人工智能有片刻。一個人只需要每周隨意瀏覽新聞，看看人工智能和機器學(xué)習的話題已經(jīng)像常春藤一樣增長，將其卷須擴展到各種故事中，例如種族偏見，雇用和確定蜘蛛。

但是，對于我們在收件箱，雜志和晚間新聞中對AI的所有不同應(yīng)用，工程界以外的人很少對術(shù)語的真正含義或我們越來越依賴的機器人和算法如何知道如何做有深刻的了解人類分配給他們的復(fù)雜工作。

對于初學(xué)者來說，機器學(xué)習中涉及的機器比人形助手更可能采用無形的蜂巢形式。

在女仆羅西（Rosie）首次在《杰森一家》上迷住了美國黃金時間電視觀眾后近60年，幾乎所有業(yè)務(wù)領(lǐng)域都對機器人的思想和算法提出了要求。

用上下文和經(jīng)驗來充實這些機器頭腦需要教學(xué)和培訓(xùn)。但是人類只能教這么多的人工智能，或者至少只能教這么大的規(guī)模。

因此，機器學(xué)習是超出此范圍的研究領(lǐng)域，其中使用大量數(shù)據(jù)緩存來教授所討論的算法和物理機器。機器學(xué)習有許多不同的學(xué)科，深度學(xué)習是其中的主要子集。

深度學(xué)習利用神經(jīng)網(wǎng)絡(luò)層從數(shù)據(jù)集中學(xué)習模式。該領(lǐng)域最初是在大約三十年前構(gòu)思的，但由于這一代計算能力的局限性而沒有得到普及。

但是正如摩爾定律所規(guī)定的那樣，即使成本降低了一半，微芯片上的晶體管數(shù)量也會每兩年增加一倍，從那以后，人類教導(dǎo)機器進行自我思考的能力就呈指數(shù)增長。實際上，人工智能的學(xué)習速度現(xiàn)在已經(jīng)完全超過了摩爾定律。

這些條件意味著深度學(xué)習最終將受到深度神經(jīng)網(wǎng)絡(luò)算法爆炸性潛力的驅(qū)動，該算法需要大量計算，但如果有足夠的計算能力和數(shù)據(jù)集，最終將非常強大。

但是，既然這些機器能夠?qū)W習極其龐大和復(fù)雜的數(shù)據(jù)集，誰來教這些機器？誰決定AI需要知道什么？

首先，工程師和科學(xué)家決定AI的學(xué)習方式。然后，領(lǐng)域?qū)＜視�針對正在解決的任務(wù)范圍內(nèi)的機器人，如協(xié)助倉庫物流專家，醫(yī)學(xué)影像專家或安全顧問，提出建議。

AI如何處理這些輸入分為兩個不同的類別：規(guī)劃和學(xué)習。

規(guī)劃涉及所有變量都已已知的場景，而機器人只需要以其移動每個關(guān)節(jié)的速度即可完成諸如抓取物體之類的任務(wù)。

另一方面，學(xué)習涉及一個更加結(jié)構(gòu)化，動態(tài)的環(huán)境，在這種環(huán)境中，機器人必須預(yù)料到無數(shù)不同的輸入，并在此過程中做出相應(yīng)的反應(yīng)。

學(xué)習可以通過許多不同的形式進行，但其中三種是：演示包括通過指導(dǎo)實踐對機器運動進行物理訓(xùn)練。仿真是通過3D人工環(huán)境進行的，振工鏈工業(yè)自動化平臺。

最終，可以向機器饋送人員或其他機器人執(zhí)行自己希望掌握的任務(wù)的視頻或數(shù)據(jù)。所有這三個代表訓(xùn)練數(shù)據(jù)的類型，是AI算法可以用來識別和學(xué)習的帶標簽或帶注釋的數(shù)據(jù)集。

對于當今復(fù)雜的機器學(xué)習行為而言，培訓(xùn)數(shù)據(jù)變得越來越必要。為了使ML算法能夠選擇數(shù)據(jù)中的模式，ML團隊需要向其提供大量準確的訓(xùn)練數(shù)據(jù)。

數(shù)據(jù)的準確性和豐富性對于成功至關(guān)重要。大量不正確或損壞的數(shù)據(jù)將導(dǎo)致算法無法正確學(xué)習或得出錯誤的結(jié)論。

如果您的數(shù)據(jù)集中在火車上，并且輸入了獅子的圖片，那么您仍然會乘坐火車。

這被稱為缺乏適當?shù)臄?shù)據(jù)分配。訓(xùn)練數(shù)據(jù)不足會導(dǎo)致學(xué)習曲線過高，可能無法充分發(fā)揮其設(shè)計潛力。

足夠的數(shù)據(jù)涵蓋大多數(shù)想像的場景和邊緣情況，對于進行真正的學(xué)習至關(guān)重要。

機器學(xué)習目前正在廣泛的行業(yè)中部署，從房地產(chǎn)和財務(wù)計劃到文學(xué)和詩歌。

目前，無人駕駛車輛正在協(xié)助建筑業(yè)，部署在無數(shù)的現(xiàn)場作業(yè)現(xiàn)場。

建筑公司使用諸如Superb AI之類的數(shù)據(jù)培訓(xùn)平臺來創(chuàng)建和管理可教授ML模型的數(shù)據(jù)集，從而避免人類和動物進入并進行組裝和建造。

在醫(yī)療領(lǐng)域，國際知名大學(xué)的研究實驗室部署了培訓(xùn)數(shù)據(jù)，以幫助Computer Vision模型識別MRI和CT掃描圖像中的腫瘤。

這些最終不僅可以用于準確診斷和預(yù)防疾病，還可以訓(xùn)練醫(yī)療機器人進行手術(shù)和其他挽救生命的程序。

訓(xùn)練有素的機器人尋腫瘤助手可以整夜執(zhí)行工作，甚至在墓地輪班的醫(yī)生和護士一天回家之后也是如此。

培訓(xùn)數(shù)據(jù)，機器學(xué)習和人工智能具有巨大的機會，最終可以幫助機器人發(fā)揮其潛力，以釋放醫(yī)療和技術(shù)突破，減輕人類的單調(diào)和艱巨的勞動，甚至縮短40小時的工作時間周。

采用復(fù)雜機器學(xué)習計劃的技術(shù)公司有責任在公眾中進行教育并建立信任，以便可以使這些進步真正幫助提升人類水平。

但是人類在這里也要承擔責任，因為他們有責任對這些新興的學(xué)習領(lǐng)域進行教育和熟悉。

工程師和數(shù)據(jù)分析人員將在教學(xué)和培訓(xùn)機器方面盡最大的努力來最好地為我們提供幫助。

但是，輿論本身就是一種強大的杠桿，當然可以利用它來幫助塑造和構(gòu)筑我們?nèi)藱C教學(xué)與合作的未來，振工鏈工業(yè)自動化平臺。