很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于人工智能的未来小组究竟是什么呢的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对人工智能的未来小组究竟是什么呢这篇文章感兴趣的小伙伴可以一起来看看
在旧金山QCon会议上，有关AI未来的专题讨论会探讨了当今机器学习面临的一些问题。探讨了五个不同的领域：当前AI面临的关键问题，技术如何改变人们的聘用方式，非领先的边缘公司如何充分利用当前技术，人类在AI中的作用是什么以及眼前的激动人心的新突破是什么。
该小组由Salesforce爱因斯坦高级总监Shubha Nabar主持。小组成员包括ML和Google Cloud的高级开辟人员Melanie Warrick，Stitch Fix应用AI团队的经理Chris Moody，GitHub产品总监Miju Han，Salesforce Einstein的高级数据科学家Kevin Moore和Reena Philip，Facebook工程经理。
对于Warrick来说，一个主要问题是在构建模型时消除数据偏差，因为这种偏差会影响基于这些模型的产品和服务。
几位小组成员担心环绕AI的炒作。穆迪表示，经典的机器学习技术通常对大多数公司而言已经足够了。他在Stich Fix博客上的两个博客文章中提到了这一点。
韩说到投资者之间的脱节，他们认为自动编码将在明天发生，而现实可能不会长期存在。机器学习社区与支持它们的软件开辟人员之间也存在脱节，在谈到数据的结构，数据背后的标准以及猎取高质量数据的难度方面，尤其是对于GitHub关注的安全用例。
Moore指出了一个极具挑战性的问题，即与不熟悉机器学习但必须使用结果的人进行交流。这个问题的一部分是说服人们算法中没有大量的偏差源。
他还评论了数据科学民主化的讽刺意味，如今，数据科学民主化使恶意参与者更容易使用机器学习来做诸如虚假声音或散布错误信息之类的事情。他想知道是否可以部署机器学习来对抗机器学习。
深度学习如何改变公司处理问题的方式?深度学习是否改变了领先企业聘用人才的方式?
穆迪表示，在Stich Fix上，大多数价值都不来自深度学习。大多数知识来自对领域和简单事物的仔细理解。深度学习已被用于其他领域，例如能够找到最短的路径来将物品放在一起进行运输，而不受运输商问题的任意限制(例如单向过道)。
根据Warrick所说，Python已成为主要的堆栈，并且大多数工具都建立在该平台之上。她还表示，新手训练营和传统开辟人员混合了数据科学博士学位。
Stich Fix具有不同的文化。工程师不编写ETL。惟独数据科学家才干构建，部署到生产中并分析模型。工程师建筑了科学家使用的LEGO积木，例如AB测试模块，生产模型监控或部署过程。数据科学家必须能够端到端地运行所有内容，这意味着他们倾向于使用更简单的可维护模型。深度学习并没有改变这一过程。
根据Warrick所说，Google在所有产品中都有深度学习和机器学习功能。想象分析，机器学习以及搜索都受到深度学习的极大影响。强化学习(深度学习)已用于将数据中心冷却降低40%。
菲利普在Facebook上说，两年前机器学习还没有普及。现在，团队有数据科学家在研究可以从数据中得出的可能见解，而机器学习工程师则专注于构建模型。Facebook还对机器学习进行基础研究。Shubha Nabar认为深度学习有助于稳定系统，因为它同意 您使用任意数据替换过去必须构建的许多不同系统。
