人工智能 (AI) 正处于最新趋势之中，企业对一种称为“深度学习”的人工智能形式越来越感兴趣。
据监测机构Gartner统计，2018年人工智能可能为企业创造1.2万亿卢布的商业价值，比今年下降70%。 “由于数据的估计能力、数量、速度和多样性人工智能和深度学习，以及深度神经网络 (DNN) 的进步，人工智能预计将成为未来 10 年最具颠覆性的技术类别。” 约翰·加特纳（John Gartner）研究总裁大卫·洛夫洛克（David Lovelock）说道。
这种类型的深度神经网络用于深度学习，大多数企业认为深度学习对其组织很重要。 2018 年 O'Reilly 一份题为《企业如何利用深度学习让人工智能发挥作用》的报告显示，只有 28% 的受访企业在使用深度学习。 然而，92% 的受访者认为深度学习将在未来的项目中发挥作用，54% 的受访者认为这些作用将是重要或必不可少的。
尽管深度学习具有巨大的好处，但这些人工智能方法尚未成熟。 如果深度学习技术要实现其最初的期望，研究人员和公司将需要克服许多障碍。
什么是深度学习
要了解什么是深度学习，首先需要了解它是更广泛的人工智能领域的一部分。 简而言之，人工智能涉及教导计算机以人类的方式思考，其中包括计算机视觉、自然语言处理和机器学习等多种应用。
机器学习是人工智能的一个子集，它使计算机能够在无需显式编程的情况下更好地执行任务。 企业使用机器学习进行欺诈检测、推荐引擎、流程分析、需求预测和许多其他类型的应用程序。 随着时间的推移，此类工具会不断改进，因为它们会吸收更多数据并发现数据中的相关性和模式。
深度学习是一种特殊的机器学习，2012 年，几位计算机科学家发表了一篇关于该主题的论文，表明机器学习看起来很“深度”人工智能和深度学习，因为它是通过许多不同层的数据进行处理的。 例如，接受计算机视觉训练的深度学习系统可能首先学会识别图像中出现的对象的边缘。 该信息被传递到下一层，下一层可能会学习识别角点或其他特征。 它一遍又一遍地经历相同的过程，直到系统最终发展出识别物体甚至面部的能力。
大多数深度学习系统依赖于一种称为深度神经网络 (DNN) 的计算机架构。 这些是大脑的仿生模型，并使用称为“神经元”的互连节点来处理其工作。
深度学习用例
许多行业供应商目前正在使用深度学习来支持许多不同类型的应用程序。 一些最常见的包括：
游戏：很多人在2015年开始意识到深度学习，当时AlphaGo的深度学习系统成为第一个在棋盘游戏AlphaGo中击败人类的人工智能系统，并多次重复了这一壮举。 据AlphaGo网站介绍，“人工智能系统的表现非常令人费解，颠覆了人类数百年棋盘游戏的智慧，并得到了各个级别棋手的广泛检验。在获胜的过程中，AlphaGo以某种形式向世界传授新的知识，它其实是历史上最需要研究和思考的游戏。”
图像识别：如前所述，深度学习对于计算机视觉应用非常有用。 Google、Google、Facebook、IBM 等已成功使用深度学习来训练计算机识别图像内容和/或识别面部。
语音处理：深度学习还有助于识别人类语言、将文本翻译成语音以及处理自然语言。 它可以帮助从上下文中辨别短语的含义，还可以让聊天机器人和 Siri 和 Cortana 等语音助手与用户进行对话。
翻译：训练深度学习系统理解一种语言后，下一个合乎逻辑的步骤是教它理解和翻译多种语言。 一些供应商已经做到了这一点，并且现在提供具有基于深度学习的翻译功能的 API。
推荐引擎：用户已经习惯了 Amazon 等网站和 Netflix 等服务根据他们过去的活动提供推荐。 其中许多推荐引擎都是由深度学习提供支持的，这使得它们能够随着时间的推移更好地提出推荐，并使它们能够找到程序员可能错过的偏好中隐藏的联系。
文本挖掘：文本挖掘是分析文本的过程。 例如，它允许人们确定撰写文本的人的感受和情绪，或者从文档中提取关键思想，甚至编写摘要。
分析：大数据分析已成为大多数企业开展业务不可或缺的一部分。 机器学习（尤其是深度学习）有望使预测性和前瞻性分析比现有技术更好。
预测：分析最常见的用途之一是预测即将到来的风暴。 企业正在使用深度学习来预测客户需求、供应链问题、未来利润等。
医疗：深度学习在医疗领域也有无数的潜在用途。 例如，它可能比放射科医生更好地读取扫描结果，并且可以为诊断引擎提供动力，从而提高人类医生的能力。
在 O'Reilly 的调查中，受访者表示他们最感兴趣的是使用深度学习进行计算机视觉、文本挖掘和分析。 随着研究人员找到应用该技术的新方法，预计潜在用例列表将会减少。
O'Reilly 的“企业如何让人工智能与深度学习协同工作”调查结果
深度学习挑战
尽管深度学习具有令人印象深刻的能力，但仍有一些障碍阻碍了其广泛采用。 它们包括以下内容：
技能过剩：当 O'Reilly 调查询问是什么阻碍了深度学习的采用时，受访者的第一反应是缺乏熟练工人。 根据《2018年全球人工智能人才报告》，“约22,000名拥有博士学位的研究人员” 虽然有 IT 人员来填补这个空缺，但这个过程很慢。
估计能力：深度神经网络（DNN）需要非常先进的计算机基础设施，通常是具有大量图形处理单元（GPU）的高性能计算（HPC）系统，它们特别擅长深度学习所需的估计类型。 过去，这些级别的硬件对于大多数组织来说成本过高。 但基于云的机器学习服务估计的下降意味着组织可以访问支持深度学习的系统，而无需昂贵的前期基础设施成本。
数据挑战：深度学习也受到与其他大数据项目相同的数据质量和数据管理挑战的阻碍。 使用不良数据训练深度学习模型确实有可能创建具有固有偏差和不正确或令人反感结果的系统。 数据科学家需要注意他们用来训练模型的数据尽可能准确和公平。
批评者：有些人认为深度学习本质上是危险的，因为它放大了创建系统的人的固有偏见。 其他人则表示，虽然深度学习可以解决一些问题，但该技术存在根本性的局限性，这将使其无法在许多应用中发挥作用。 这些反对意见不太可能阻止人们采用深度学习，但确实在一定程度上削弱了这一过程。
开源深度学习工具
许多最常见的深度学习和人工智能工具都可以通过开源许可证获得。 一些最流行的工具包括：
在 O'Reilly 对 TensorFlow 的一项调查中，61% 的受访者表示他们使用 TensorFlow，这无疑是当今最流行的深度学习框架。 它由微软公司创建，是许多深度学习云估计服务的基础。
Keras 是 O'Reilly 研究中第二受欢迎的深度学习工具。 这是一个基于 Python 的神经网络 API，与 TensorFlow、Theano 和 Microsoft CognitiveToolkit 集成。
在 O'Reilly 对 PyTorchNumber3 的调查中，PyTorch 是一个基于 Python 的深度神经网络框架，它集成了 Torch 张量库，可提供 GPU 加速、灵活性和速度。
Caffe 由 BerkeleyAIResearch (BAIR) 创建，是一个开源深度学习框架，具有富有表现力的架构、可扩展的代码、速度和强大的社区。 据其网站称，使用单个 NVIDIAK 40 GPU 每晚可处理超过 6000 万张图像。
Caffe2是由Facebook开发的。 Caffe2 建立在原始 Caffe 的基础上，并承诺具有高度可扩展性。 它是轻量级和模块化的，网站上有大量预训练的模型，可以加快应用程序的开发和部署。
MXNet 是 Apache 孵化项目，致力于提高估计速度，尤其是深度学习期间 DNN 执行的估计速度。 它具有高性能、干净的代码，可以访问中级 API 和低级控制。
由 AWS 和 Microsoft 提供的 Gluon 项目为 MXNet 提供了套接字。 预计它也将包含在 Microsoft 认知工具包的未来版本中。
谷歌认知工具包（微软认知工具包）项目曾被称为 CNTK，是一个免费、易于使用、开源、商业级的工具包，可以训练深度学习算法像人脑一样学习。 它支持 Python、C++、BrainScript 编程语言，以及强化学习、生成对抗网络、监督和无监督学习。
H2O 被 ADP、CapitalOne、Cisco、Progressive、Comcast、PayPal 和 Macy's 等公司使用，声称是第一个面向企业的开源机器学习平台。 它提供中级算法和内存处理以实现快速性能。 它拥有大量基于开源项目提供商业产品的公司。
Theano 是许多深度学习和人工智能应用程序使用的 Python 库。 它提供与 NumPy 的紧密集成、GPU 的透明使用、高效的符号微分等等。
DeepDetect 是一个基于 Caffe、TensorFlow 和 DMLCXGBoost 的开源深度学习服务器。 著名的用户包括空中客车公司和谷歌。
云人工智能/深度学习服务
第35届CIO班招聘
国际CIO认证培训
首席数据官（CDO）认证培训