AI前線導讀:
剛剛過去的一年裏,有哪些值得一讀的人工智能和機器學習的文章呢?Daniel Smith 爲我們帶來了他們整理的自己最喜歡的 12 篇關於人工智能和機器學習的文章,乾貨滿滿!
更多優質內容請關注微信公衆號“AI 前線”(ID:ai-front)
對人工智能新聞業來說,2018 年可謂一個豐收年。雖然對於整個人工智能領域來說,這究竟是一種助力還是一種阻礙,還有待商榷,但毫無疑問的是,人工智能生態系統是一個值得探索的、無窮無盡的迷人主題。無論你是喜歡技術上的深度潛水,還是更爲隨意的想法,炒作中都隱藏着一些寶石。
我們已經回顧了 2018 年我們自己所發的文章《Gengo’s 5 most popular AI blog posts of 2018》(https://gengo.ai/articles/gengo-popular-ai-blog-posts-2018/ ),但我們也花了一些時間來回顧網上的文章,這些文章讓我們在今年裏一直保持關注。這些內容涵蓋了從人工智能在電視遊戲方面的進展到精神病學的算法。我們整理了過去一年來,我們最喜歡的 12 篇關於人工智能和機器學習的文章。
1. Stop Feeding Garbage to your Model: The 6 Biggest Mistakes with Datasets and How to Avoid Them
Hacker Noon:《停止向模型饋送垃圾:數據集的六個最大錯誤及如何避免》
從低質量到不平衡的類,有太多的因素會阻礙你的數據集成爲最好的數據集。作者 Julien Despois 在文中提出的建議,指出瞭如何將數據集變得更好的途徑。
文章鏈接:
2. The Most Important Skills for a Data Scientist
semanti.ca:《數據科學家最重要的技能》
在 Reddit 年度機器學習的頂級文章之一中,semanti.ca 彙總了這份不錯的清單,列出了作爲數據科學家,在 2019 年繼續發展所需的所有技能。
文章鏈接:
https://semanti.ca/blog/?the-most-important-skills-for-a-data-scientist
3. How Teaching AI to be Curious Helps Machines Learn for Themselves
The Verge:《如何教會人工智能變得好奇,助力機器自我學習》
有些遊戲,對機器來說比其他遊戲更難打敗。James Vincent 探索了一種方法,該方法在擊敗 Montezuma’s Revenge(譯註:一種祖瑪遊戲),其侷限性以及爲改進它所做的工作,證明了比強化學習更有效。
文章鏈接:
4. AI Keeps Mastering Games, But Can It Win in the Real World?
The Atlantic:《人工智能一直在掌控遊戲,但它能在現實世界中獲勝否?》
衆所周知,像 AlphaGo 這樣的機器學習模型可以在超人類的水平上贏取棋盤遊戲。The Atlantic(《大西洋月刊》)的這篇文章深入探討了我們從構建機器到掌控這些環境所學到的東西,以及我們在將這些知識應用到現實世界中所面臨的挑戰。
文章鏈接:
5. Through All the Hype, Self-Driving Cars Remain Elusive
The New York Times:《儘管大肆宣傳,自動駕駛汽車仍然遙遙無期》
鑑於公衆對自動駕駛汽車的憤怒,平衡期望和現實可能是一項困難的任務。The New York Times(《紐約時報》)的這篇文章在以一種有節制的方式應對炒作方面做得很好,分析了一些新的潛在玩家利用人們的駕駛方式即將發生的改變。
文章鏈接:
https://www.nytimes.com/2018/11/27/business/self-driving-cars-autonomous-vehicles.html
6. AI Has Started Cleaning Up Facebook, but Can It Finish?
Wired:《人工智能已開始清理 Facebook,但它能完成嗎?》
2018 年對 Facebook 來說是艱難的一年。在幾起重大丑聞的衝擊下,在平臺上加強內容審查的必要性變得更加強烈。Wired(《連線雜誌》)的這篇文章探討了目前處理 Facebook 內容審查的算法和人機迴圈(human-in-the-loop)系統,然後詳細描述了他們在試圖防止平臺濫用方面面臨的問題。
文章鏈接:
https://www.wired.com/story/ai-has-started-cleaning-facebook-can-it-finish/
7. How Cheap Labor Drives China’s A.I. Ambitions
The New York Times:《廉價勞動力如何推動中國人工智能野心》
Li Yuan 介紹了中國新裝配線背後的工人和企業主,大量生產的標註數據推動了中國蓬勃發展的人工智能行業。
文章鏈接:
https://www.nytimes.com/2018/11/25/business/china-artificial-intelligence-labeling.html
8. AI as Talent Scout: Unorthodox Hires, and Maybe Lower Pay
San Francisco Chronicle:《人工智能作爲人才星探:非正統的僱員,也許薪水更低》
在一篇關於招聘的有趣文章中,探討了人工智能是如何被用來填補勞動市場緊張的職位空缺,如數據科學;以及它對未來招聘人員尋找人才的方式的潛在影響。
文章鏈接:
9. Can We Trust AI if We Don’t Know How it Works?
BBC:《如果不知道人工智能是如何工作的,我們還能信任它嗎?》
BBC 這篇文章揭開了神經網絡的面紗,揭示了神經網絡背後的數以百萬計的參數,以及它們對那些秉承價值觀高於一切的社會各界意味着什麼。
文章鏈接:
https://www.bbc.com/news/business-44466213
10. Unbiased Algorithms can Still Be Problematic
TechCrunch:《無偏算法仍存在問題》
人工智能記者已經多次討論過人類偏見對算法的影響。然而,這篇文章認爲,即使我們改進訓練數據,這些問題並不會輕易消失。通過與幾位專家的討論,Megan Rose Dickey 研究了其中的一些問題,以及爲什麼這些問題如此難以解決。
文章鏈接:
https://techcrunch.com/2018/09/30/unbiased-algorithms-can-still-be-problematic/
11. Are you Scared Yet? Meet Norman, the Psychopathic AI
BBC:《你害怕了嗎?遇見 Norman,變態的人工智能》
通過令人不安的墨跡測驗,該文章闡述了有缺陷數據的潛在嚴重後果。Norman 對圖片令人震驚的解釋,表明了訓練數據的質量與創建的模型構成之間牢不可破的聯繫。
文章鏈接:
https://www.bbc.com/news/technology-44040008
12. The Spooky Genius of Artificial Intelligence
The Atlantic:《人工智能的幽靈天才》
Derek Thompson 這篇文章探討了什麼是智能的含義,利用人工智能和自然界之間的相似之處來挑戰傳統的機器學習的侷限性。
文章鏈接:
原文鏈接:
https://gengo.ai/articles/12-best-ai-and-machine-learning-articles-of-2018/