AI الآن موضوعا ساخنا جدا، والمجتمع كله في المناقشة. ونحن بأشد القلق، AI المحطة التالية ستكون إلى أين تذهب؟ بسبب بعض الأحداث الأخيرة، وعلينا أن نواصل يتأمل. الآن المجتمع كله لرأي منظمة العفو الدولية، فقد كان متفائلا بشأن التحول الشامل من وجهات النظر الإيجابية والسلبية على حد سواء. نقترح أفعال جيدة المؤقت، أولا وقبل كل يريد بالطبع أن نرى، AI تفعل في الواقع الكثير من الأشياء الجيدة. على سبيل المثال، يمكن لمنظمة العفو الدولية تسمح للصناعة لتحقيق تنمية برات آند ويتني، من النطاق الضيق فقط لخدمة كبار الشخصيات، أصبح برات آند ويتني لخدمة الجمهور يمكن ان تحصل. على سبيل المثال، سلسلة من AI + والتمويل AI +، AI التعليم +، AI + المدينة الذكية، AI + عمليات الانقاذ، AI + لصالح الفقراء وزراعية ... إلخ، وليس تعداد هنا.
ولكن من ناحية أخرى، ومعظمنا ربما لا يعرفون، AI هناك العديد من العيوب المتأصلة. أولا، تقنيات AI تعتمد بشكل كبير على البيانات كبيرة، يمكن أن يؤدي إلى القيود التي لا مفر منها منظمة العفو الدولية تبدو منحازة. إذا AI هي سيارة، نفس البيانات والنفط، لتوفير الوقود للمحرك. جودة البيانات، ويحدد ما يمكن القيام به لمنظمة العفو الدولية في نهاية المطاف. إذا كان نظام AI بيانات منحازة نسبيا، ويصبح AI نظام التحيز مشكلة خطيرة جدا. على سبيل المثال، إذا كان الناس البيانات المقدمة من المستخدمين الذكور، تبين أن النظام ليست سوى نموذج الخدمة للرجال وليس للنساء عمدا الخدمة. ثانيا، AI والتعاون البشرية لا تزال عقبات كبيرة. وقبل قليل كنا نتحدث عن تحطم طائرة بوينغ، والسائق ونظام الطيار الآلي هي لعبة مفرغة من العواقب، وخسر في النهاية للبشرية النظام الآلي. منظمة العفو الدولية أن هناك العديد من القضايا التي لم تحل بعد، على سبيل المثال نظام AI تفسيرها موثوقية النظام AI والمصداقية والإنصاف، والتي نحن الآن على حافة القطع.
عدم توافر البيانات الكبيرة
- عصر البيانات الكبيرة وصلت حقا حتى الآن؟
أولا وقبل كل شيء، ونحن نعلم أن منظمة العفو الدولية لا ينفصل عن البيانات، وأريد أن أؤكد أن عدم توافر البيانات الكبيرة. الآن أقول عموما نحن ندخل عصر البيانات الكبيرة اليوم، ولكن أريد أن أقول لكم أن هذا ليس صحيحا، نحن لم ندخل عصر البيانات الكبيرة. في حين تستمر جوجل والفيسبوك وغيرها من الشركات الكبرى في حالة البيانات إلى زيادة والنظام يصبح أكثر وأكثر المعلقة، ونسبة الخطأ هو الحصول على أقل وأقل، مؤشرات الحصول على أفضل. ومع ذلك، بالإضافة إلى هذين العملاقين، لا يزال لديهم الكثير من البيانات؟ نظام معالجة اللغات الطبيعية جوجل، والوصول إلى شبكات البيانات وكلها تقريبا من اللغة الطبيعية في العالم تستخدم للقيام التدريب، ولكن فقط بعد جوجل لديها موارد البيانات هذه. نلقي نظرة من حولنا، سواء كان ذلك في وجهه البيانات القانونية والمالية، أو الطبي والصغيرة، وهو ما يعني أنه لا يمكن الحصول على ما كنا نتصوره بيانات الأرباح + AI كبيرة. حقيقة الأمور سوءا، والمجتمع الآن لبيانات كبيرة إشراف أكثر صرامة. دعونا نقول الفيسبوك تتعرض في الآونة الأخيرة سلسلة من الحوادث تسرب البيانات، وكان تحديا جمهور ضخم. وقد أدخلت أوروبا أيضا التشريعات المقابلة لحماية البيانات الشخصية، أصدر الاتحاد الأوروبي GDPR ( "البيانات العامة ائحة حماية"). في الصين هناك "قانون أمن الشبكات" وقانون شبكات البيانات الأخرى الشخصية حماية الخصوصية واللوائح، وكذلك القوانين ذات الصلة وتختمر أكثر صرامة. توضح هذه الحالات، والحالي ليست كما انتشارا ونحن نشعر أننا دخلنا عصر البيانات الكبيرة، بل على العكس من ذلك، فإننا نواجه الآن مع عدد كبير من الجزر من البيانات، بما في ذلك شركة BAT بعض البيانات الداخلية بين الإدارات معزولة.
التعلم نقل: واحدة من الأدوات الجديدة
- بيانات من الصغيرة الى البيانات الكبيرة
كباحث التكنولوجيا AI، نقوم به بعض الأبحاث المتطورة في العالم، في محاولة لمواجهة التحديات بيانات كبيرة سببها خلل من قبل AI. الأول يسمى دراسة الهجرة، في بيئة البيانات الكبيرة، دربت نموذج عام جيد جدا، ثم تهاجر هذا النموذج على أي واحدة من المهام ذات الصلة الى مكان الحادث لمعرفة ما اذا كان يعمل. إذا كان ذلك ممكنا في السيناريو الجديد، ليست هناك حاجة لإعادة اكتساب-بيانات كبيرة. هذا هو نهج قوي جدا لمعالجة عيوب البيانات الكبيرة.
التعلم نقل، غير مألوفة جدا مع وسائل الإنسان لدينا التعلم. إذا كنا قد تعلمنا ركوب الدراجة، فمن السهل لتعلم ركوب دراجة نارية. هذه القدرة على ترحيل، لذلك نحن تعلمت شيئا واحدا، وسوف يتعلمون عن طريق القياس، لتعلم الكثير من الأشياء الأخرى. الكمبيوتر في المشهد دراسة متعمقة لهذه العملية هو كيفية تحقيق ذلك؟ لنفترض أن لدينا تم بناء نموذج الأزرق تماما، وهناك من لم بنيت أيضا ما يكفي من البيانات ونموذج الشرح سيئة للغاية مهمة الحمراء الجديدة. اذا كنا نستطيع ربط بين القضيتين، يمكنك التحرك بحرية من الأزرق إلى الأحمر، لتحقيق تأثير التعلم الهجرة.
أولا وقبل كل شيء، وفائدة الهجرة هي أكبر دراسة من نطاق تطبيق نموذج توسيع نطاق واسع. في مجال الكمبيوتر نسميه "قوية"، وهذا هو القول مرة أخرى كيف يمكن للتغييرات في البيئة الخارجية، وأداء النظام سيكون يدل على استقرار نسبي.
ثانيا، إن الهجرة يمكن أن تستخدم لدعم تعلم الحوسبة الحافة. "حافة الحاسبات" الآن كلمة الساخنة، ربما يعني أن الكثير من النماذج والعملية نفسها يمكن القيام بها في نهاية المطاف، لا تبقي البيانات سليمة إلى سحابة. الاستفادة من هذا هو تقليل متطلبات عرض النطاق الترددي، تم تخفيض تسرب الخصوصية إلى حد كبير، لأن الحاجة إلى تمرير الغيوم ليست سوى بعض من المعايير الأساسية فقط. لماذا يمكن التعلم نقل تحقيق هذا التأثير؟ لأن الغيوم مرة واحدة كانت نموذجا قويا، نشرت على هامش حول حواف قد تستخدم قوة الحوسبة الخاصة بهم إلى السلطة نفسها، للتكيف مع مهامهم. هذا هو الاستفادة من الحوسبة الحافة. ولذلك، فإن الهدف النهائي هو تحقيق نقل البيانات من كبير إلى بيانات صغير، مشهد جديد من محول المشهد القديم.
الهجرة إلى تعلم كيفية تحقيقه؟
وجد أن المتغير في مختلف المجالات
ثم، في المشهد دراسة متعمقة للتعليم الهجرة هو كيفية تحقيقه؟ على سبيل المثال، السيارات المحلية، ويجلس السائق على الجهة اليسرى من السيارة، وقاد في هونغ كونغ، والسائق يجلس في حق السيارة. إذا ذهبنا إلى هونغ كونغ لاستئجار سيارة، وكان قادرا على التكيف بسرعة مع عادات القيادة. وراء السبب هو أن الوضع النسبي للسائق وخط الوسط الطريق هو ثابت. وهذا يعطي لنا مصدر إلهام، والتعلم للقيام بهذه الهجرة، يجب علينا العثور على الثوابت اثنين في مجالين مختلفين.
دراسة المشهد العمق، وسيتم تقسيم البيانات من مدخلات الانتاج في مستويات مختلفة، وعمق التعلم العصبية. لاحظنا على مختلف المستويات، من معظم مدخلات مؤخرا من أدنى مستوى إلى أعلى مستوى الأقرب لهذه المهمة، كل هجرة هي مختلفة جدا. وأقوى من القدرة على الهجرة أقرب إلى طبقة المدخلات، لمعرفة أفضل. للصور، واذا كنا يمكن وضعها على مقربة من مستوى مساهمة الهجرة في الماضي، ثم ما تبقى من العمل وليس ذلك بكثير، لا تحتاج الكثير من البيانات لإعادة قيام بهذا التدريب. باستخدام هذه الطريقة، ونحن يمكن أن تخلق مجموعة جديدة من الخوارزميات، مثل ما يسمى تمرير من خلال الدراسة والهجرة، وعدم التحرك من منطقة واحدة من الحقل مباشرة لهذه المهمة، ولكن الانتقال من الأول إلى الثاني، ومرة أخرى من اثنين من هاجر إلى المركز الثالث، الذي يمر في منعطف. مثل هذا التأثير نقل وواضح.
وقد أعطى ومن الأمثلة الحديثة من جامعة ستانفورد لنا مصدر إلهام كبير. أنها تستخدم صور الأقمار الصناعية لمراقبة القارة الأفريقية، من أجل تحديد المناطق التي تحتاج إلى مزيد من التمويل من الأمم المتحدة. في الماضي، هذا العمل هو الحاجة إلى تحقيق البشري، ومكلفة وبطيئة جدا. ولكن يمكنك الآن نقل التعلم، وخاصة التعلم لتحقيق نقل الهجرة. الصور الأولى من الاعتقالات التعسفية وحتى الصور على الانترنت لأسفل، بالصور مقارنة، يمكن ترحيل لمهمة الحد من الفقر، حققنا نجاحا كبيرا. ومن الممارسات النموذج الرابع للشركة، هو مثال على دراسة البيانات من كبير إلى ترحيل البيانات الصغيرة. في ذلك الوقت كانت المهمة هي أن تفعل نموذج التسويق الفاخرة المنتج سيارة، الأمر الذي يتطلب الجمهور للتعرف على الأكثر بين الجماهير إمكانية المستهدفة. ولكن المشكلة هي أنه لا يوجد بيانات كافية لتدريب نموذج، وذلك لأن عدد من السيارات الفاخرة هو دوران القليل جدا. أنها تستخدم أنماط الهجرة الدراسة، مع الكثير من المشاهد القروض الصغيرة، وأكثر من مليون للقيام بيانات التدريب، ومن ثم ترحيل لتشكيل المشهد التداول نموذج سيارة فاخرة. تأثير يجعل نتائج التسويق الماضي تحسنت كثيرا.
وبالإضافة إلى ذلك، فإننا يمكن أن تستخدم عناوين الصحف وظيفة الموصى بها اليوم، أو الهاتف الخليوي APP، التي أوصت الاستراتيجية هو شخصي، شخصية، يمكن هذه الاستراتيجية أيضا القيام هجرة. على سبيل المثال، في المشهد التالي، استخدمت آلة التعلم لتدريب جيدة نموذج التوصية، للمستخدمين قراءة هذا المحتوى، والتي ينبغي سحب عدد من الأخبار أو الفيديو. لا يمكن للنظام تهاجر من منطقة إلى منطقة أخرى، مثل كنت شاهدت فيلم الفيديو والموضوعات ذات الصلة التلفزيون، ثم خوارزمية يمكن ترحيل إلى عدد من الأفلام الروائية الفيديو، والفيديو الأخبار قطعة. وتسمى هذه الخوارزمية تعزيز التعلم، فإنه يمكن أيضا أن تستخدم للهجرة.
تحليل الرأي العام هو تطبيق سيناريوهات مفيدة بشكل خاص، مثل مزودي الكهرباء لديها الكثير من المستخدمين الرسالة التالية، وعادة ما سيتيح الكمبيوتر لوضع مئات الآلاف من التعليقات المستخدم في الإيجابية والسلبية. وهذا يتطلب الكثير من التسمية، وتتميز بعض الكلمات الرئيسية بها. عندما وصلنا إلى مشهد جديد، مثل بيع الكتب، وبيع اللعبة، مع دراسة الهجرة في وقت لاحق، يمكنك حفظ الكثير المسمى إعادة عبء العمل بشكل جيد تعزيز تأثير. هنا، فإننا نقترح دراسة مفهوم يسمى المواجهة. هذا هو الاحدث في تعلم الآلة، وعمق مجال تطوير التعلم بسرعة كبيرة في اتجاه واحد. وخلاصة القول هي أنه إذا كنا نواجه مشهد بيانات صغير، لا أعرف كم قوة ما يلزم لبيانات إعادة تسمية، وهذه المرة بطريقة جيدة هو العثور على مكان الحادث بالفعل كانت بعض النماذج، وترحيلها. هذا المفهوم هو أن بدأنا قبل 20 عاما في جامعة هونغ كونغ للعلوم والتكنولوجيا، ولها الدور الريادي في جميع أنحاء العالم. واستشهد مقالاتنا أكثر من 5000، وهو شخصية مؤثرة جدا. حاليا، BAT، وجوجل، الفيسبوك تستخدم التعلم نقل، في محاولة لتوسيع تطبيق سيناريوهات. أندرو نغ حتى نقول أن تعلم التنقل هو ساحة المعركة القادمة يشرف التعلم.
أدوات جديدة II: دراسة الاتحادية
- بيانات من الطفولة إلى "البيانات الكبيرة"
المنطقة الثانية هي دراسة الاتحادية. البيانات تم تجزئة نفسها، في شكل الجزيرة، إذا كانت هذه البيانات يمكن أن يجتمع في العالم الافتراضي في سياق آمن، في حين لم يكشف خصوصياتهم، وإقامة جيدة كما شكل النموذج السابق بيانات من الصغيرة الى القدرة على تجميع البيانات الكبيرة.
عندما يكون هناك الكثير من الصوامع البيانات، لا توجد وسيلة لدمج، وشخص الغش. مثل بيانات الفيسبوك إلى شركة أخرى، وتستخدم النتائج لنشر أخبار كاذبة، وذلك للخطر الفيسبوك أيضا. وجاء الخبر إلى النور، انخفض سعر سهم الفيسبوك في وقت لاحق. من أجل منع وقوع حوادث مماثلة من الحدوث، وإدخال الأوروبي من فاتورة GDPR، وإعطاء حماية موثوقة من التشريعات الخصوصية. كاليفورنيا أدخلت مؤخرا تشريعات مماثلة، فقد حان التشريع الصيني على أمن البيانات إلى مستوى اللجنة الدائمة. تحت طبقات من القيد، إذا كانت الشركة بجمع بيانات المستخدم، تفعل أشياء أخرى، أن تأكد من الحصول على موافقة المستخدم، وإلا لا يجوز. إذا كنت نادما على ذلك، وأنا لا أريد البيانات الخاصة بهم لاستخدامها، فإن الشركة لا يمكن أن تعتمد البيانات ذات الصلة في هذا النموذج. هذا الوضع، في الواقع، تعلم الآلة، تقدم مزيد من تطوير AI تحديا كبيرا، مما تسبب في خوارزمية سلسلة كاملة يجب أن يكون المعاد تشكيلها. الصوامع البيانات، والأنظمة تشديد على نحو متزايد، فقد أصبح من مقاومة كبيرة لتطوير منظمة العفو الدولية. إذا كان هناك لا يزال تعلم عميقة تبدأ يفعلون، لا يوجد نظام توصية السيارة، جعل، هذه الشركة لا مستقبل له.
التكامل: البيانات من الصغيرة الى تحالف البيانات الكبيرة الصوامع
مواجهة مقاومة كبيرة، ويتم دراسة الاتحادية. وهذا يتطلب تكامل البيانات من البداية. وكالات مختلفة وبيانات مختلفة، البيانات سلوك المستخدم نفسه هو X، البيانات الناتجة هي Y. على سبيل المثال، المشي المستعمل حولها مع الهاتف الخليوي، ونقل البيانات GPS عادة ما تتولد البيانات X. عموما، هذا السلوك دون أي بيانات X هو هادف. البيانات Y لغرض، وخاصة لأغراض تجارية. ولذلك، فإن البيانات الناتجة هي قيمة للغاية. على سبيل المثال، في القطاع المالي، في المستخدم النهائي سواء تسديد القرض أم لا، وهذا هو ما نسميه البيانات Y. فقط عندما يكون X البيانات وY مجتمعة معا من أجل تدريب نظام AI. ولكن علينا مواجهة الوضع هو أن هناك الكثير من البيانات X موزعة في مختلف المؤسسات، عادة ما تكون بعض الجهات المرخص لها وبيانات Y، مثل التأمين والبنوك. أولا من الصعب الحصول عليها، وثانيا أنه من الصعب دمج ولضمان السلامة. واقترح ذلك، فإنه يمكن استخدام بعض خوارزمية التشفير لتشفير البيانات، ومن ثم بلمرة مع بعض الأدوات الرياضية. ومع ذلك، هذه الأدوات الرياضية وغالبا ما تكون من الرياضيين الاختراع، فإنه لا يعتبر من عملي، والتعقيد الحسابي الفعلي عالية جدا، لذلك الحوسبة تطبيقات أداة السلطة حتى الفقراء جدا.
في الآونة الأخيرة، والمناطق الكمبيوتر، وأدوات جديدة. قدم جوجل مفهوم "التعلم الاتحادية"، دراسة فيدرالية أي. وقبل ذلك، نموذج التدريب وسيلة لالروبوت هو أن كل البيانات المحلية الروبوت إلى أن تنتقل إلى سحابة، مثل المحلي إدخال مدخلات لوحة المفاتيح، أو الصور، وسوف يكون لوضع علامة على وحمله إلى السحابة، مساعدة التدريب الحوسبة السحابية انتشرت على مختلف الهواتف الروبوت، وأخيرا نموذج المدربين. ولكن منذ بدء العمل GDPR الأوروبي، أصبحت هذه العملية غير قانوني، لأن بيانات المستخدم المحلي إلى سحابة دون موافقة المستخدم. الآن أنها تقترب هو النموذج الأول الذي بني في كل الهاتف الخليوي المحلي، ثم حزمة التشفير نموذج، حزمة نموذج جيد شحنها إلى السحابة، في سحابة لضمان أنه لا يوجد طريقة فتح، وإعادة غرار في هذه الدولة وأخيرا، فإن النموذج المدمج إعادة ثم تصدر إلى كل هاتف. هذا وقالت جوجل دراسة الاتحادية. ومع ذلك، فإن هذا النهج فقط لممارسة لC، نحن حاليا في مجال البحوث لدراسة النظام الاتحادي B. قد يكون هناك بعض المستخدمين بين المؤسستين شائعة، ولكن البيانات التي تم جمعها من كل مختلف، مثل الصناعات المصرفية والاتصالات السلكية واللاسلكية، وهنا هو X1-X3 البيانات، وهناك لجمع X و X5. كيف يمكننا تسهيل تجميع البيانات، في حين لم تكشف خصوصية المستخدم؟ في ضوء هذا الوضع، وضعنا قدما في مفهوم الرأسي الاتحادية تعالج على وجه التحديد دراسة الاتحادية إلى B، وتحاول حاليا لإدخال خوارزميات جديدة.
التراص نموذج من البيانات، ونقل البيانات إلى نموذج
وعموما، تشير الدراسة إلى الاتحادية، وحسبت كل محلية مثل المجتمع الاتحادية من الدول، يمكن الحفاظ على البيانات الخاصة بهم، ولكن للمشاركة في الاتحاد معا لبناء نموذج أفضل. يمكننا أن نتعلم عن طريق نموذج بيانات اتحادية، عملية المبنى بأكمله، في حين جعل لا ترى بيانات كل منهما بين مختلف مجموعات البيانات، والإعمال الكامل لسرية البيانات. هناك العديد من تعبير رياضي في هذه العملية، وهو تعبير هام جدا أنه عندما يتم تمرير نموذج على كلا الجانبين، فإن البيانات لا يمكن محاكاة الهندسة العكسية. السابقة ضرورة التعلم العميق لتتراكم البيانات إلى نموذج، في حين أن دراسة الاتحادية هو أن البيانات لا يتحرك، ويتحرك النماذج، لذلك نقل نموذج بين مجموعات البيانات. في عملية نشر نموذج، فمن الممكن لتجنب المخاطر عند ظهور نموذج جديد، والآخر مصنوع من البيانات الثقيلة. هذا هو وسيلة جديدة للتفكير، ولكن أيضا في الحالة الراهنة لتنظيم صارم يمكن أن ينقذ عمق التعلم، حلا تقنيا لإنقاذ AI. وهكذا فعلنا ذلك سلسلة من المحاولات لدراسة سلسلة من الخوارزميات. وكان أيضا مهم جدا من قبل المنتج - على سبيل المثال، ولدي عدد من البنوك من البيانات، يمكنك أيضا اكتشاف الوضع في قروض متعددة الأحزاب في إطار فرضية السرية. في الماضي، عدة بيانات يحتاج إلى تداخل، شروط التمويل متعددة الأطراف ويمكن الاطلاع. مع الطريقة الدراسة الاتحادية، لا تحتاج الكثير من المتاعب، يمكن أن تكتشف تلقائيا ولا تعرض البيانات الخاصة بهم. وفي الوقت نفسه، يمكننا أن نتعلم أن يتكلم أمام الهجرة قدم نموذجين، بحيث لا فقط دراسة الاتحادية، في حين أن بيانات يمكن ترحيل إلى المباراة النهائية في حين أن نمو البيانات بين الجانبين للنموذج. في هذا الاتجاه، ونحن الآن الرائدة في العالم. الآن نحن أيضا عدد من براءات الاختراع، ويجري أيضا وضع معايير في الأكاديمية أنشئت أيضا سلسلة من خوارزميات جديدة.
وأخيرا وليس آخرا، نشارك في نموذج تحالف مشترك، لأنه يجب أن تكون جيدة، ثم وهذا هو توزيع الفوائد؟ لدينا نظرية اللعبة، على أساس إنشاء النموذج الاقتصادي، وقد فعلت التوزيع العادل الأخير من الفوائد التي تعود على المشاركين، وجعل المشاركين الجدد للانضمام. هناك عدد قليل من قصص نجاح التعاون عبر الصناعة أنشئت، بعض المالية، وشركات الإنترنت والمؤسسات البحثية الأكاديمية، وهذا التعاون الأمني التشفير، بحيث مقاييس الأداء ذات الصلة قد وصلت إلى الترقية. الآن أفعل كل البنوك في الذكاء الاصطناعي الصغير لتوجيه عمل، هو العمل على شبكة الإنترنت والسيطرة على المخاطر المالية، حققنا سلسلة من الإنجازات. والآخر هو التجارب في مجال حكمة الإدارة الحضرية. ونحن نعلم أن وراء الكاميرات في المدينة كل تنتمي إلى مؤسسات مختلفة، ولكن لا يمكن أن تنتقل البيانات الخاصة بهم. في هذا السيناريو، ونحن قادرون على وضع هذه إلى البيانات المرئية واحدة، في حين لم تكشف خصوصية المستخدم، مما يتيح كل نموذج تم تعزيزها. قدمنا مؤخرا فى شنتشن، تجربة ذات الصلة، وزيادة، والآثار سعر دقيقة ناجحة جدا بنسبة 15.
وفي الوقت نفسه، أطلقنا أدى HPOE المعايير الدولية، وفتح شنتشن مؤخرا جلسته العامة الأولى، التي عقدت في يونيو، الجلسة العامة الثانية في لوس انجليس، كما تم بدعم من العديد من الشركات. لقد صدر للتو أول المصدر المفتوح والتعلم النظام الفيدرالي، فدائي، إذا نحن مهتمون يمكن الرجوع إليها. استضفنا عددا من المؤتمرات الدولية الرائدة، والاجتماعات الدولية مثل الاتحاد الدولي للذكاء الاصطناعي الذي سيعقد، دعا رعاة GDPR قانون (قانون حماية الخصوصية الأوروبية)، وجوجل قادة فريق الدراسة الاتحادي، فإن العالم يراقب لدينا اتجاهات.
وباختصار، فإن التحدي الرئيسي الذي يواجه حاليا AI هو التحدي البيانات، والجزر من البيانات، مجزأة، والأمن، والمخاطر الخصوصية، وهلم جرا. إذا كنت تهتم الاستثمار AI، يجب أن تهتم الشركات الاستثمارية عن هذا من ناحية عدم وجود تخطيط نظر فيها وعلى المدى الطويل. ونحن على اثنين الحلول التقنية المقترحة نقل الاتحادي التعلم والتعلم هو أداة قوية لمواجهة هذه التحديات، جنبا إلى جنب مع استخدامنا للحوافز اقتصادية لجعل نموذج جديد للتعاون يمكن نشرها على نطاق واسع.
نبذة عن الكاتب | يانغ تشيانغ، مؤسس دراسة الهجرة، الرئيس IJCAI لمجلس الاتحاد الدولي للذكاء الاصطناعي، IEEE / ACM زميل / AAAI، ورقة الانتهاء من كلمة ألقاها في الاجتماع السنوي في 2019 حجر الزاوية في العاصمة وفقا ليانغ الأكاديمية تشيانغ العلوم (دون تقييمي)
المصدر | الصين حجر البريد انسايت (ID: chnstonewx)
انقر على "قراءة الأصلي" اكتشاف فوائد
