Re: [請益] 類神經網路的能力與取代性

看板Tech_Job作者 (竹科管理處網軍研發人員)時間9年前 (2016/05/29 10:42), 編輯推噓31(31推 0噓 25→)
留言56則, 32人參與, 最新討論串2/2 (看更多)
※ 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。 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 119.126.117.148 ※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1464489729.A.86D.html
推
05/29 10:46, , 1F
你人工智慧系？
05/29 10:46, 1F
推
05/29 10:51, , 2F
樓上 現在資料分析很夯吧 人工智慧lab多啊
05/29 10:51, 2F
推
05/29 10:54, , 3F
我相信你
05/29 10:54, 3F
推
05/29 10:57, , 4F
推這篇
05/29 10:57, 4F
推
05/29 11:00, , 5F
非常感謝您的回答 原來有工作這麼多元 嚮往您的工作
05/29 11:00, 5F
推
05/29 11:13, , 6F
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
05/29 11:13, 6F
→
05/29 11:13, , 7F
很火紅，當下作這個可說是顯學且薪水可觀。
05/29 11:13, 7F
推
05/29 11:16, , 8F
推
05/29 11:16, 8F
推
05/29 11:23, , 9F
標注是一次性的工作，談不上是問題，請不到人也可以
05/29 11:23, 9F
→
05/29 11:23, , 10F
丟 Amazon Mechanical Turk 解決，怕被取代，主要還是
05/29 11:23, 10F
→
05/29 11:23, , 11F
看手邊的工作是不是可以用 NN 解決，您問我我是演算法
05/29 11:23, 11F
→
05/29 11:23, , 12F
工程師會不會被 NN 取代，我會回還早，現在 NN 離創造
05/29 11:23, 12F
→
05/29 11:23, , 13F
力還很遠，您問我我是公司的電話客服會不會被 NN 取代
05/29 11:23, 13F
→
05/29 11:23, , 14F
，我會回您要小心了
05/29 11:23, 14F
→
05/29 11:32, , 15F
DrTech大大怎麼不去矽谷撈一票
05/29 11:32, 15F
推
05/29 12:00, , 16F
正解
05/29 12:00, 16F
推
05/29 12:02, , 17F
推目前技術做不到
05/29 12:02, 17F
推
05/29 12:23, , 18F
推
05/29 12:23, 18F
推
05/29 12:28, , 19F
推
05/29 12:28, 19F
推
05/29 12:29, , 20F
整理到一個階段 叫人類判斷就好了
05/29 12:29, 20F
推
05/29 12:40, , 21F
覺得沒法完全取代，但可能降低人力需求
05/29 12:40, 21F
推
05/29 12:45, , 22F
好文 期望大大未來多多分享
05/29 12:45, 22F
推
05/29 12:47, , 23F
推
05/29 12:47, 23F
推
05/29 12:49, , 24F
推
05/29 12:49, 24F
推
05/29 12:51, , 25F
推啦～
05/29 12:51, 25F
推
05/29 13:04, , 26F
推
05/29 13:04, 26F
→
05/29 13:26, , 27F
2F哈哈哈哈哈哈哈
05/29 13:26, 27F
推
05/29 15:59, , 28F
糧草徵收人、礦工、伐木工應該就不會被取代吧
05/29 15:59, 28F
→
05/29 16:06, , 29F
拎杯6年前論文就是用NN+big data 數據還比nasa還猛
05/29 16:06, 29F
推
05/29 16:22, , 30F
推推 拿來demo可以 很潮 長官愛 但是真的沒辦法實用
05/29 16:22, 30F
推
05/29 16:24, , 31F
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
05/29 16:24, 31F
→
05/29 16:24, , 32F
出的y值，還有bias lambda的參數調整，避免overfitting
05/29 16:24, 32F
推
05/29 16:26, , 33F
需要大量工人智慧這點我有些疑問
05/29 16:26, 33F
→
05/29 16:27, , 34F
deep learning的好處之一包含不用特別做feature
05/29 16:27, 34F
→
05/29 16:28, , 35F
只要給的原始資料中或多或少包含關鍵資訊就可以
05/29 16:28, 35F
→
05/29 16:29, , 36F
影像處理的部分已經是拿一個一個pixel當input
05/29 16:29, 36F
→
05/29 16:29, , 37F
讓模型自己學出 需要從點中得到怎樣的資訊
05/29 16:29, 37F
→
05/29 16:30, , 38F
像是先前google 從影片中學出來的 人臉 以及 貓臉
05/29 16:30, 38F
推
05/29 16:34, , 39F
阿有些偏了 imgnet那邊的標註答案的確需要人的幫助
05/29 16:34, 39F
→
05/29 16:35, , 40F
但那是標註答案的部分 我前面講的是input的預處理
05/29 16:35, 40F
→
05/29 16:58, , 41F
這篇講的是可監督式的學習，不是深度學習。
05/29 16:58, 41F
→
05/29 17:04, , 42F
回文講AI提到的模型 不是都算是deep learning的模型嗎??
05/29 17:04, 42F
推
05/29 18:29, , 43F
以前的人也認為電腦圍棋下不贏人類職業高手啊
05/29 18:29, 43F
→
05/29 18:30, , 44F
就算原po在這行 寫的出阿法go嗎？
05/29 18:30, 44F
推
05/29 19:26, , 45F
需要大量工人智慧是對的，fine-tuning 階段還是需要大
05/29 19:26, 45F
→
05/29 19:26, , 46F
量的標注資料才會學得好，監督或非監督不是判斷是不是
05/29 19:26, 46F
→
05/29 19:26, , 47F
深度學習的依據，DNN 也沒什麼特別，但 Deep 之後的確
05/29 19:26, 47F
→
05/29 19:26, , 48F
效果驚人，在一些領域把既有的方法直接拋在背後追都追
05/29 19:26, 48F
→
05/29 19:26, , 49F
不到
05/29 19:26, 49F
推
05/29 20:48, , 50F
抽取資料的feature還是要設計過，不然效
05/29 20:48, 50F
→
05/29 20:48, , 51F
果不好
05/29 20:48, 51F
推
05/30 00:46, , 52F
我預測會先用在翻譯系統 deep learning可以解決翻譯問題
05/30 00:46, 52F
→
05/30 05:48, , 53F
Language model 加上dnn的成果也越來越扯
05/30 05:48, 53F
推
05/30 11:14, , 54F
crowdsourcing 大好～
05/30 11:14, 54F
推
05/31 07:50, , 55F
勿忘unsupervised learning，是可以幫助labeling的
05/31 07:50, 55F
推
05/31 22:08, , 56F
覺得比起CNN，小弟更看好LSTM-RNN的潛力
05/31 22:08, 56F
‣ 更多 DrTech 的文章
文章代碼(AID): #1NIbS1Xj (Tech_Job)
‣ 更多 DrTech 的文章
文章代碼(AID): #1NIbS1Xj (Tech_Job)