发帖
雷达卡
简介： 如果您是外部人，那么AI / ML本身就是许多领域的下一件大事。但是，如果您是数据科学家，则有可能看到那些将AI / ML推进到下一实用阶段的进步。 。
“导致AI / ML的下一件大事是…”，因为一篇文章的引语可能是自“一次”以来最被滥用的说法。认真地说，可以有多少“下一件大事”？每次阅读时，您的怀疑都不会被拉长吗？
极具诱惑力的是，应该以这种方式开始撰写文章的作者感到困惑……只是您的作者最近才真正开始时写着“ AI / ML中次重要的事情 ……”。显然，这几乎是不同的–差不多。
如果您将某物标??记为“下一件大事”，则表明您有很强的见解-或您的营销部门没有想象力。
首先，如果您不喜欢AI / ML，那么AI / ML显然是下一件大事。实际上，大多数次要事情都是此类，它们解释了AI / ML如何增强从约会生活到投资组合的一切。
但是，如果您有幸像我们的读者一样能够深入人心，那么您就会知道AI / ML的未来正在沿着许多不同的道路发展，其中某些道路应该比其他道路更重要。有些是技术性的，有些是应用程序的，有些甚至是社会性的或哲学性的。因此，如何判断下一个大问题是什么，或者至少应该确定排名是什么。
为了使这个结构有点小，我们需要一些护栏。如果是“下一个”，则时间跨度必须相当短，并且当前需要获得技术细节。这遗漏了有关超人类主义，AGI，纳米机器人学，遗传预测和神经形态硬件的所有Quora答案。
同样，如果它是“下一个”，则表示它尚未完全实现。Alexa，我的iPhone上的面部识别，我的Roomba和银行的聊天机器人都很棒，但是这些AI / ML应用程序技术已经完全实现。去过也做过。
因此，在花了几个小时与Google的甲骨文进行咨询之后，我会提供一个针对此问题的答案，但这取决于您对未来的看法。这里有四种给出不同答案的方法。
为大多数人带来最大利益的事物
这实际上是一个问题，那就是我们尚未破解的应用程序能为大多数人带来最大的益处。答案是医疗保健，无论是您目前在医生办公室中的体验方式，还是将AI / ML应用于个性化药物和药物发现的短期方法。
尽管对AI / ML的所有炒作，特别是在成像方面能够识别临床医生无法发现的MRI和实验室测试中的事物，您可能会惊讶地发现，在美国大约6
缓慢采用的原因在财务和文化上都有，文化可能更重要。有证据表明，AI / ML开发人员没有充分注意他们如何破坏医生和临床医生的工作流程，从而导致采用缓慢。
是的，机会很多：
个性化和精密医学的药物发现和创新。
实际上，在医疗保健中的所有AI / ML机会中，这一机会最遥远，主要是因为它是付费的大型制药公司，而不是保险公司。
医疗保健业务。
临床医生的操作世界可能是唯一的，但在商业级别上，医院和医疗机构与商业世界有着一些明显的相似之处。
病人摄入和转诊。
确定患者是否以及何时看医生是限制医疗保健成本的主要控制点，尤其是在单一付款人系统中。与医生的初步咨询也是一个主要的耗时，可以至少部分自动化。
临床应用–临床医生和患者之间会发生什么。又名AI / ML增强医师。
如果您希望AI / ML成功改善医疗保健，则需要深入医生和患者之间。这个机会的几个主要子集需要分别理解。
4.1医学图像的自动/半自动解释。
4.2能够更准确地识别疾病亚型-精密医学。
4.3 AI / ML驱动的分类和预防，包括制定能够提供更好结果，防止不良结果并关注异常和可预防危害的协议。
可以节省成本，提高效率并减轻低价值重复工作的人类的事情
您可能会立即以为我和机器人一样，但可能并非您想象的那样。这实际上是关于机器人（或数字）过程自动化（RPA）的。
RPA作为一种规则驱动的非AI / ML技术实际上已经存在了一段时间。当研究人员想说RPA的当前迭代实际上是AI / ML的实现时，我的羽毛feather不休。
这可能会产生误导。根据麦肯锡的一项研究，我们报告了47％的公司至少实施了一种AI / ML实施。回顾一下数据以及RPA作为最广泛报道的实例的主导地位，我们使我们认为这个数字可能大大超出了规定，可能多达一半。
但是随着RPA的发展，它确实越来越具有嵌入式AI的元素，而不仅仅是我们数据科学家习惯于思考的奇特或定制版本。例如，RPA平台越来越多地嵌入用于文本和语音通信的聊天机器人。基于深度学习的聊天机器人是一种完全成熟的技术。
同样，在那里，您会越来越发现基于CNN的图像识别技术。它隐藏在文档或屏幕识别功能中。例如，当您指示RPA引擎在其他人的日历上安排约会或进行机票预订时，面对的是识别未知屏幕上的活动元素，就像识别按下哪个按钮以输入命令一样简单。嵌入式AI / ML计算机视觉技术可以做到这一点。
如今，大多数自动化流程更多地具有任务的性质，而不是我们认为的大规模流程。该功能将继续扩展，并且如果AI / ML已完全集成并且对用户基本上是隐藏的，那么毕竟它仍然是AI / ML。
最快，最快地推动AI / ML技术能力前进的事物。
自2016年左右以来，机器学习一直没有突破性的技术，从那时起，人工智能深度神经网络也被简化为渐进式改进。我在此专栏中有两个候选人：
深度强化学习
DRL是当前使用深度神经网络进行强化学习的混搭。强化学习的神奇之处在于，它可以从本质上是一片空白，并且比人类的表现更好地发展，尤其是因为它不需要经典意义上的训练数据。从本质上讲，强化学习是一种蛮力迭代技术，与ML的进化算法没有太大区别。添加基于深度神经网络的鉴别器有望在性能上取得突破。
深度包容或上下文敏感的AI
我们在聊天机器人中可以称为意识的范围非常有限。询问天气，游戏得分或播放您喜欢的歌曲，其高级信息检索算法将符合要求。但是，如果我们希望Alexa将它已经知道的关于我们的事情整理在一起，以便在生活中提出有益的建议，那还不存在。
例如，Alexa为什么不应该记住这是我母亲的生日，并根据其对自己喜欢的事物的了解以及我与她的互动来建议一份礼物。将“故事”的上下文元素组合在一起的这种方式将使我们基于AI的虚拟助手更加有价值。
减轻对AI / ML的抵抗力的事物，以便社会可以轻松接受这种新功能
我们对新AI / ML技术的困扰或抵抗程度取决于您提出问题的方式。
如果您问公众是否喜欢互联网购物的便利，针对他们量身定制的建议，或者AI / ML启用目标定位所产生的实际成本降低，则绝对是积极的。
91％的人更喜欢提供个性化报价/推荐的品牌。
83％的人愿意被动共享数据以换取个性化的体验。
74％的人愿意积极共享数据，以换取个性化的体验。
向同一个人询问隐私问题，或让他们听到邪恶的技术如何偏向某些种族或社会经济群体，并且他们的态度发生了巨大变化。媒体很快得知，发布有关数据泄露的拇指书比滑稽的猫视频能更快地使我们点击。
尽管我们最准确的模型以难以解释的复杂程度来分类，但实际上，我们在透明度和可解释性技术上取得了重大突破。
但是，除了简单的透明性之外，我还要指出，我们展示和解释因果关系的能力是下一个前沿领域。可以使用这些技术，但是到目前为止，没有足够的需求将这种级别的复杂性添加到我们的算法中。既然社会压力变得很大，因果关系可能是允许公众接受AI / ML的好处的下一个最重要的事情。
关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！
京公网安备 11010802022788号
