深度学习训练和学习方法已被广泛认可为“人性化”机器。现在在企业 AI 平台中发现的许多高级自动化功能都归功于机器学习 (ML) 和深度学习技术的快速发展。
深度学习的下一步是什么？试图回答这个最初出现在 Quora 上的问题。
2019 年深度学习深度学习评论了深度学习在人工智能的许多方面“无处不在”——无论是 NLP 还是计算机视觉应用。逐渐地，支持人工智能和深度学习的自动化系统、工具和解决方案正在渗透并接管所有业务领域——从营销到客户体验，从虚拟现实到自然语言处理 (NLP)——数字影响无处不在。
Facebook 研究人员陷入隐私困境
深度学习将成为端到端加密引发了公众对个人数据绝对隐私的要求的争议。这种消费者需求与 Facebook 当前的人工智能研究工作直接冲突。Facebook 的
人工智能研究人员需要“大量收集”个人数据来训练学习算法。
Facebook 意识到端到端加密的乌托邦概念确实是一个从大量个人数据中寻求答案的研究世界的神话。对于未来的努力，研究人员现在正在认真考虑在单个设备上的“死数据”上训练算法，而不是大量收集个人数据。在这种情况下，Facebook 工程师将直接在用户手机上安装内容审核算法，以绕过违反数据隐私的行为。
在一篇有争议的帖子中，这篇文章的作者KD掘金邮报预测深度学习可能不是人工智能的未来。根据作者的说法，这背后的原因是，未来许多 DL 方法不仅不会被投诉，而且会完全非法。该帖子还表明，未来的移动应用程序很可能没有深度学习。
支持深度学习的解决方案的另一个严重限制特征是，学习算法仍然无法提供他们选择的详细原因，这可能会促使用户盲目地接受人工智能工具提供的决策，然后为任何被拒绝的答案炮制“虚假”解释。这对于决策支持解决方案来说不是很令人鼓舞！
五到十年内深度学习的民主化
对深度学习未来的预测 声称在未来 5 到 10 年内，DL 将通过每个软件开发平台实现民主化。DL 工具将成为开发人员工具包的标准部分。可重用的 DL 组件，并入标准 DL 库，将承载其先前模型的训练特征，以加快学习速度。作为自动化深度学习工具继续存在，存在一种固有风险，该技术将发展成如此复杂的东西，以至于普通开发人员会发现自己完全无知。
关于深度学习的预测
迈向数据科学关于深度学习即将到来的未来有这样的说法：
预测 1：深度学习网络将揭开计算机内存的神秘面纱。
预测 2：神经架构搜索将在为 DL 模型构建数据集方面发挥关键作用。
预测 3： NAS 将继续使用强化学习来搜索卷积架构。
一个信息时代 文章主张支持无监督学习方法而不是训练数据。希望随着时间的推移，无监督学习将能够匹配监督学习的“准确性和有效性”。尽管有大量可用数据，但其中大部分仍然无法用于 DL 算法。
现在和未来的深度学习应用
谷歌是追求营销中的深度学习. 谷歌收购 DeepMind Technologies 震惊了商业世界。Google 的使命是让 DL 成为关心 SEO 的搜索营销人员的重要解决方案。
小企业人工智能的未来展示了人工智能在研究实验室和公司运营之间的双向移动，企业正在利用自动化人工智能工具的力量来增强客户体验或执行高速
数据分析。
2019 年机器学习和人工智能趋势展示了今年一些有趣的 AI 和 ML 趋势。最值得注意的趋势是机器学习技术和工具对现实世界的影响，因为它们开始一次改变一项业务，“从 CRM 中的聊天机器人和数字代理到虚拟现实 (VR) 驱动的车间演示”。未来的机器学习技术，包括深度学习，必须展示从有限的培训材料中学习，以及在上下文之间的迁移学习、持续学习和自适应能力，以保持有用。
一个 YouTube 视频，深度学习研究的未来，讨论反向传播，它在深度学习研究中的应用，以及在不久的将来可能超过反向传播的七种研究方法。
简而言之，深度学习的未来趋势
将深度学习推向未来的一些主要趋势是：
深度学习研究和行业应用的当前增长表明它在人工智能的各个方面“无处不在”——无论是自然语言处理或计算机视觉应用。
随着时间的推移和研究机会的出现，无监督学习方法可能会提供密切模仿人类行为的模型。
消费者数据保护法与大量消费者数据的研究需求之间的明显冲突将继续存在。
深度学习技术在“推理”方面的局限性是自动化决策支持工具的障碍。
谷歌收购 DeepMind Technologies 为全球营销人员带来了希望。
未来的 ML 和 DL 技术必须展示从有限的培训材料中学习，以及在上下文之间迁移学习、持续学习和自适应能力以保持有用。
尽管在全球流行，但深度学习可能并不是 AI 解决方案的唯一救星。
如果深度学习技术研究以目前的速度发展，开发人员可能很快就会发现自己被赶超，将被迫接受强化培训。
扫码加好友，拉您进群
全部版块
我的主页
收藏
