CMU机器学习系主任Manuela Veloso加入摩根大通,华尔街金融巨头的AI投资

2017 年 5 月份,前微软人工智能首席科学家、IEEE Fellow 邓力离职,加盟华尔街对冲基金公司 Citadel。今日,又有一人工智能专家加入金融巨头:CMU 机器学习系主任 Manuela Veloso 加入摩根大通,担任人工智能研究院负责人。

摩根大通今日宣布卡耐基梅隆大学机器学习系主任 Manuela Veloso 博士加入摩根大通,担任人工智能研究院负责人。

此举正值金融业巨头竞相使用 AI 技术之际。AI 可被于欺诈检测和贷款审批等服务,提高内部运营效率。摩根大通已经在其业务中广泛应用机器学习技术。AI 已经是摩根大通 108 亿年度技术预算的一部分,其中超过一半的预算用于新投资。

密歇根大学计算机科学教授、为 USAA 等金融公司开发人工智能解决方案的 Clinc 公司 CEO Jason Mars 表示:「这些机构中的很多高层都已经开始重视人工智能和流程管理,这是一项应该大量投资的工作。」

摩根大通联席总裁及 Corporate & Investment Bank 总裁 Daniel Pinto 在股东信中说道:「我们组建了一支才华横溢的团队以推动人工智能、区块链技术、大数据、机器学习机器人的创新,我们的目标是提高效率,为更多的顾客提供更高效、深层、精细化的服务。」「不投资的银行将会失去优势,其后的追赶过程将会漫长而艰难。」

他补充说,招聘人才是这一使命的一部分。「在未来 5 到 10 年的时间里,技术创新的步伐只会加快,因为人工智能、机器人机器学习、分布式账本技术和大数据都将塑造我们的未来。」

J.P.Morgan 近期关于 AI 技术应用的研究报告中指出,AI 的概念已经出现了超过 50 年,但现在才是 AI 技术应用的关键点。由于大数据、高性能计算和高级算法的涌现,AI 技术得以借助更快、更低的成本实现。可以在这里查看该报告的 summary:https://www.jpmorgan.com/global/research/machine-learning

关于 Manuela Veloso

Veloso 于 2014 年开始担任卡内基梅隆大学教授,并被该大学授予最高学术荣誉,同时也是 Herbert A. Simon Chair 荣誉获得者。她曾被中科院邀请担任爱因斯坦讲座教授。此外,她还是 AAAI、RoboCup 联盟的前任主席,AAAI、IEEE、美国计算机协会和美国科学促进协会的 fellow。

如下为 Google Scholar 展示的论文引用量,Manuela M. Veloso 从 14 年开始每年都有近 2000 的引用量。此外,她在机器人与演示学习领域有非常优秀的研究成果,例如引用量最高的一篇论文就是 2009 年关于演示学习(Learning from Demonstration)的综述与调查。

随着深度学习的流行,Manuela M. Veloso 也做了很多这方面的研究。在最近的一篇关于 CNN 的论文中,Manuela 等研究者通过理解网络的结构与穿过各层级的信息流来分析深度网络最后的输出,并借此理解深度网络实现分类的过程。她还独立进行了很多关于贝叶斯的前沿研究,包括深度网络中的先验信息与最大后验推断方法等。

从 Manuela 教授的研究主题可知,她对机器人领域做了非常多的贡献。从早期关于多智能体与机器人路径规划问题的研究,到现在利用深度模型和半监督学习等先进技术实现机器人的目标搜索、路径规划以及协作等任务。Manuela 利用这些不同的模块能同时构建足球机器人、服务机器人和问答智能体等多种智能体。

产业Manuela Veloso摩根大通金融
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。

半监督学习技术

半监督学习属于无监督学习(没有任何标记的训练数据)和监督学习(完全标记的训练数据)之间。许多机器学习研究人员发现,将未标记数据与少量标记数据结合使用可以显着提高学习准确性。对于学习问题的标记数据的获取通常需要熟练的人类代理(例如转录音频片段)或物理实验(例如,确定蛋白质的3D结构或确定在特定位置处是否存在油)。因此与标签处理相关的成本可能使得完全标注的训练集不可行,而获取未标记的数据相对便宜。在这种情况下,半监督学习可能具有很大的实用价值。半监督学习对机器学习也是理论上的兴趣,也是人类学习的典范。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

推荐文章
暂无评论
暂无评论~