知网论文查重样例–网络化人工智能的未来应用
发布时间：2017-08-21 点击率：0
无论是碎片化知识的学习与组织,还是网络化人工智能的发展,都将以互联网为基础平台,并且人工智能将更加趋近于智能化,从思维模式到行为表现也将趋于类人化.目前,人工智能在诸多领域已经得到了广泛应用,但仅局限于特定领域,并且对数据集要求苛刻,在实际应用中受到了诸多的限制.同时,我们也发现在人工智能领域发展的过程中还有很多方法值得去探索.
人类目前对智能这一概念的定义还相对较为模糊,但普遍的认识是,智能是从学习中得到的.人类对新鲜事物的学习通常首先需要观察事物本身的某些性质进行记忆,再通过反复的练习增强记忆,后将其转化为自己的知识.人工智能借鉴了人类学习的过程,并希望通过这样的学习过程使机器也同样获得智能.这样的模拟在一定程度上取得了成功.例如,2012年Hinton及其团队使用卷积神经网络(convolutionalneuralnetwork,CNN[74])大幅提高了对ImageNET数据集[75]识别的准确度[76],神经网络即是根据人类大脑的结构而提出的(如图11所示).
2015年12月举行的ImageNet和MSCOCO计算机视觉挑战赛上,来自微软亚洲研究院的孙剑团队采用152层深度卷积神经网络获得了超过人眼辨识的正确率[77].利用卷积神经网络是目前实现深度学习的一种比较成熟而且有效的方法.通过大量的学习与层数的不断加多,这种方法给人们带来了一个又一个的惊喜,并在一定程度上解决了图像分类、物体识别等问题[78∼82].
与深度学习不同,人类的学习往往是小样本多样化的,并且消耗资源极小,但目前的神经网络尚且无法做到这些[83,84].并且神经网络存在过度拟合的风险,只有采集到充分多的标注数据且数据维度足够高时,才能缓解复杂模型的过度学习问题.因此,深度学习性能依赖于海量的学习样本,在小样本数据下无法获得有效的知识.
由于深度学习神经网络对大样本空间学习的依赖程度较高,2015年12月science杂志上登出的国外学者通过概率推理针对“单样本学习”方法的文献[85]显得更加有意义.由于先验知识的存在,Bayes方法非常适合小样本的学习,但其同时又引入了先验知识的需求.
在当今社会,人类对自身健康问题的重视程度在逐步增加,医疗也从治疗型向预防型的方向转变.人工智能在预防医疗领域近些年已经受到部分研究机构的关注.1995年美国的芝加哥热浪事件之后,人们开始思考研究气候变化与人体健康之间的关系,随后发现类似事件的出现并非偶然,在其他地区也有发生由于温度的升高造成的疾病甚至死亡的现象[91].
但这些现象的出现仅靠人工的方法去分析天气与人体健康之间的联系是十分困难的,网络化人工智能的应用将更易于分析揭示它们之间的关联.不仅是天气,饮食习惯、生活作息、人际关系、社会压力都可能会影响我们的身体健康,而这些信息用传统的方法进行统计分析几乎是不可能的,但它们往往存在于互联网的碎片化知识当中,网络化人工智能将是有效的分析手段.
人工智能在医疗领域未来的发展依赖于有效的碎片化知识处理机制.未来不仅需要解决临床医学问题,而且要更加趋向于预测性研究.下面通过一个例子来说明通过跨域知识无序与非完整性,寻求新的知识发现.丙肝与肌无力在医学领域属于两个不同的病症,但我们在网络中进行查找发现,有大量的用户在网络中咨询有关丙肝与四肢无力之间的关系,然而对此的专业知识却少之又少,在查阅了大量资料后我们发现,早在1996年就有医学界的专家从专业角度对丙肝病毒与肌无力之间的联系进行过分析并发表了文献[92],但研究深度有限并未引起足够重视.
事实上,有关的信息在互联网产生的碎片化知识中体现的更多,这些碎片化知识可能来自患者或其亲友而非专业的医务工作者.如何从碎片化知识中有效提取类似于丙肝与肌无力之间联系的有价值信息是人工智能未来必须面对的难题.
.—— END ——.
