共计 1808 个字符，预计需要花费 5 分钟才能阅读完成。
当机器人玩家在驰名的 AlphaGo 游戏中击败人类玩家时，深度学习 (DL) 一夜成名。深度学习训练和学习办法已被宽泛认可用于“人性化”机器。当初在企业 AI 平台中发现的许多高级自动化性能都归功于机器学习 (ML) 和深度学习的疾速倒退技术.
这 比照帖 对于 AI、ML 和 DL 探讨了 DL 在 AI 的许多方面“无处不在”——无论是 NLP 还是计算机视觉应用程序。逐步地，反对 AI 和 DL 的自动化零碎、工具和解决方案正在浸透并接管所有业务部门——从营销到客户体验，从虚拟现实到自然语言解决 (NLP)——数字影响无处不在。
Facebook 钻研人员陷入隐衷窘境
这里有一个 回顾 2018 年的争议超过公众对集体数据相对隐衷的要求。这种消费者需要与 Facebook 以后的 AI 钻研工作间接抵触。Facebook 的人工智能钻研人员须要“大量收集”集体数据来训练学习算法。
Facebook 意识到端到端加密的乌托邦式概念在钻研界从成堆的集体数据中寻求答案的确是一个神话。对于将来的致力，钻研人员当初正在认真思考在单个设施上的“死数据”上训练算法，而不是大量收集集体数据。在这种状况下，Facebook 工程师将间接在用户手机上安装内容审核算法，以绕过数据隐衷进犯。
在一个 人工智能倍数 在文章中，作者具体介绍了几种独特的 DL 办法，例如自监督学习、FLS 和基于 GAB 的数据加强，这些办法可能会在围绕许多深度学习办法的保质期的争议中幸存下来。
反对 DL 的解决方案的另一个重大限度特色是学习算法依然无奈提供其抉择的具体起因，这可能会促使用户自觉地承受 AI 工具提供的决定，而后为任何被回绝的答案假造“虚伪”解释。这对于决策反对解决方案来说并不是很令人鼓舞！
五到十年深度学习民主化
多年来，AI 业内人士始终认为 整个机器学习环境 应该民主化。DL 工具将成为开发人员工具包的规范局部。纳入规范 DL 库的可重用 DL 组件将携带其先前模型的训练个性以减速学习。随着深度学习工具的自动化一直倒退，存在一种外在的危险，即该技术会倒退成如此简单的货色，以至于一般开发人员会发现自己齐全无知。
对于深度学习的新预测
出的 前 10 个预测 对于 2022 年的深度学习，以下是往年值得关注的一些内容：
集成混合模型
深度学习在神经科学中的利用
通用反抗网络 (GAN)
边缘智能的应用
NLP 更上一层楼
当初和将来的深度学习利用
谷歌是谋求的先驱营销中的深度学习. 谷歌收买 DeepMind Technologies 震惊了商业世界。Google 的使命是使 DL 成为关怀 SEO 的搜寻营销人员的重要解决方案。
ML 技术和工具在事实世界中最显着的利用趋势是，它们开始一次将一项业务转变为“从 CRM 中的聊天机器人和数字代理到虚拟现实 (VR) 反对的车间演示”。包含 DL 在内的将来 ML 技术必须展现从无限的培训资料中学习，并在上下文、继续学习和自适应能力之间迁徙学习，以放弃有用。
深度学习的弱小技术已在语音和面部辨认或图像分类等风行利用中屡次应用。最近的利用和用例包含假新闻检测、医疗保健预测模型以及主动图像和手写生成。
将来趋势简而言之
将深度学习推向将来的一些次要趋势是：
以后 DL 钻研和行业利用的增长表明它在 AI 的各个方面“无处不在”——无论是自然语言解决或计算机视觉应用程序。
随着工夫的推移和钻研机会的减少，无监督学习办法可能会提供十分模拟人类行为的模型。
消费者数据保护法与大量消费者数据的钻研需要之间的显著抵触将持续存在。
深度学习技术在“推理”能力方面的局限性妨碍了自动化决策反对工具的倒退。
谷歌对 DeepMind Technologies 的收买为寰球营销人员带来了心愿。
将来的 ML 和 DL 技术必须证实从无限的培训资料中学习，并在上下文、继续学习和适应能力之间迁徙学习，以放弃有用。
如果深度学习技术钻研以目前的速度倒退，开发人员可能很快就会发现自己掉队了，将被迫承受强化培训。
对深度学习的职业感兴趣？
依据您是齐全的老手还是曾经在其余数据迷信畛域有教训，您可能相熟以下一些 有助于发展深度学习职业的有用技巧：
摸索深度学习的宽泛畛域并放大您的关注范畴。
思考到特定的重点畛域，下一步就是造就相干的编程语言。例如，如果您的重点畛域是 ML 算法，那么造就 Python 语言技能将会有所帮忙。
一直进步您的剖析技能同样重要。为此，您可能须要查看培训网站并尝试他们的练习。
最初，查看工作网站上的理论工作形容可能会加强您对深度学习工作角色和职责的理解。
更多内容请关注 OushuDB 小课堂
