人工智能必须解决稀疏性挑战 Landing AI的Gopi Prashanth说

“稀疏性，这是深度学习应该扩展的方向，” Gopi Prashanth说道，他是AI-startup Landing AI的工程副总裁，由前Google AI杰出人物Andrew Ng经营。

在接受ZDNet采访时， Prashanth反思了为真正的大数据构建内容的挑战，机器学习方法称为深度学习，并且针对非常少的数据重新设计它，可能一次只有一个样本。

这不是学术问题。Ng及其团队的任务是让人工智能为企业服务。这需要在一些设置中使用诸如机器学习之类的技术，其中我很少有用于训练机器的问题的良好示例。

考虑一下汽车生产线或其他成品。它们是为可靠性而构建的系统，因此没有很多失败的例子可供学习。

“假设你是一名视觉质量检验员，而且有一部分来到你身边”的生产线，提供Prashanth。“你通过在手中滚动那个部分并查看它以确定它是否可接受来做出决定。”

“也许1000个产品中有一个是有缺陷的，最多两个;人类可以把这两个例子很好地推广出来。但教一台机器使用一些数据样本是一个非常难以解决的技术问题 - 它是一个我们必须解决的主要挑战。“

Prashanth了解在现实世界中互动的系统。在亚马逊，他参与了“亚马逊围棋”项目，该项目建立了人们可以直接进入并抓住东西的商店，并使用传感器和机器视觉工程的新颖组合在以后对其进行总计计费。

当Ng与他联系时，他在亚马逊时，“我不打算离开，但这是一种非常个人化的方法，”他说。“他[Ng]更少谈论机会，更多地谈论我;他花时间看我的职业生涯和我的简历来了解我的优点和缺点;他把它变得非常个人化，这真的让我感到很紧张。”

“我们谈过并且发现我们有一个非常相似的愿景。”

Prashanth说，愿景是解决“许多商业问题，提前十到十五年思考”。应用科学是重点，如何改变整个公司或整个领域，如制造业或医疗保健。

他说：“我们正在进入传统技术不重的领域，比如制造业。” “我们的假设是，我们将发现即使客户不了解我们也能解决的问题，优化和节省成本的事情以及所有这些 - 这是我们未来的假设。” (阅读ZDNet 12月对Ng的采访。)

Prashanth建议，稀疏性问题是深度学习和其他AI方法崩溃的核心问题。

“深度学习是非常新生的，”他说。“它非常擅长于获取大量数据，基本上适合超空间中的多维表面 - 一种流形，”他说，指的是代表数据点之间连接的非欧几里德几何的概念。