人工智能必須解決稀疏性挑戰 Landing AI的Gopi Prashanth說

“稀疏性，這是深度學習應該擴展的方向，” Gopi Prashanth說道，他是AI-startup Landing AI的工程副總裁，由前Google AI杰出人物Andrew Ng經營。

在接受ZDNet采訪時， Prashanth反思了為真正的大數據構建內容的挑戰，機器學習方法稱為深度學習，并且針對非常少的數據重新設計它，可能一次只有一個樣本。

這不是學術問題。Ng及其團隊的任務是讓人工智能為企業服務。這需要在一些設置中使用諸如機器學習之類的技術，其中我很少有用于訓練機器的問題的良好示例。

考慮一下汽車生產線或其他成品。它們是為可靠性而構建的系統，因此沒有很多失敗的例子可供學習。

“假設你是一名視覺質量檢驗員，而且有一部分來到你身邊”的生產線，提供Prashanth。“你通過在手中滾動那個部分并查看它以確定它是否可接受來做出決定。”

“也許1000個產品中有一個是有缺陷的，最多兩個;人類可以把這兩個例子很好地推廣出來。但教一臺機器使用一些數據樣本是一個非常難以解決的技術問題 - 它是一個我們必須解決的主要挑戰。“

Prashanth了解在現實世界中互動的系統。在亞馬遜，他參與了“亞馬遜圍棋”項目，該項目建立了人們可以直接進入并抓住東西的商店，并使用傳感器和機器視覺工程的新穎組合在以后對其進行總計計費。

當Ng與他聯系時，他在亞馬遜時，“我不打算離開，但這是一種非常個人化的方法，”他說。“他[Ng]更少談論機會，更多地談論我;他花時間看我的職業生涯和我的簡歷來了解我的優點和缺點;他把它變得非常個人化，這真的讓我感到很緊張。”

“我們談過并且發現我們有一個非常相似的愿景。”

Prashanth說，愿景是解決“許多商業問題，提前十到十五年思考”。應用科學是重點，如何改變整個公司或整個領域，如制造業或醫療保健。

他說：“我們正在進入傳統技術不重的領域，比如制造業。” “我們的假設是，我們將發現即使客戶不了解我們也能解決的問題，優化和節省成本的事情以及所有這些 - 這是我們未來的假設。” (閱讀ZDNet 12月對Ng的采訪。)

Prashanth建議，稀疏性問題是深度學習和其他AI方法崩潰的核心問題。

“深度學習是非常新生的，”他說。“它非常擅長于獲取大量數據，基本上適合超空間中的多維表面 - 一種流形，”他說，指的是代表數據點之間連接的非歐幾里德幾何的概念。