類神經網路的能力與取代性 - 工程師

By David
at 2016-05-29T10:42

Table of Contents

※ 引述《iseeyou080 (iseeyou080)》之銘言：
: 第一次發文請見諒
: 最近看一些新聞提到機器人或AI
: 也看到類神經網路似乎可以從雜亂無章或複雜的data 分析和學習
: 很類似半導體製程工程師的工作
: 想請問各位百萬
: 製程工程師或設備和整合工程師
: 在未來會有被AI 取代的一天嗎

小弟在這行業界經驗已經4年了。
隨時都在讀論文導入產品，我可以很明確地說，目前技術做不到。

目前所有人工智慧，都伴隨著大量的 "工人智慧"

前幾年Deep Learning 火紅的時候，真正爆炸點，並不是技術有什麼突破。
的確大家發現了讓學習模型複雜且可以收斂的方法了，但是那時大家覺得沒什麼用。

要不是 ImageNet 花了大量的"人工"標註圖片內容(Amazon Mechanical Turk)，
大家怎麼會發現，原來深度學習好像有點用?

最近雖然FB,MS,Google都推出對話機器人服務，但是大家可以去看它們這兩年的論文。
論文跟產品廣告出來的技術難度差太多了。

產品展現出來的功能，例如訂Pizza，這種小事情，
大家可以去看 A Neural Conversational Model 為範例，
要用多少的資料，多少的人工整理過的資料去預先處理?

目前即使是深度學習，還是包含大量的人工預先處理。
雖然很多論文號稱不用標註，但實際上用到產業界都不好用，或根本沒效果。

個人覺得，不管是業界頂尖或學術研究，
目前還沒看到個影子，AI大量取代技術工作者。

--

Tags: 工程師

All Comments

By Una
at 2016-05-30T23:58

你人工智慧系？

By Emma
at 2016-06-01T21:13

樓上現在資料分析很夯吧人工智慧lab多啊

By Hedda
at 2016-06-05T03:40

我相信你

By Skylar DavisLinda
at 2016-06-08T09:40

推這篇

By Agatha
at 2016-06-10T03:29

非常感謝您的回答原來有工作這麼多元嚮往您的工作

By Doris
at 2016-06-12T05:39

目前的企業的商業獲利模式尚不明朗，但是受僱者的獲利倒是
很火紅，當下作這個可說是顯學且薪水可觀。

By Agatha
at 2016-06-14T01:38

推

By Yedda
at 2016-06-17T16:04

標注是一次性的工作，談不上是問題，請不到人也可以
丟 Amazon Mechanical Turk 解決，怕被取代，主要還是
看手邊的工作是不是可以用 NN 解決，您問我我是演算法
工程師會不會被 NN 取代，我會回還早，現在 NN 離創造
力還很遠，您問我我是公司的電話客服會不會被 NN 取代
，我會回您要小心了

By Emma
at 2016-06-18T03:59

DrTech大大怎麼不去矽谷撈一票

By Anthony
at 2016-06-20T16:07

正解

By Quanna
at 2016-06-25T12:29

推目前技術做不到

By Zanna
at 2016-06-29T07:42

推

By Blanche
at 2016-06-30T23:41

推

By Barb Cronin
at 2016-07-02T17:22

整理到一個階段叫人類判斷就好了

By Brianna
at 2016-07-05T19:08

覺得沒法完全取代，但可能降低人力需求

By Zanna
at 2016-07-06T11:08

好文期望大大未來多多分享

By Audriana
at 2016-07-11T04:37

推

By Gilbert
at 2016-07-14T17:46

推

By Adele
at 2016-07-18T12:07

推啦～

By Erin
at 2016-07-21T21:56

推

By Poppy
at 2016-07-22T13:23

2F哈哈哈哈哈哈哈

By Susan
at 2016-07-23T22:40

糧草徵收人、礦工、伐木工應該就不會被取代吧

By Cara
at 2016-07-28T14:40

拎杯6年前論文就是用NN+big data 數據還比nasa還猛

By Skylar Davis
at 2016-08-01T12:00

推推拿來demo可以很潮長官愛但是真的沒辦法實用

By Wallis
at 2016-08-04T14:01

先前的資料處理也很重要，一堆極端值也會影響機器學習分析
出的y值，還有bias lambda的參數調整，避免overfitting

By Carolina Franco
at 2016-08-05T00:56

需要大量工人智慧這點我有些疑問

By Charlie
at 2016-08-09T11:48

deep learning的好處之一包含不用特別做feature

By Kristin
at 2016-08-13T04:02

只要給的原始資料中或多或少包含關鍵資訊就可以

By Regina
at 2016-08-17T18:03

影像處理的部分已經是拿一個一個pixel當input
讓模型自己學出需要從點中得到怎樣的資訊

By Andy
at 2016-08-22T10:16

像是先前google 從影片中學出來的人臉以及貓臉

By Victoria
at 2016-08-24T15:12

阿有些偏了 imgnet那邊的標註答案的確需要人的幫助

By Emily
at 2016-08-25T20:57

但那是標註答案的部分我前面講的是input的預處理

By Mason
at 2016-08-28T10:48

這篇講的是可監督式的學習，不是深度學習。

By Donna
at 2016-08-30T17:00

回文講AI提到的模型不是都算是deep learning的模型嗎??

By Linda
at 2016-09-03T22:13

以前的人也認為電腦圍棋下不贏人類職業高手啊

By Hedwig
at 2016-09-08T05:52

就算原po在這行寫的出阿法go嗎？

By Anonymous
at 2016-09-11T21:14

需要大量工人智慧是對的，fine-tuning 階段還是需要大
量的標注資料才會學得好，監督或非監督不是判斷是不是
深度學習的依據，DNN 也沒什麼特別，但 Deep 之後的確
效果驚人，在一些領域把既有的方法直接拋在背後追都追
不到

By Olga
at 2016-09-12T07:56

抽取資料的feature還是要設計過，不然效
果不好

By Frederica
at 2016-09-14T12:58

我預測會先用在翻譯系統 deep learning可以解決翻譯問題

By Annie
at 2016-09-19T08:12

Language model 加上dnn的成果也越來越扯

By Linda
at 2016-09-21T12:54

crowdsourcing 大好～

By Bethany
at 2016-09-24T00:01

勿忘unsupervised learning，是可以幫助labeling的

By Liam
at 2016-09-28T10:29

覺得比起CNN，小弟更看好LSTM-RNN的潛力

類神經網路的能力與取代性 - 工程師

All Comments

Related Posts

達興拓展鋰電池、軟性顯示器新材料

敷衍的就博會?

達興拓展鋰電池、軟性顯示器新材料

製程工程師的取代性

常駐大陸，小孩問題