直通达沃斯 | 教育行业的人工智能纪元

这是王冠第二次受邀参加夏季达沃斯论坛。身为布朗大学计算机科学深度强化学习领域博士以及Leanrable.ai/可之科技 CEO,他作为科技企业代表在为期三天的会议中参加了“未来学校”等多个人工智能、教育、零售等领域的议程,与各行业的领军者深度交流人工智能在第四次工业革命时代背景下的新场景、新应用、新挑战。

世界经济论坛新领军者年会,也称“夏季达沃斯”,于7月1日在大连隆重开幕。此次论坛中,约有200场会议和研讨会。1900余名企业、政界、媒体、学界和社会各界的领袖人物围绕本次大会主题  “领导力4.0:全球化新时代的成功之道”  发表各自的独特观点,碰撞智慧。

近年来,以深度学习为主要代表的人工智能技术正在语音识别图像处理、自动驾驶等领域高速发展,相关进展将为教育业、医疗业、金融业、制造业等领域带来里程碑式的突破。全球各主要国家纷纷竞速部署人工智能发展战略。中国也于2017年发布了《新一代人工智能发展规划》,其中提出到2030年,中国人工智能理论、技术与应用将总体达到世界领先水平,成为世界主要人工智能创新中心。“为在人工智能领域达到并保持世界领先水准,高端人才、独立自主的研发能力、完整的知识产权、数据至关重要”,王冠在会议中谈到。

身兼人工智能学术界顶尖学者及AI+教育赛道创业者的双重身份,王冠人工智能领域有着更加立体独到的见解。在达沃斯论坛中,他针对人工智能赋能教育、零售等传统行业的新一轮机遇与挑战等话题进行了分享和讨论。

 人工智能赋能教育

百年大计,教育为本。我国自古以来便一直视教育为社会进步的重要基石。近年来,随着技术突破与应用拓展,AI开始与传统教育逐渐融合。人工智能技术与教育产业的结合,本质上是人工智能对教育教学的各个细分场景进行辅助、替代及超越。一方面,人工智能将教师、学生及家长从低效重复的工作中解放出来;另一方面,人工智能为学生和教师的学习、教学行为提供了全新维度的洞察与反馈方式,精准科学地提升学习效率与教学效果。AI+教育将成为传统教育中由于教育资源稀缺导致的成本高、效率低、不公平等问题的有效解决方案。目前,众多教育培训机构通过投资、收购、战略合作等方式纷纷布局人工智能教育产品,以争取先发优势,占领市场份额。然而,市场上很少出现能真正解决用户核心痛点,形成盈利能力的产品和公司。作为分享嘉宾,王冠认为,相比起金融、制造业等标准化领域,教育行业非常复杂。由于每个学生的接受程度、学习速度、知识储备都存在差异,教育行业有着流程长、内容多、速度慢、碎片化,需要“因材施教”的特殊性。人工智能赋能教育的深层次价值在于利用人工智能对学生的学习情况进行数据分析,贴合个体真实需求提出解决方案,实现教育场景下的“千人千面”。在这样的高要求下,突破对数据的依赖、优化人工智能决策与预测的准确性和可靠性,是人工智能+教育大多数应用场景亟待解决的问题和必将面临的挑战。

人工智能的数据依赖困境

近年来,随着数据的积累、计算机算力的跃升和算法的优化,人工智能的洞察力获得了长足的发展,为人们带来了前所未有的高效和贴心的体验。然而公众对数据被滥用、隐私遭侵犯的担忧仍长期存在。会议中,王冠也积极参与了有关人工智能的数据隐私的讨论。诚然,技术的不断进步和广泛应用带来的好处是巨大的,但是科学的发展不能以牺牲隐私权为代价。对数据隐私问题的解决,监管与控制不可少,除了政府方面应进一步完善法律法规、加大对数据滥用等行为的惩戒力度,企业方面也应该对于数据采集和使用更客观透明,并加强核查监管。值得注意的是,强调数据安全和用户隐私的重要性,并非是呼吁企业因噎废食,放弃获取数据。而是通过科研创新降低人工智能算法对数据的依赖度,从根本上缓解乃至解决数据隐私问题。

后记

中国人工智能产业在过去几年实现了飞速增长。得益于国家宏观政策扶持、风险资金推动和互联网应用积累的海量数据,中国首次发现自己置身于近现代以来未曾达到的位置:在一个新兴的关键科技领域跻身全球领导者之一。然而进入2019年,中国人工智能行业来到了一个拐角点。虽然讨论热度依旧,但在资本日趋谨慎、行业逐渐成熟、用户愈发理性的情况下,王冠和他的Learnable.ai团队想要在大环境中破局而出,于人工智能教育行业中占有一席之地,还有很长的路要走。

Learnable.ai
Learnable.ai

Learnable, Inc. 是一家以人为中心的人工智能公司。基于深度增强学习等核心技术,通过理解用户行为数据,深度分析并解释行为动机,从而为各行业提供精准的个性化解决方案。

产业达沃斯创业公司Learnable.ai
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

深度强化学习技术

强化学习(Reinforcement Learning)是主体(agent)通过与周围环境的交互来进行学习。强化学习主体(RL agent)每采取一次动作(action)就会得到一个相应的数值奖励(numerical reward),这个奖励表示此次动作的好坏。通过与环境的交互,综合考虑过去的经验(exploitation)和未知的探索(exploration),强化学习主体通过试错的方式(trial and error)学会如何采取下一步的动作,而无需人类显性地告诉它该采取哪个动作。强化学习主体的目标是学习通过执行一系列的动作来最大化累积的奖励(accumulated reward)。 一般来说,真实世界中的强化学习问题包括巨大的状态空间(state spaces)和动作空间(action spaces),传统的强化学习方法会受限于维数灾难(curse of dimensionality)。借助于深度学习中的神经网络,强化学习主体可以直接从原始输入数据(如游戏图像)中提取和学习特征知识,然后根据提取出的特征信息再利用传统的强化学习算法(如TD Learning,SARSA,Q-Learnin)学习控制策略(如游戏策略),而无需人工提取或启发式学习特征。这种结合了深度学习的强化学习方法称为深度强化学习。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

推荐文章
暂无评论
暂无评论~