深度：芸芸众司向AI进军路上的笑与泪

机器学习的类脑数学模型比较非常简单。而且，一般来说来说，GPU是训练神经网络的必需品，因为它们需要并行执行大量的矩阵乘法，这有助减缓训练的速度。如果你不想训练有大量图层的神经网络，你可以自由选择消费级显示卡，比如英伟达的GeForce GTX 2060，售价只要320英镑左右，但依然获取1920个CUDA核心。然而，重型训练必须更为专业的设备。

用作机器学习的最弱GPU之一是英伟达的Tesla V100，它包括640个AI自定义张量计算出来核心和5120个标准化高性能计算出来CUDA核心。但是，这种显示卡的价格相比之下低于消费级显示卡，PCI Express版本的价格低于也要7500英镑。

如果要建构AI工作终端或服务器的话，成本要再行高达一个数量级，英伟达的DGX-2专攻机器学习和AI研究，它包括16张TeslaV100卡，售价高达39.9万美元。深度自学软件框架也数不胜数，这种软件框架容许用户用于有所不同的编程语言来设计、训练和检验深度神经网络。其中，谷歌的TensorFlow软件库因为许多优点而广热门：容许用户用于Python，Java，c++和Swift等多种编程语言；可用作多种深度自学任务，例如图像识别、语音辨识；可以在CPU、GPU及其他处理器上运营；有许多能用的教程和构建模型。

另一个常用的框架是PyTorch，这个框架对初学者很友好关系，因为它获取了开发人员熟知的命令式编程模型，并容许程序员用于标准Python语句。PyTorch还可以与多种深度神经网络(从CNNs到RNNs)协同工作，并在GPU上高效运营。其他框架还包括Cognitive Toolkit、MATLAB、MXNet、Chainer和Keras。从计算机硬件，到机器学习框架，科技的变革意味著，现在，公司部署训练有素的机器学习模型早已仍然遥不可及，这些模型在物联网传感器收集的数据中辨识目标，也不会显得更为便利。

机器学习不应靠近核心业务公司可以用什么类型的项目来检验机器学习的效果呢？Constantinides教授建议从非常简单的任务开始，也就是说从一个非关键的业务领域紧贴，然后展开拓展。Constantinides教授以客服中心的聊天机器人为事例，为广大企业获取了一个不切实际的自由选择。这种聊天机器人可以问一些重复性强劲的问题，如果问题过于简单，它就可以将客户转交人工客服。

“大多数公司都指出客服中心坐落于公司核心竞争力之外，”Constantinides教授说，“因此，从这里开始的风险比较较低。”Constantinides补足说道，公司的聊天机器人项目运营平稳后，就可以改向另一种基于机器学习的服务，也就是所谓的引荐引擎。该服务需要协助不断扩大公司AI项目的规模。

一旦取得了客户的数据，公司就可以开始展开有所不同类型的预测，或是明确提出涉及的问题，比如“您不会考虑到出售其他产品吗？”某种程度，弗雷斯特公司的Gownder也特别强调了这一点：将启动项目的重点增大到特定任务十分最重要。在一份报告中，他荐了一家医疗科技公司的例子，这家公司专心于为放射科医生分析医疗扫瞄结果，而不是原作从整体上攻下癌症这种更加明确更加难以实现的目标。

项目随时告终的可能性公司要对机器学习项目有一个明晰的理解，这一点十分关键。弗雷斯特公司的Gownder也回应，在AI、自动化和机器人领域，因野心过大而造成告终已不是什么新鲜事。就像安德森癌症中心曾花费6200万美元，用于IBM的Watson协助病人确认化疗方案，然而，项目最后还是告终了。

一般来说，在用于机器学习技术时，我们有适当掌控自己的期望值，要意识到机器可能会带给并不极致的结果：语音辨识不会mRNA错误，面部识别系统不会辨识错误的人。正因如此，这些系统的用途是辅助人类展开辨别，增大自由选择范围，而不是必要代替人类。虽然，自动化的趋势增加了社会上从业人员的数量，但是，以目前的科技水平来说，想几乎构建自动化还为时尚早。Gownder在弗雷斯特的报告中也认为了过度过慢自动化的危险性。

报告里援引了汽车制造商Tesla的措施为事例，在找到机器人不合适继续执行某些任务后，该公司要求让人类重回生产线。他说，“自从让人类重回生产线以来，Tesla的Model 3沦为美国最畅销的汽车之一，从2018年1月仅有生产1825辆汽车，快速增长到7月12日的14250辆。

”另外，企业还面对着一个更加简单的问题，那就是积极开展机器学习项目必须数据科学专业家的协助。例如，OReilly的调查中，多达一半的受访者回应，自己的企业必须涉及领域的专家指导。在OReilly的另一份报告中，数据科学和数据工程再度被列入公司在分析涉及的技能方面不存在仅次于差距的两个领域。录：【 图片来源：ZDNet 所有者：OReilly 】华威商学院的Skilton指出，技术和前景是不存在的，确实的问题是如何给数据再加标签，以及怎样取得科学知识来解读“我如何打算数据以便开始借此自学？”尽管不存在这么多问题，但更加多的公司开始尝试机器学习技术。

Skilton回应，2019年正值企业挑战机器学习的好时机，他说道，“这样一来，公司就可以把人类的科学知识移往到机器上，不断扩大员工规模，提升自己公司的生产率”。

本文来源：鼎盛平台官网-www.lowtideinvestments.com