根據調研機構Gartner的統計，2018年人工智能可能為企業創造1.2萬億美元的商業價值，將比去年增加70%。

如今，人工智能(AI)正處于一個日前流行的趨勢中，企業對于一種名為“深度學習”的人工智能形式越來越感興趣。

根據調研機構Gartner的統計，2018年人工智能可能為企業創造1.2萬億美元的商業價值，將比去年增加70%。“由于計算能力、數量、速度和數據的多樣性，以及深度神經網絡(DNNs)的進步，人工智能在未來10年內有望將成為最具顛覆性的技術類別。”Gartner公司研究副總裁John-David Lovelock說。

這些深度神經網絡用于深度學習，大多數企業認為這對他們的組織很重要。 O'Reilly公司在2018年發表的題為“企業如何通過深度學習讓人工智能工作”的報告表明，接受調查的企業中只有28%在使用深度學習。然而，92%的受訪者認為深度學習將在未來的項目中發揮作用，54%的受訪者認為這種角色將是重要的或是必不可少的。

盡管深度學習似乎具有巨大的好處，但這種人工智能形式仍然還不成熟。如果深度學習技術要實現其早期的期望，研究人員和企業需要克服許多障礙。

什么是深度學習

要理解什么是深度學習，人們首先需要理解它是更廣泛的人工智能領域的一部分。簡而言之，人工智能涉及教計算機思考人類的思維方式，其中包括各種不同的應用，例如計算機視覺、自然語言處理和機器學習。

機器學習是人工智能的一個子集，它使計算機在沒有明確編程的情況下能夠更好地完成任務。企業使用機器學習來進行欺騙欺詐檢測、推薦引擎、流分析、需求預測和許多其他類型的應用。這些工具隨著時間的推移而不斷改進，因為它們攝取更多的數據，并在數據中找到相關性和模式。

深度學習是一種特殊的機器學習，在2012年，幾位計算機科學家就這個主題發表論文時表明機器學習將變得更加流行，其見解是“深刻的”，因為它通過許多不同的層來處理數據。例如，正在接受計算機視覺培訓的深度學習系統可能會首先學會識別出現在圖像中的物體邊緣。這些信息被傳送到下一層，可能會學習識別角落或其他特征。它一遍又一遍地經歷同樣的過程，直到系統最終開發識別物體甚至識別人臉的能力。

大多數深度學習系統都依賴于稱為深度神經網絡(DNN)的一種計算機體系結構。這些都是仿生的大腦生物模型，并使用所謂的“神經元”的互連節點來處理他們的工作。

深度學習用例

目前很多行業廠商正在使用深度學習來為許多不同類型的應用程序提供支持。一些最常見的包括：

?游戲：2015年，許多人開始對深度學習有所認識，當時AlphaGo公司的深度學習系統成為第一種在棋盤游戲AlphaGo中擊敗人類的人工智能系統，并且多次重復這種壯舉。據AlphaGo網站稱，“人工智能系統的表現非常令人吃驚，顛覆了人類數百年來的棋盤游戲智慧，并且已經被各級玩家廣泛檢驗。在獲勝的過程中，AlphaGo以某種方式向世人傳授了新的知識，也許是歷史上最需要研究和思考的游戲。”

?圖像識別：如前所述，深度學習對計算機視覺應用特別有用。微軟、谷歌、Facebook、IBM等已成功地使用深度學習來訓練計算機識別圖像內容和/或識別人臉。

?語音處理：深度學習也有助于識別人類語言，將文本翻譯成語音并處理自然語言。它可以幫助從他們的場景中識別單詞的含義，并且使像Siri和Cortana這樣的聊天機器人和語音助理能夠與用戶進行對話。

?翻譯：訓練深度學習系統以理解一種語言之后的下一個邏輯步驟是教會它理解多種語言并進行翻譯。幾家供應商已經做到了，現在提供具有深入的基于學習的翻譯功能的API。

?推薦引擎：用戶已經習慣于像亞馬遜這樣的網站和Netflix等服務，根據他們以前的活動提供推薦。這些推薦引擎中的很多都是通過深度學習提供支持，這使得他們能夠更好地隨著時間的推移進行推薦，并使他們能夠找到程序人員可能錯過的偏好中的隱藏關聯。

?文本挖掘：文本挖掘是對文本進行分析的過程。例如，它可以使人們確定撰寫文本的人員的感受和情緒，或者可以從文檔中提取主要想法，甚至撰寫摘要。

?分析：大數據分析已成為大多數企業開展業務的一個組成部分。機器學習(特別是深度學習)有望使預測性和前瞻性分析甚至比現有的更好。

?預測：分析最常見的用途之一是預測即將發生的事件。企業正在使用深度學習來預測客戶需求、供應鏈問題、未來收益等等。

?醫療：深度學習在醫療領域也有著無數的潛在用途。例如，它可能比放射科醫師閱讀掃描影像更好，并且可以為診斷引擎提供動力，從而增強人類醫生的能力。

在O'Reilly公司的調查中，受訪者表示他們最感興趣的是將深度學習用于計算機視覺、文本挖掘和分析。預計隨著研究人員找到應用該技術的新方法時，其潛在的用例列表將會增長。

O'Reilly公司的“企業如何通過深度學習讓人工智能工作”調查結果

深度學習挑戰

雖然深度學習具有令人印象深刻的能力，但是一些障礙正在阻礙其廣泛采用。它們包括以下內容：

?技能短缺：當O'Reilly公司的調查詢問是什么阻礙人們采用深度學習時，受訪者的第一個反應就是缺乏熟練的員工。2018年全球人工智能人才報告表明，“全世界大約有22,000名獲得博士學位的研究人員可以從事人工智能研究和應用工作，目前只有3074名候選人正在尋找這樣的工作。”企業正試圖通過培訓現有的IT人員來彌補這一缺口，但這一過程很慢。

?計算能力：深度神經網絡(DNN)需要高度先進的計算機基礎設施，通常是具有大量圖形處理單元(GPU)的高性能計算(HPC)系統，這些系統尤其擅長深度學習所需的計算類型。在過去，這種水平的硬件對于大多數組織來說成本費用太高。然而，基于云計算的機器學習服務的增長意味著組織可以在沒有高昂的前期基礎設施成本的情況下訪問具有深度學習功能的系統。

?數據挑戰：深度學習也會受到妨礙其他大數據項目的數據質量和數據治理挑戰的阻礙。用不良數據訓練深度學習模型會引發創建具有內在偏見和不正確或令人反感的結果的系統的真實可能性。數據科學家需要注意他們用來訓練模型的數據一定盡可能地準確和公正。

?批評者：有人認為深度學習本質上是危險的，因為它會放大創建系統的人的內在偏見。其他人則表示，雖然深度學習可以解決一些問題，但是該技術具有其根本的局限性，將會阻礙它在許多應用中發揮作用。雖然這些反對的聲音不太可能阻止人們采用深度學習，但它們確實似乎在一定程度上放緩了這一過程。

開源深度學習工具

許多最常見的深度學習和人工智能工具都可以通過開源許可證獲得。一些最受歡迎的工具包括以下內容：

?在O'Reilly公司對TensorFlow的調查中，61%的受訪者表示他們使用的是TensorFlow，它很容易成為當今最流行的深度學習框架。它由谷歌公司創建，是許多深度學習云計算服務的基礎。

?Keras這是O'Reilly公司研究中第二個最受歡迎的深度學習工具。這是一個基于Python的神經網絡API，與TensorFlow、Theano和Microsoft Cognitive Toolkit集成。

?O'Reilly公司對PyTorch Number 3的調查中，PyTorch是一個基于Python的深度神經網絡框架，它融合了Torch張量庫，它提供GPU加速、靈活性和速度等性能。

?Caffe由Berkeley AI Research(BAIR)創建，Caffe是一個開源的深度學習框架，擁有富有表現力的架構、可擴展的代碼、速度和強大的社區。據其網站稱，它每天可以用一個NVIDIA K40 GPU處理超過6000萬個圖像。

?Caffe2由Facebook公司開發，Caffe2建立在原來的Caffe上，并承諾具有高度的可擴展性。它是輕量級和模塊化的，網站上有大量預先訓練好的模型，可加速應用程序的開發和部署。

?MXNet這個Apache孵化項目旨在加快計算速度，尤其是深度學習期間DNN執行的計算。它擁有高性能、干凈的代碼，可以訪問高級API和低級控制。

?Gluon項目由AWS公司和Microsoft公司提供，為MXNet提供接口。預計它也將包含在未來的Microsoft Cognitive Toolkit版本中。

?微軟認知工具包(Microsoft Cognitive Toolkit)這個項目以前稱為CNTK，是一種免費、易用、開源、商業級的工具包，可以訓練深度學習算法，以便像人腦一樣學習。它支持Python、C ++、BrainScript編程語言，以及強化學習、生成對抗網絡、有監督和無監督學習。

?H2O被諸如ADP、CapitalOne、思科、Progressive、Comcast、PayPal和Macy's等公司所使用，H2O聲稱它是面向企業的第一個開源機器學習平臺，它提供了高級算法和內存處理以實現快速性能擁有大量的數據集，該公司提供基于開源項目的商業產品。

?Theano這個Python庫已被許多深度學習和人工智能應用程序使用。它提供了與NumPy的緊密集成、GPU的透明使用、高效的符號差異化等功能。

?DeepDetect這款開源深度學習服務器基于Caffe，TensorFlow和DMLC XGBoost。其知名用戶包括空客和微軟。

云端人工智能/深度學習服務