魏子敏,蒋宝尚记者

现身南京,吴恩达刚刚集中回应了被CEO们问过最多的三个问题

9月6日,2018中国人工智能峰会(CAIS2018)在南京国际博览会议中心召开。以“AI赋能,驱动未来”为主题,汇聚50余位人工智能领域国际学术界、产业界著名领袖以及相关代表参会。

斯坦福客座教授吴恩达以Landng.ai创始人、CEO的身份出席了峰会,并在主论坛上做了题为《人工智能赋能新时代》的主题演讲。

吴恩达称,Landing.ai成立后的这段时间,他去往了许多国家,和很多CEO聊过,了解到很多企业家如何应用人工智能来辅助商业决策,他希望跟大家分享企业、政府、大学如何运用人工智能技术提高效率。

赋能企业:来自CEO的三个人工智能问题

目前人工智能已经在很多行业应用,并促使其发生了改变。如果想要在新时代发展的更好的话,就一定要应用新技术。而决定一个公司是否能在人工智能时代发展的更好,则需要把公司的传统模式与机器学习相结合,但这绝不仅限于单纯的结合。比如百度和谷歌,需要大量的收集数据、建立数据库、普及自动化并引进大量的人才。

互联网时代和人工智能时代的差异

吴恩达首先对比了互联网时代和人工智能时代的差异,这一对比他在今年2月份国家会议中心工业互联网峰会的一次演讲中也曾详细提到过。

互联网公司和人工智能公司有何不同呢?吴恩达称,目前很多公司对于互联网公司有一个误区,他们认为给一个商场配上一个线上网站,就等于互联网公司。

吴恩达定义了互联网公司的几大特点:

1.互联网公司需要大量的A/B测试

2.迭代速度很快

3.工程师及产品经理共同进行决策

因此,互联网公司着重A/B测试、快速迭代以及工程师及产品经理的决策,而在人工智能时代,人工智能公司侧重数据收集战略,集中的数据库,以及普遍的自动化。

吴恩达称,一个传统的技术公司加上神经网络或者机器学习,这还不是AI公司。能够统筹公司做非常好的人工智能工作,这才是真正的人工智能公司。

以一家搜索引擎公司为例,其会搜集到非常多的数据,吴恩达称,如果你是公司的CEO,让你的产品经理有渠道获取数据,并建立集中的数据库是非常重要的。另外在人工智能时代我们有大量新的职位等待着新的人才。

吴恩达基于此也提出了他对人工智能公司理解。一家好的AI公司应该有以下几点侧重:

  • 数据搜集的战略:

    如何搜集数据?通过什么工作,在什么国家搜集数据,都需要明确。

  • 集中的数据库:

    如果你的公司有50个数据库(databases),如果一个工程师做某个项目的时候需要到50个数据库找数据,那是非常困难的,所以现在的趋势是要尽量把数据集中起来。

  • 普遍的自动化:

    很多AI公司正在做这件事,有很多自动化的机会。

  • 新的人才需求:

    机器学习工程师,计算机视觉算法工程师。

今天在许多人工智能公司,产品经理和工程师的工作也发生了变化:在互联网时代,如果你要做一个app,工作流程一般是产品经理来画一张图,工程师根据产品经理的这张图再去写代码。而在人工智能时代,比如你要做一个自动驾驶的产品,产品经理没办法直接做一张图,他需要把一些数据给到工程师,让工程师从数据库拿数据,然后要求达到某个数值的准确率

来自CEO们的三个问题

那么CEO们更关心什么呢?

两周前,吴恩达在自己的推特上发布了一个问题,称自己因为Landing.ai的项目到访很多国家,和非常多的CEO交流过他们的AI策略,想基于此发布一个报告,因此也向大家征集最想了解的问题。

本次演讲中,吴恩达也提出了他被CEO们问过最多的三个问题,并对此一一做出了解答:

  • 如何招聘AI人才,建立AI团队?

  • 如何挑选AI项目,哪些项目应该避免

  • AI与公司策略如何结合?

问题一:如何招聘AI人才,建立AI团队

吴恩达认为,人工智能团队的组织架构应该有以下三步:首先,借助外部资源;其次,利用外部资源,但仍需要培养内部AI团队;最后将内部AI团队与各个业务部门有机结合。

他尤其强调了企业向不同的业务部门提供人工智能培训的重要性。并详细叙述了企业应该如何运用线上教育资源进行内容策展。

随着线上数字内容的兴起,教育及培训变得越来越容易。吴恩达提出了一个新的职位概念——公司的首席学习官(Chief Learning Officer),可以利用大量的线上教育资源进行内容策展。例如发掘与筛选优质内容,整合与编辑,形成新的课程大纲;在企业内部传播与分享相关内容,并将培训计划与员工考评挂钩。

问题二:如何挑选AI项目,哪些项目应该避免

吴恩达表示,挑选人工智能项目的规模不是重点,重点是人工智能需要解决实际问题。而对于一些企业来说,可以通过投资或收购获得相关技术,并不是必须要自己独立去做。

他还提出了三条挑选人工智能项目的基本原则:

  • 挑选示范项目,成功交付,建立势头。他用自己的经历为例,提出自己在谷歌大脑的时候合作的第一个内部客户是谷歌的语音识别部门,并且通过这个项目建立了谷歌大脑的品牌。也就是说,规模不一定大,但是一定要非常有价值。

  • 与外部专家合作,加速项目启动与运行。

  • 长期来看,有一些项目只有内部团队可以胜任。

这就涉及到另一个很多公司面临的问题:自己做还是向第三方购买AI服务?

吴恩达也给出了自己的答案:对于普适性的行业解决方案,向第三方购买;对于具有业务特殊性的解决方案,需要内部构建。

问题三:AI与公司策略如何结合?

吴恩达认为,策略是复杂的,多方面的。可以选择一个核心的领域,打造属于自己的技术壁垒。

另一个很实用的建议是,不要和谷歌或者百度竞争通用AI技术,而是在自己的垂类用AI构筑技术壁垒。

在这里吴恩达举了landing.ai和中联中科在农业领域合作的例子。今年八月,中联重科宣布与吴恩达教授的人工智能公司Landing.ai签署战略合作协议。双方将携手在农业领域展开合作,共同研发基于人工智能(AI)技术的新产品,打造一支顶尖的人工智能技术团队。

赋能政府:给政府的三条人工智能发展建议

吴恩达肯定了中国,特别是南京在基本学科建设上的成绩,例如南京大人工智能学院的建立。并就政府如果发展人工智能,提出了几条建议。

投资教育以及劳动力再就业培训

在演讲中,吴恩达提出了“有条件的基本收入”概念,因为人工智能会替代一部分的工作。但是随着线上内容的兴起,人工智能捋会替代一部分的工作·。然而,随着线上内容的兴起,任何人都能够获取参与经济活动所需要的技能。

线上教育最大的问题是完成率,例如如何激励人们不只是上课,而是完成课程。对于适龄劳动人口,政府可以通过资助其学习,从而获取新的技能重新进入劳动力市场。

公共部门与私有部门结合-加速新行业发展

吴恩达认为,很多前AI时代制定的规则在AI时代将被改写,特别是在交通、航空、金融、医疗、农业、新闻媒体这些行业。

因此,政府应该更好的促进新行业发展。这里他还提到了太太和自己创办的公司drive.ai在美国德州落地的例子。“这个公司总部是在加州,但是我们却把测试放在德州,主要原因是那边政府的支持。”

运用AI改进政府治理

吴恩达认为,就像公司运用AI发觉新的生产力一样,政府也可以运用AI改进政府治理。

赋能大学:AI教育供给不足如何解决?

吴恩达在演讲中提到,当前对AI教育需求巨大,供给不足。大学作为人才培养基地,应该创新新的人才培养模式。在演讲中,吴恩达提出如果一所大学有很多AI方面的专家,可以自己教授AI,否则可以采取翻转课堂的形式。

在此,吴恩达以斯坦福的深度学习课程CS230为例,来说明这一授课模式的成功。

CS230第一年起有800名学生,现在每年教授3次,采取翻转课堂形式:学生观看线上内容(由计算机批改测验),教学助理的时间不是用来批改作业的,而是辅导以及和学生讨论项目。他认为这一方式可以拓展到全球其他国家,培养更多人工智能人才。

吴恩达指出,人工智能应该跨学科和跨领域合作,他举了斯坦福大学AI+医疗团队,36名斯坦福大学计算机学生和机器学习方向的学生,配合9名斯坦福大学医学院教授和研究人员共同工作。

本次2018中国人工智能峰会(CAIS2018)在南京国际博览会议中心召开,现场嘉宾还包括2010年图灵奖得主、美国科学院院士、哈佛大学教授Leslie Valiant,国家新一代人工智能战略咨询委员会组长、中国人工智能产业发展联盟理事长、中国工程院院士潘云鹤,国内首家C9高校人工智能学院,南京大学人工智能学院院长,ACM/AAAI/IEEE Fellow周志华教授。大数据文摘将从现场带来持续报道,敬请关注。

大数据文摘
大数据文摘

秉承“普及数据思维,传播数据文化,助⼒产业发展”的企业⽂化,我们专注于数据领域的资讯、案例、技术,形成了“媒体+教育+⼈才服务”的良性⽣态,致⼒于打造精准数据科学社区。

产业CAIS2018吴恩达
31
相关数据
吴恩达人物

斯坦福大学教授,人工智能著名学者,机器学习教育者。2011年,吴恩达在谷歌创建了谷歌大脑项目,以通过分布式集群计算机开发超大规模的人工神经网络。2014年5月16日,吴恩达加入百度,负责“百度大脑”计划,并担任百度公司首席科学家。2017年3月20日,吴恩达宣布从百度辞职。2017年12月,吴恩达宣布成立人工智能公司Landing.ai,并担任公司的首席执行官。2018年1月,吴恩达成立了投资机构AI Fund。

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。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

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。

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)

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

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。

推荐文章
hey