在使用深度學(xué)習(xí)之前要問(wèn)的3個(gè)重要問(wèn)題

在您的研究和開(kāi)發(fā)中使用深度學(xué)習(xí)的決定可能是一個(gè)很好的決定。但只有你仔細(xì)考慮結(jié)果。由于圍繞AI進(jìn)行了大量宣傳，特別是深度學(xué)習(xí)，因此很難不跳到火車(chē)上并認(rèn)為AI將解決所有數(shù)據(jù)分析問(wèn)題。在2019年太平洋設(shè)計(jì)與制造展上，勞倫斯伯克利國(guó)家實(shí)驗(yàn)室神經(jīng)系統(tǒng)與工程實(shí)驗(yàn)室的博士后研究員Jesse Livezey說(shuō)，情況并非如此。深度神經(jīng)網(wǎng)絡(luò)(DNN)可以為研究人員提供一些強(qiáng)大的計(jì)算優(yōu)勢(shì)，但并不是每個(gè)人都需要的東西。

在Livezey自己的研究中，他和他的團(tuán)隊(duì)能夠?qū)⑸疃葘W(xué)習(xí)應(yīng)用于腦機(jī)接口(BCI)的語(yǔ)音識(shí)別。目的是創(chuàng)建一個(gè)BCI，它可以準(zhǔn)確地解釋腦波模式中的語(yǔ)音，以幫助殘疾人。Livezey的研究發(fā)現(xiàn)，當(dāng)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)產(chǎn)生與輔音元音相關(guān)的錯(cuò)誤時(shí)，它對(duì)應(yīng)于什么樣的物理結(jié)構(gòu)(嘴唇，舌頭等)與發(fā)出聲音有關(guān)。由于大腦的不同子區(qū)域控制著嘴唇，下顎，舌頭和喉部等結(jié)構(gòu)，因此研究人員可以更深入地了解BCI應(yīng)該從哪里收集語(yǔ)音信號(hào)。

這只是一個(gè)具體的例子。但Livezey很快就提醒觀眾，雖然深度學(xué)習(xí)提供了許多好處，但它也有缺點(diǎn)，不能使它成為一種通用的解決方案，很多人都傾向于將其視為一種解決方案。

加拿大設(shè)計(jì)與制造部門(mén)專(zhuān)注于對(duì)您而言至關(guān)重要的最新軟件和產(chǎn)品。深入探索生成設(shè)計(jì)，電子元件，3D打印，快速原型設(shè)計(jì)和機(jī)器學(xué)習(xí)等令人興奮的創(chuàng)新。學(xué)到更多!

讓我們首先得到最明顯的關(guān)注。深入學(xué)習(xí)甚至是最適合您的解決方案嗎?

“你先做過(guò)更簡(jiǎn)單，更易解釋的事嗎?”Livezey問(wèn)道。他說(shuō)，研究人員需要弄清楚最終用戶(hù)正在尋找什么類(lèi)型的結(jié)果。只是擁有非常好的表現(xiàn)并不一定是需要的。

他說(shuō)，DNN的巨大優(yōu)勢(shì)在于它們提供“高精度，高定位和高精度。”在某些使用案例中，這可能就是您關(guān)心它的全部?jī)?nèi)容。但是在其他領(lǐng)域，例如科學(xué)或醫(yī)學(xué)研究，您可能想要了解算法正在做什么(稍微更多關(guān)于此)，并且您不需要盡可能具有表現(xiàn)力。這就是你可能想看其他方法的地方。

此外，還有一個(gè)問(wèn)題是理解正確的神經(jīng)網(wǎng)絡(luò)或任務(wù)的組合。你在使用CNN嗎?一個(gè)RNN?一個(gè)MNN?那些的組合?還有別的嗎?您需要查看手頭任務(wù)的最佳選項(xiàng)，編程和訓(xùn)練神經(jīng)網(wǎng)絡(luò)的工作可能不一定能在最佳時(shí)間范圍內(nèi)提供最佳結(jié)果。

2.)有偏見(jiàn)嗎?

算法與提供給它們的數(shù)據(jù)一樣好。在有偏見(jiàn)的數(shù)據(jù)上訓(xùn)練神經(jīng)網(wǎng)絡(luò)會(huì)導(dǎo)致各種不利影響。它可以導(dǎo)致AI解決錯(cuò)誤的問(wèn)題或得出錯(cuò)誤的結(jié)論。在最壞的情況下，你會(huì)獲得人工智能，它會(huì)實(shí)行掠奪性貸款并表現(xiàn)出種族偏見(jiàn)。

“你想知道你的數(shù)據(jù)集中是否存在偏差，你的機(jī)器學(xué)習(xí)算法是否正在使用它們做出決策?”Livezey說(shuō)。“你必須通過(guò)從你認(rèn)為重要的數(shù)據(jù)集中拉出碎片來(lái)確保你的算法正確推廣。”

DNN在性能方面表現(xiàn)出色，但Livezey告誡性能不一定是最終的全部。

深度網(wǎng)絡(luò)非常靈活，您可以擁有許多不同類(lèi)型的輸入和輸出映射。“深度網(wǎng)絡(luò)確實(shí)可以比傳統(tǒng)方法(如線(xiàn)性回歸)更好地?cái)U(kuò)展到更大的數(shù)據(jù)集，”Livezey說(shuō)。

這方面的缺點(diǎn)是它還意味著有更多的設(shè)計(jì)選擇供研究人員和工程師進(jìn)行分類(lèi)。這可能意味著在前端進(jìn)行更多的計(jì)劃工作，除非DNN提供顯著的好處，否則所有這些工作可能都不值得。

然而，神經(jīng)網(wǎng)絡(luò)的最大缺點(diǎn)是缺乏透明度。就像他們模仿的人類(lèi)神經(jīng)元一樣，深度神經(jīng)網(wǎng)絡(luò)在如何在許多方面實(shí)際發(fā)揮其功能方面有些神秘。“我們沒(méi)有很好的方法來(lái)解釋這些深層網(wǎng)絡(luò)正在做什么，”Livezey說(shuō)。如果您習(xí)慣使用回歸或決策樹(shù)等方法，那么內(nèi)部工作非常清晰明了。與DNN不同。“對(duì)網(wǎng)絡(luò)的深度工作以及做出決策仍有很多研究，”他補(bǔ)充道。

Chris Wiltz是Design News的高級(jí)編輯，負(fù)責(zé)新興技術(shù)，包括AI，VR / AR，區(qū)塊鏈和機(jī)器人技術(shù)。