Machine learning and deep learning
机器学习与深度学习
https://arxiv.org/pdf/2104.05314
摘要
如今，提供人工智能能力的智能系统通常依赖于机器学习。机器学习描述了系统从特定问题的训练数据中学习，以自动化分析模型构建和相关任务过程的能力。深度学习是一种基于人工神经网络的机器学习概念。对于许多应用，深度学习模型优于浅层机器学习模型和传统数据分析方法。在本文中，我们总结了机器学习和深度学习的基础知识，以对当前智能系统的方法论基础产生更广泛的理解。特别是，我们提供了相关术语和概念之间的概念区分，解释了通过机器学习和深度学习构建自动化分析模型的过程，并讨论了在电子市场和网络商业领域实施此类智能系统时出现的问题。这些问题自然超越了技术方面，并突出了人机交互和人工智能服务化中的问题。
关键词机器学习 · 深度学习 · 人工智能 · 人工神经网络 · 分析模型构建
引言
一般认为，通过向孩子展示例子来解释什么是跑车（相对于普通汽车）的本质，比试图制定定义跑车的明确规则要容易得多。
同样，机器学习（ML）不是将知识编码到计算机中，而是寻求从例子和观察中自动学习有意义的关系和模式（Bishop 2006）。机器学习的进步促成了最近具有类人认知能力的智能系统的兴起，这些系统渗透到我们的商业和个人生活中，并以各种可以想象的方式塑造电子市场上的网络互动，例如公司增强决策以提高生产力、参与度和员工保留率（Shrestha et al. 2021），适应个人用户偏好的可训练辅助系统（Fischer et al. 2020），以及撼动传统金融交易市场的交易代理（Jayanth Balaji et al. 2018）。
这种系统用于高级问题解决的能力，通常被称为人工智能（AI），基于生成预测、规则、答案、建议或类似结果的分析模型。构建分析模型的最初尝试依赖于通过手工制定的规则，将已知的关系、程序和决策逻辑显式编程到智能系统中（例如，用于医疗诊断的专家系统）（Russell and Norvig 2021）。受新编程框架的实用性、数据可用性以及对必要计算能力的广泛获取的推动，如今分析模型越来越多地使用通常被称为机器学习（ML）的方法来构建（Brynjolfsson and McAfee 2017; Goodfellow et al. 2016）。机器学习减轻了人类将知识明确表达并形式化为机器可访问形式的负担，并允许更高效地开发智能系统。
在过去的几十年里，机器学习领域在复杂的学习算法和高效的预处理技术方面带来了各种显著的进步。其中一项进步是人工神经网络（ANNs）向着具有改进学习能力的越来越深的神经网络架构的演进，这被总结为深度学习（DL）（Goodfellow et al. 2016; LeCun et al. 2015）。对于封闭环境中的特定应用，深度学习已经通过超越人类能力展现出超人的性能（Madani et al. 2018; Silver et al. 2018）。然而，这些好处也是有代价的，因为在真实的商业环境中成功实施分析模型需要克服若干挑战。这些挑战包括从多种实施选项中做出合适的选择、数据中的偏差和漂移、黑盒属性的缓解，以及预配置模型（作为服务）的复用。
除了其被炒作的外表，学者以及专业人士都需要对底层概念、过程以及实施此类技术的挑战有扎实的理解。在此背景下，本文的目标是传达在电子市场背景下对机器学习和深度学习的基本理解。这样，社区可以从这些技术成就中受益——无论是为了检查数字生态系统中收集的大型高维数据资产，还是为了设计用于电子市场的新型智能系统。遵循该领域的最新进展，本文关注基于机器学习和深度学习的分析模型构建以及实施智能系统的挑战。由于我们从技术角度审视该领域，我们不会详细阐述人工智能技术采用、政策以及对组织文化影响的相关问题（关于进一步的启示，参见例如 Stone et al. 2016）。
在下一节中，我们提供相关术语和概念之间的概念区分。随后，我们通过强调机器学习和深度学习的特殊性来阐明自动化分析模型构建的过程。然后，我们继续讨论在组织或电子市场内实施智能系统时引发的若干挑战。在这样做时，我们强调实施和应用的环境因素，而不是将工程系统本身视为唯一的观察单位。我们以简短的结论总结本文。
概念区分
为了提供对该领域的基本理解，有必要将几个相关的术语和概念相互区分开来。为此，我们首先介绍人工智能的基础知识，然后区分 i) 机器学习算法，ii) 人工神经网络，以及 iii) 深度神经网络。这些术语之间的层次关系总结在图1的维恩图中。
广义上定义，人工智能包含任何使计算机能够模仿人类行为，并独立或在最少人工干预下复制或超越人类决策以解决复杂任务的技术（Russell and Norvig 2021）。因此，它涉及各种核心问题，包括知识表示、推理、学习、规划、感知和通信，并指代各种工具和方法（例如，基于案例的推理、基于规则的系统、遗传算法、模糊模型、多智能体系统）（Chen et al. 2008）。早期的人工智能研究主要集中于形式语言中的硬编码语句，计算机随后可以基于逻辑推理规则自动对其进行推理。这也被称为知识库方法（Goodfellow et al. 2016）。然而，该范式面临若干局限性，因为人类通常难以明确表达执行复杂任务所需的所有隐性知识（Brynjolfsson and McAfee 2017）。
机器学习克服了这些局限性。一般来说，机器学习意味着计算机程序的性能随着在某些类别的任务和性能度量方面的经验而提高（Jordan and Mitchell 2015）。因此，它旨在自动化分析模型构建的任务，以执行诸如目标检测或自然语言翻译之类的认知任务。这是通过应用从特定问题的训练数据中迭代学习的算法来实现的，这允许计算机在没有被明确编程的情况下找到隐藏的见解和复杂的模式（Bishop 2006）。特别是在与高维数据相关的任务中，如分类、回归和聚类，机器学习显示出良好的适用性。通过从先前的计算中学习并从海量数据库中提取规律，它有助于产生可靠且可重复的决策。由于这个原因，机器学习算法已成功应用于许多领域，如欺诈检测、信用评分、次优报价分析、语音和图像识别，或自然语言处理（NLP）。
基于给定的问题和可用的数据，我们可以区分三种类型的机器学习：监督学习、无监督学习和强化学习。虽然电子市场中的许多应用使用监督学习（Brynjolfsson and McAfee 2017），例如，预测股票市场（Jayanth Balaji et al. 2018）、理解客户感知（Ramaswamy and DeClerck 2018）、分析客户需求（Kühl et al. 2020）或搜索产品（Bastan et al. 2020），但也有所有类型的实现，例如，使用强化学习的做市（Spooner et al. 2018）或使用客户评论的无监督市场细分（Ahani et al. 2019）。关于所有三种类型的概述，见表1。
根据学习任务的不同，该领域提供了各种类别的机器学习算法，它们中的每一种都有多种规范和变体，包括回归模型、基于实例的算法、决策树、贝叶斯方法和人工神经网络。
人工神经网络家族特别令人感兴趣，因为它们灵活的结构允许它们被修改以适应所有三种机器学习类型中的广泛背景。受生物系统中信息处理原理的启发，人工神经网络由称为人工神经元的连接处理单元的数学表示组成。就像大脑中的突触一样，神经元之间的每个连接都传输信号，其强度可以通过在学习过程中不断调整的权重来放大或衰减。只有当超过由激活函数确定的特定阈值时，信号才会被后续神经元处理。通常，神经元被组织成具有不同层的网络。输入层通常接收数据输入（例如，在线商店的产品图像），输出层产生最终结果（例如，产品的分类）。在它们之间，有零个或多个隐藏层，负责学习输入和输出之间的非线性映射（Bishop 2006; Goodfellow et al. 2016）。层数和神经元数量，以及其他属性选择，如学习率或激活函数，无法由学习算法学习。它们构成了模型的超参数，必须手动设置或由优化程序确定。
深度神经网络通常由不止一个隐藏层组成，组织在深度嵌套的网络架构中。此外，与简单的人工神经网络相比，它们通常包含高级神经元。也就是说，它们可能使用高级操作（例如，卷积）或在一个神经元中进行多次激活，而不是使用简单的激活函数。这些特性允许深度神经网络被喂入原始输入数据，并自动发现相应学习任务所需的表示。这是网络的核心能力，通常被称为深度学习。简单的人工神经网络（例如，浅层自编码器）和其他机器学习算法（例如，决策树）可以归入浅层机器学习这一术语之下，因为它们不提供这样的功能。由于文献中这两个概念之间仍然没有确切的界限（另见 Schmidhuber 2015），我们在图1中使用了一条虚线。虽然一些浅层机器学习算法被认为本质上是人类可解释的，因此是白盒，但大多数高级机器学习算法的决策本身是不可追踪的，除非另有解释，因此构成了黑盒。
深度学习在具有大型和高维数据的领域中特别有用，这就是为什么在需要处理文本、图像、视频、语音和音频数据的大多数应用中，深度神经网络优于浅层机器学习算法（LeCun et al. 2015）。然而，对于低维数据输入，特别是在训练数据可用性有限的情况下，浅层机器学习仍然可以产生优越的结果（Zhang and Ling 2018），这些结果甚至往往比深度神经网络产生的结果更具可解释性（Rudin 2019）。此外，虽然深度学习的性能可以是超人的，但需要强人工智能能力的问题，如字面理解和意向性，仍然无法解决，正如 Searle（1980）的中文房间论证所尖锐指出的那样。
分析模型构建的过程
在本节中，我们提供了一个关于显式编程、浅层机器学习和深度学习的分析模型构建过程的框架，因为它们构成了构建分析模型的三个不同概念。由于它们对电子市场的重要性，我们将后续讨论集中在浅层机器学习和深度学习相关的数据输入、特征提取、模型构建和模型评估方面（参见图2）。对于显式编程，当手工制定规则以指定分析模型时，特征提取和模型构建是由人类手动执行的。
数据输入
电子市场有不同的利益相关者接触点，如网站、应用程序和社交媒体平台。除了常见的数值数据外，它们还生成大量多样化的数据，特别是非结构化和非横截面数据，如时间序列、图像和文本。这些数据可以被利用于分析模型构建，以实现更好的决策支持或业务自动化目的。然而，手工提取模式和关系将超出人类操作员的认知能力，这就是为什么在处理大型和高维数据时，算法支持是不可或缺的。
时间序列数据意味着随时间变化的顺序依赖性和模式，需要被检测以形成预测，通常导致回归问题或趋势分类任务。典型的例子涉及预测金融市场或预测过程行为（Heinrich et al. 2021）。图像数据通常在目标识别或目标计数的背景下遇到，应用领域从用于产量预测的作物检测到自动驾驶（Grigorescu et al. 2020）。文本数据存在于分析大量文档时，如公司电子邮件或社交媒体帖子。示例应用是情感分析或基于机器的翻译和文档摘要（Young et al. 2018）。
深度学习的最新进展允许组合处理不同类型的数据，通常被称为跨模态学习。这在内容受多种表示形式影响的应用中很有用，例如电子商务网站，其中产品信息通常由图像、简短描述和其他补充文本元数据表示。一旦学习了这种跨模态表示，它们就可以用于例如改进检索和推荐任务，或检测虚假信息和欺诈（Bastan et al. 2020）。
特征提取
从大型数据资产中自动识别模式和关系的一个重要步骤是提取可用于模型构建的特征。一般来说，特征描述了从原始数据输入中派生出的属性，目的是提供合适的表示。因此，特征提取旨在保留判别信息，并分离与整体学习任务相关的变异因素（Goodfellow et al. 2016）。例如，在对在线商店客户评论的有用性进行分类时，有用的候选特征可能是词语的选择、评论的长度以及文本的句法属性。
浅层机器学习严重依赖于这种定义明确的特征，因此其性能取决于成功的提取过程。随着时间的推移，出现了多种适用于不同类型数据的特征提取技术。例如，在分析时间序列数据时，通常应用技术来提取时域特征（例如，均值、范围、偏度）和频域特征（例如，频带）（Goyal and Pabla 2015）；对于图像分析，合适的方法包括方向梯度直方图（HOG）（Dalal and Triggs 2005）、尺度不变特征变换（SIFT）（Lowe 2004）和Viola-Jones方法（Viola and Jones 2001）；在自然语言处理中，通常使用词频-逆文档频率（TF-IDF）向量（Salton and Buckley 1988）、词性（POS）标注和词形特征（Wu et al. 2018）。手动特征设计是一项繁琐的任务，因为它通常需要在特定应用的工程过程中具备大量的领域专业知识。由于这个原因，它被认为是耗时的、劳动密集型的且不灵活的。
深度神经网络克服了手工特征工程的这一局限性。其先进的架构赋予了它们自动特征学习的能力，以在最少的人工努力下提取判别性特征表示。由于这个原因，深度学习更好地应对大规模、嘈杂和非结构化的数据。特征学习的过程通常以分层方式进行，高层抽象特征由更简单的特征组装而成。尽管如此，根据数据的类型和深度学习架构的选择，存在不同的特征学习机制，并与模型构建步骤相结合。
模型构建
在自动化模型构建过程中，学习算法使用输入来识别与各自学习任务相关的模式和关系。如上所述，浅层机器学习需要为此任务精心设计的特征。在此基础上，每个学习算法家族应用不同的机制来构建分析模型。例如，在构建分类模型时，决策树算法利用特征空间，遵循分层、树状结构，将数据记录逐步分割成越来越同质的划分。支持向量机（SVM）寻求在不同类别的数据点之间构建一个判别超平面，其中输入数据通常被投影到更高维的特征空间以获得更好的可分性。这些例子表明，分析模型构建有不同的方式，每种方式根据输入数据和派生特征都有各自的优缺点（Kotsiantis et al. 2006）。
相比之下，深度学习可以直接对高维原始输入数据进行操作，凭借其自动特征学习的能力来执行模型构建任务。因此，深度学习架构通常被组织为端到端系统，将这两个方面结合在一个流程中。然而，深度学习也可以仅用于提取特征表示，随后将其馈入其他学习子系统，以利用竞争性机器学习算法（如决策树或支持向量机）的优势。
随着时间的推移，出现了各种深度学习架构（Leijnen and van Veen 2020; Pouyanfar et al. 2019; Young et al. 2018）。尽管基本上每种架构都可以用于每项任务，但有些架构更适合特定的数据，如时间序列或图像。架构变体主要由它们使用的层类型、神经单元和连接来表征。表2总结了五组：卷积神经网络（CNNs）、循环神经网络（RNNs）、分布式表示、自编码器和生成对抗神经网络（GANs）。它们在电子市场领域提供了有前景的应用。
模型评估
为了评估模型的质量，必须考虑多个方面，例如性能、计算资源和可解释性。基于性能的指标评估模型满足学习任务所指定目标的程度。在监督学习领域，为此目的有完善的指导方针。在这里，通常的做法是使用k折交叉验证来防止模型过拟合，并确定其在未包含在训练样本中的样本外数据上的性能。交叉验证提供了比较机器学习模型可靠性的机会，通过提供多个样本外数据实例来进行比较统计测试（García and Herrera 2008）。回归模型通过测量估计误差来评估，如均方根误差（RMSE）或平均绝对百分比误差（MAPE），而分类模型则通过计算正确和错误预测实例的不同比率来评估，如准确率、召回率、精确率和F1分数。此外，通常应用成本敏感型度量，如每个预测观测的平均成本，这在预测误差与不对称成本结构相关的情况下很有帮助（Shmueli and Koppius 2011）。例如，在分析金融市场交易时就是这种情况，未能检测到欺诈交易的成本远高于错误地将非欺诈交易分类的成本。
为了确定特定任务的合适预测模型，比较不同复杂度的替代模型是合理的，即考虑竞争的模型类别以及同一模型类别的替代变体。如上所述，模型的复杂度可以通过几个属性来表征，例如学习机制的类型（例如，浅层机器学习与深度学习）、手动生成或自提取特征的数量和类型，以及可训练参数的数量（例如，人工神经网络中的网络权重）。较简单的模型通常不够灵活，无法捕捉与学习任务相关的（非线性）规律和模式。另一方面，过于复杂的模型会带来更高的过拟合风险。此外，它们的推理更难以解释（参见下一节），并且它们可能在计算上更昂贵。计算成本由内存需求和在执行新数据模型时的推理时间来表示。当评估深度神经网络时，这些标准尤为重要，因为可能需要处理和存储数百万个模型参数，这对硬件资源提出了特殊要求。因此，对于资源有限的商业环境（例如，严重依赖移动设备的环境），至关重要的是不仅要选择处于欠拟合和过拟合之间最佳平衡点的模型。他们还应该评估模型在进一步权衡关系方面的复杂度，例如准确率与内存使用和速度的权衡（Heinrich et al. 2019）。
基于机器学习和深度学习的智能系统面临的挑战
电子市场正处于技术引发的、向智能系统提供的数据驱动洞察转变的开端（Selz 2020）。如今，浅层机器学习和深度学习已被用于为它们构建分析模型，进一步的普及是可以预见的。对于任何现实世界的应用，智能系统不仅面临模型构建、系统规范和实现的任务。它们还容易遇到若干根植于机器学习和深度学习运作方式的问题，这些问题构成了与信息系统社区相关的挑战。它们不仅需要技术知识，还涉及超越系统限制的人类和商业方面，以考虑应用的环境和生态系统。
管理架构、超参数和训练数据的三角关系
在为智能系统构建浅层机器学习和深度学习模型时，算法或架构、超参数和训练数据的选择几乎是无穷无尽的（Duin 1994; Heinrich et al. 2021）。与此同时，缺乏关于如何为特定问题构建模型以确保不仅性能和成本效益，而且稳健性和隐私的既定指导方针。此外，如上所述，在资源有限的商业环境中，通常需要考虑若干权衡关系，例如预测质量与计算成本的权衡。因此，分析模型构建的任务最为关键，因为它也决定了智能系统的商业成功。例如，一个能够以99.9%的准确率运行但花费太长时间才能给出分类决策的模型是无用的，在诸如智能工厂中的主动监控或质量保证等时间关键型应用背景下，等同于0%准确率的模型。此外，只有在一次仅改变三角关系三个边中的一个并报告相同的指标时，才能准确比较不同的实现。最终，应该考虑开发和完善特定深度学习架构所需的必要技能、可用的工具支持以及所需的实现努力（Wanner et al. 2020）。
因此，在实验室环境或不同数据集上取得出色准确率的应用，在电子市场的现实世界环境中应用时，可能不会转化为商业成功，因为其他因素可能会超过机器学习模型的理论成就。这意味着研究人员应该意识到模型在现实世界应用中应用的情境特征，以开发有效的智能系统。不用说，研究人员无法先验地知道所有因素，但他们应该熟悉这样一个事实：存在若干具有不同基线变体的架构选项，它们适合不同的场景，每种都有其特性。此外，在选择模型之前，应在一致的基准数据上审查多个指标，如准确率和F1分数。
对数据中偏差和漂移的意识
在自动化分析模型构建方面，人们需要意识到通过使用人工生成的数据引入到任何浅层机器学习或深度学习模型中的（认知）偏差。这些偏差将被模型大量采纳（Fuchs 2018; Howard et al. 2017）。也就是说，模型将表现出数据中存在的相同（人类）诱导的倾向，甚至放大它们。认知偏差是由于有缺陷的事实报告或有缺陷的决策启发式方法，个人所采纳的不合逻辑的推断或信念（Haselton et al. 2015）。虽然数据引入的偏差不是一个特别新的概念，但在机器学习和深度学习的背景下，如果训练数据没有被正确选择或预处理、存在类别不平衡，或者推断没有被负责任地审查，它就会被放大。引人注目的例子包括亚马逊的人工智能招聘软件表现出对女性的歧视，或谷歌的视觉人工智能根据肤色产生截然不同的图像标签。
此外，基于数据的建议的有效性容易受到概念漂移的影响，概念漂移描述了一种情景，即“输入数据和目标变量之间的关系随时间变化”（Gama et al. 2014）。也就是说，当历史数据不再充分描述当前情况时，智能系统的机器学习模型可能不会产生令人满意的结果，例如由于新竞争者进入市场、新的生产能力变得可用，或前所未有的政府限制。漂移不一定是突然的，但可以是渐进的、逐渐的或反复出现的（Gama et al. 2014），因此难以检测。虽然存在涉及使用可信数据窗口和概念描述的自动化学习技术（Widmer and Kubat 1996），但发现和解决与业务相关问题的自动化策略仍然是一个挑战（Pentland et al. 2020）。
对于电子市场中的应用，考虑偏差非常重要，因为大多数数据点都会有人的接触点。这些可以像社交媒体帖子一样明显，也可以像被忽略的变量一样隐蔽。此外，模型再训练期间的投毒攻击可用于故意插入偏离模式。这意味着训练数据需要仔细审查此类人类偏见。基于这些数据的应用应被理解为固有偏差的，而不是公正的人工智能。这意味着研究人员需要审查他们的数据集，并公开他们意识到的任何偏差。同样，假设所有偏差效应都可以在具有高维数据的大型数据集中解释是不现实的。然而，为了更好地理解和信任机器学习模型，检测和强调那些已经或可能对预测产生影响的效应非常重要。最后，由于在任何现实世界的电子市场中都可以假定存在持续漂移，因此训练好的模型永远不会完成。公司必须制定策略来识别、跟踪和对抗影响其智能系统决策质量的概念漂移。目前，手动检查和定期模型再训练盛行。
预测的不可预测性与可解释性的需求
深度学习模型以及一些浅层机器学习模型（如随机森林和支持向量机）的复杂性，通常被称为黑盒性质，使得几乎不可能预测它们在特定情境下的表现（Adadi and Berrada 2018）。这也意味着用户可能无法审查和理解基于这些模型的智能系统的建议。此外，这使得准备应对对抗性攻击变得非常困难，这些攻击会欺骗和破坏深度学习模型（Heinrich et al. 2020）。它们可能对高风险应用构成威胁，例如，就自动驾驶中街道标志的扰动而言（Eykholt et al. 2018）。因此，可能有必要解释黑盒模型的决策，以促进组织采用。人类不仅偏好简单的解释来信任和采用模型，而且可解释性的要求甚至可能由法律强制执行（Müller 2019）。
可解释人工智能（XAI）领域涉及对现有深度学习模型进行增强，以产生输出预测的解释。对于图像数据，这涉及突出输入图像中负责生成特定输出决策的区域（Adadi and Berrada 2018）。关于时间序列数据，已经开发了方法来突出影响预测的特别重要的时间步（Assaf and Schumann 2019）。类似的方法可用于突出文本中导致特定分类输出的词语。
因此，电子市场中具有不同关键性和人机交互要求的应用，应该被独特地设计或增强，以解决各自的关切。研究人员必须审查应用，特别是深度学习模型的关键性和可问责性。可能的话，他们必须选择可解释的白盒模型，而不是更准确的黑盒模型（Rudin 2019），或者考虑XAI增强，使模型的预测对其用户更易于访问（Adadi and Berrada 2018）。
资源限制与迁移学习
最后，使用浅层机器学习或深度学习构建和训练全面的分析模型成本高昂，并且需要大型数据集以避免冷启动。幸运的是，模型不必总是从头开始训练。迁移学习的概念允许在通用数据集（例如，大规模图像数据集）上训练的模型，通过使用特定问题的、相当小的数据集，被专门化用于特定任务（Pouyanfar et al. 2019）。然而，使用来自外国来源的预训练模型可能会带来风险，因为模型可能受到如上所述的偏差和对抗性攻击的影响。例如，预训练模型可能无法正确反映某些环境约束，或包含通过插入分类触发器（例如，将医学图像错误分类）的后门（Wang et al. 2020）。政府干预以重定向或压制预测也是可以想象的。因此，在高风险情况下，重用公开可用的分析模型可能不是一个选项。尽管如此，迁移学习为中小型企业部署智能系统提供了一个可行的选择，或使大型公司能够将其自己的通用分析模型重新用于特定应用。
在迁移学习的背景下，新市场和人工智能即服务（AIaaS）生态系统已经出现。例如，由微软或亚马逊网络服务提供的此类市场，提供云人工智能应用、人工智能平台和人工智能基础设施。除了基于云的部署优势外，它们还支持从已建立的模型到其他应用的迁移学习。也就是说，它们允许人工智能开发资源有限的客户购买预训练模型，并将其集成到自己的商业环境中（例如，用于聊天机器人应用的NLP模型）。新型供应商可以参与此类市场，例如，通过为高度领域特定的任务提供迁移学习结果，如复杂机器的预测性维护。如上所述，特别是服务化深度学习模型的消费者需要意识到其黑盒性质带来的风险，并建立与人类操作员在类似决策中同样严格的协议。由于AIaaS市场才刚刚兴起，负责任的迁移学习的指导方针尚未建立（例如，Amorós et al. 2020）。
结论
通过这篇基础性文章，我们提供了对机器学习和深度学习的广泛介绍。两者通常被归入人工智能技术，它们都为当代和未来的智能系统背后的分析模型提供动力。我们对机器学习、浅层机器学习、深度学习及其算法和架构进行了概念化。此外，我们描述了自动化分析模型构建的一般过程及其四个方面：数据输入、特征提取、模型构建和模型评估。最后，我们通过讨论现实世界生态系统中基于机器学习和深度学习的智能系统面临的四个基本挑战，为电子市场的持续普及做出了贡献。
在这里，特别是人工智能即服务（AIaaS）构成了一个全新且未经探索的电子市场，并将严重影响其他已建立的服务平台。例如，它们将通过提供从客户数据中学习的新方式，并为他们提供建议或指令，而无需明确编程来这样做，从而增强所谓智能服务的智能性。我们估计，许多即将到来的关于电子市场的研究将在AIaaS及其生态系统的背景下进行，并设计基于深度学习的智能系统的新应用、角色和商业模式。相关的未来研究将需要通过提供结构化的方法论指导来应对并纳入我们提出的挑战，以构建分析模型、评估数据收集和模型性能，并使预测对用户安全且可访问。
原文链接：https://arxiv.org/pdf/2104.05314
热门跟贴