的厲害？“其實這背后是人工智能。在2010年前亞馬遜做的并不是比沃爾瑪成功的，但之后，亞馬遜基于其數(shù)據(jù)能夠讓大家看到亞馬遜的商品都是不一樣的，亞馬遜實際上是給每個人開了一家店?！?/span>
一家企業(yè)如何能同時開出3億多家個性化的店？亞馬遜有3億多的用戶，而沃爾瑪有一萬多家店，亞馬遜顯然是要解決一個比沃爾瑪復雜3萬多倍的問題。
“要解決3億多家店，就不是那么好解決，不太可能人工去設計布置3億多家店，這由誰來解決？由機器解決。機器沒有精力的局限，人不是說如何去開更多的店，而是人沒有精力開那么多店，用機器解決就是人工智能幫助亞馬遜超過沃爾瑪最重要的地方?！?/span>
所以，維度做得更高更細，分析才能做得更精細，效率才能夠提高。
除了客戶管理方面，倉儲也體現(xiàn)了亞馬遜人工智能分析維度的作用。
戴文淵介紹，沃爾瑪?shù)膫}儲是所有的保管員、倉庫配貨員都會去倉庫整理東西，但是亞馬遜的機器人是——需要這個貨物就搬過來，如果亞馬遜有個N個配貨員就有N種不一樣的貨架，這樣的擺放也是基于數(shù)據(jù)來做的，最后造成的一個差別就是——亞馬遜比沃爾瑪提升4倍。
過去我們談互聯(lián)網(wǎng)，移動互聯(lián)網(wǎng)，現(xiàn)在談人工智能，其實互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)時代，有大量的空地，我們做一個網(wǎng)站，可以圈一批客戶，我們做一個APP可以圈一批客戶，而到今天這個機會已經(jīng)沒有了，未來的機會在哪？不是說還有更多的客戶可以去圈，而是我可以做得更好。如果要讓一家企業(yè)做得比競爭對手更好，就會把預算搶過來，就像亞馬遜從沃爾瑪那邊搶過來一樣。
另外一個案例是臉書（Facebook），此前該公司因為變現(xiàn)能力受到質疑而股價一直往下走，但現(xiàn)在是很風光的狀態(tài)。戴文淵講起這背后的故事：
在2012年，戴文淵面試過一些來自臉書的工程師，面完了以后他發(fā)現(xiàn)，不是臉書不能賺錢，而是當時的技術不足以（實現(xiàn)）很高的變現(xiàn)效率?！拔耶敃r問了工程師一個問題‘臉書的廣告有多少的變量？’，他們告訴我有兩千多的變量，于是他就沒有通過面試，因為我們當時已經(jīng)做到了一百多億的變量，這是巨大的差別?！?/span>
但是臉書發(fā)生了一個很大的變化，這是谷歌幫了他們。當年谷歌印度人與白人團隊的戰(zhàn)爭，導致白人團隊離開谷歌到了臉書，幫助他們把變量數(shù)從兩千多個提升多了兩千多億個。這一下子讓臉書的變現(xiàn)能力大幅度提升，之后他們的財報都超過了華爾街的預期。
所以這里很關鍵的地方是維度。原來是用機器學習——也是用大數(shù)據(jù)做的廣告模型，但是做得不夠高不夠細，如果能夠把維度做得更高，你就能做得更精細，你的效率就能提升，獲得更多的廣告市場。
除了互聯(lián)網(wǎng)IT這些數(shù)據(jù)密集型的行業(yè)，金融業(yè)也是數(shù)據(jù)量不可小覷、用戶群體涉及廣泛的行業(yè)，因此，這首先也成為了AI產(chǎn)業(yè)應用孵化的首選之地。
“今天已經(jīng)不再是亞馬遜、谷歌或者BAT的時代，如果退回五六年前做AI，就只能去BAT，在美國可能是谷歌臉書這樣的公司，但今天其實有更多的企業(yè)擁有數(shù)據(jù)?！?/span>
戴文淵介紹了第四范式與銀行合作的案例，其客戶是一家深圳的股份制商業(yè)銀行。作為一家商業(yè)銀行，他們也有很多營銷數(shù)據(jù)，需要通過這些數(shù)據(jù)去精準識別所有客戶當中有哪些是分期客戶，歷史上有大量的客戶辦分期或者不辦分期，第四范式的任務是基于銀行的數(shù)據(jù)幫助他們更好地識別。
“過去他們不是不做營銷，他們也是做營銷的，但是他們的模型維度只有兩百多個，而我們通過數(shù)據(jù)，通過機器學習，幫助他把維度提升到了五千萬，從兩百到五千萬的精細營銷，甚至我們可以幫他發(fā)現(xiàn)一些業(yè)務規(guī)律。比如當有一筆交易出現(xiàn)在某一個POS機，這個POS機一個月只有兩百人使用的時候，是一個商機。所以，通過機器就能夠用更高效、更低成本的方式來識別出這些場景。”
根據(jù)前面講到幾個案例，戴文淵表示，最大的差別就是過去我們在做的事情是低維的事情，而現(xiàn)在做的是高維的事情?！斑@可能跟我在學生時代學習的一些基本原理是相違背的——過去我們學數(shù)據(jù)挖掘的時候，有一個叫奧卡姆剃刀原理，它講的是盡可能簡單，而不是做深維的事情，而我們現(xiàn)在不是做化繁為簡，而是把問題做復雜?！?/span>
他繼續(xù)解釋說：
比如說（圖右）奧卡姆剃刀原理區(qū)分紅點和藍點的時候，到底是選擇綠色的線區(qū)分還是黑色線區(qū)分？過去的教科書是說黑色比綠色好，現(xiàn)在我們認為是綠色比黑色好。為什么呢？過去的奧卡姆原理在做神經(jīng)網(wǎng)絡的時候，為什么我們要把神經(jīng)網(wǎng)絡控制在三層以內(nèi)？是因為那個年代的數(shù)據(jù)量不夠。
那個年代的數(shù)據(jù)不多，所以數(shù)據(jù)不足以支撐我們把數(shù)據(jù)做大。在數(shù)據(jù)量不大的時候，我們要化繁為簡。而真正統(tǒng)計學習的基石并不是奧巴姆剃刀，不是說要控制三層，真正統(tǒng)計學習的原理叫VALIANT引理——這個公式我們可以就理解成，其實要做到的是模型的復雜度和規(guī)則數(shù)或者變量數(shù)，這樣一個數(shù)據(jù)量相匹配。
從這個原理我們會知道——為什么過去做的模型簡單，為什么神經(jīng)網(wǎng)絡要深度學習？重點的原因就是現(xiàn)在數(shù)據(jù)量變大了。數(shù)據(jù)量變大了，模型的復雜度要和數(shù)據(jù)量成匹配，要相關。
所以，以往的定律、原理也許都是局限下的產(chǎn)物。“牛頓三大定律交給計算機做會怎么做？可能不是三大定律，可能是做速度區(qū)間劃分，如果說總結出三千萬個定律的時候可能就不需要相對論了，這就是大數(shù)據(jù)時代，我們怎么讓機器做到一些不一樣的事情。”
“從VALIANT引理來看，為什么牛頓提的是三大定律而不是三百三千定律？就是人的記憶是有局限的，人腦里面裝不了大數(shù)據(jù)，所以人能產(chǎn)出的就是簡單的模型。為什么說過去的算法也很簡單？過去做決策，要減到五千以內(nèi)，其實很重要的原因是過去的數(shù)據(jù)量有限?！?/span>
今天整個時代變了，我們從互聯(lián)網(wǎng)上可以獲得大量的數(shù)據(jù)，傳統(tǒng)企業(yè)其實也有大量的數(shù)據(jù)，比如說華大基因要測百萬人的基因，中石油每天探測回來的地震波有500T，招行每月會有幾億的交易，這些都是非常大的數(shù)據(jù)。這時候如果還是套用valiant引理的話，數(shù)據(jù)量大了，模型會復雜。
“‘奧卡姆’時代過去了。從工業(yè)界來說，如果我們企業(yè)內(nèi)部做人工智能指導企業(yè)經(jīng)營，最重要的就是我們要去做高VC維模型，我們要不斷的去提高模型的維度，使得training loss和test loss不斷的降低。”
現(xiàn)在也有在討論遷移學習，遷移學習要做的是什么呢？
戴文淵向雷鋒網(wǎng)表示，遷移學習最佳的應用場景在于醫(yī)療?！安皇撬袌鼍岸加写髷?shù)據(jù)的，比如說醫(yī)療。再比如，很多人覺得今日頭條做的是個性化推薦，千人千面。其實他們不是在做個性化，而是做遷移學習。如果頭條只有你的數(shù)據(jù)，絕對不可能給你服務得好，服務得好是因為有了你的數(shù)據(jù)，可以找到很多跟你相近的數(shù)據(jù)。今日頭條最強的是在于他能夠拿和你相近的哪些人的數(shù)據(jù)來幫助到你。所以它是一個遷移學習的問題，因為每個人提供的數(shù)據(jù)是有限的，不是一個大數(shù)據(jù)，真正的幫助是來自于周圍，遷移學習就是說小數(shù)據(jù)也能做到高緯度?！?/span>
上述是人與人之間的遷移，另外一個例子是領域的遷移。領域的遷移是什么呢？舉例來說，像金融。金融資產(chǎn)管理中，做一個業(yè)務資產(chǎn)也許幾十億上百億，但是如果換一個視角看，上百億的資產(chǎn)做小額信貸，數(shù)據(jù)量非常非常大。但是如果上百億資產(chǎn)拿來做大額信貸，比如說房貸，每個人貸幾百萬并沒有多大數(shù)據(jù)，那么問題來了——大額信貸沒有大數(shù)據(jù)就很難用現(xiàn)在的深度學習來做。
“我們現(xiàn)在也在關注金融領域。遷移學習恰恰是可以幫助金融業(yè)企業(yè)利用各種各樣的信貸數(shù)據(jù)，無論是大額信貸還是小額信貸，來提升模型的效果。比如在銀行中，我們利用其小額消費金額的數(shù)據(jù)，幫助他做汽車貸款，也就是用別的領域的數(shù)據(jù)來提升效果，最后能夠幫助他的營銷提升。”
所以遷移學習要解決的是小數(shù)據(jù)實現(xiàn)超高維。另外一個數(shù)據(jù)是專家經(jīng)驗，如果說既沒有數(shù)據(jù)，又沒有其他領域的知識，我們還可以用專家經(jīng)驗來降低數(shù)據(jù)的使用量，提升小數(shù)據(jù)的模型維度。
我們今天會發(fā)現(xiàn)很多的話題在討論人臉識別或者無人車，個性化推薦，有人討論深度學習、強化學習，最關鍵的是所有事情都在解決一個問題就是維度。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
專題
