机器学习速度惊人，英国皇家学会发布“搭车指南

人工智能浪潮正席卷全球，机器学习作为其中一个重要分支，由于在多个范畴中展现出变革性的提高前景而被世界各国广泛关注。

近期，英国皇家学会院士、英国皇家学会机器学习工作组主席、惠康基金会(Wellcome Trust Centre)人类遗传中心主任、英国医学迷信院院士、牛津大学Peter Donnelly教授，就机器学习在各范畴的前景和运用才能成绩发表了相应报告——《机器学习：计算机实例学习的才能和前景概述》，让我们可以进一步看法到机器学习弱小的功能和力气。

机器学习是人工智能的一个分支，它可让计算机系统直接从示例数据和阅历中停止学习。

近些年，机器学习获得了惊人的停顿。在几年前表现还分明低于人类程度的系统，如今在某些特定义务方面却可以胜过人类，而且如今许多人每天都与基于机器学习的系统停止互动，例如社交媒体中的图像辨认系统、虚拟个人助理运用的语音辨认系统以及在线批发商运用的引荐系统等。

随着进一步发展，机器学习在一系列范畴中展现出可以支持潜在变革性提高的前景，而且随之而来的社会和经济机会也非常重要。

在医疗保健范畴，机器学习正在创建可以协助医生针对某些状况停止更准确或更有效诊断的系统；

在运输方面，它为无人驾驶汽车的发展提供支持，协助提高现有运输网络的运转效率；

对于公共服务，它可为有需求的人更有效地提供目的支持，或为用户提供定制服务；

而在迷信研讨范畴，机器学习如今正在协助研讨人员了解大量数据，为生物学、物理学、社会迷信等更多范畴提供新见解。

英国皇家学会(Royal Society)的报告《机器学习：计算机实例学习的才能和前景》列出了必要的举动，以使我们可以从机器学习的发展中充分受益并应对一些相关的应战。

如要阅读残缺报告，请访问：

royalsociety.org/machine-learning

1、从数据中获取价值

机器学习的最新成功很大程度上要归功于某些范畴（例如图像或语音辨认）可用数据的爆炸性增长。数据提供了大量示例，可供机器学习系统运用以提高功能。

支持机器学习的发展需求基于以下方面的牢靠数据环境：

•政府持续性的开放数据工作；

•新的数据共享形式，尊重隐私，并对某些数据集（例如来自NHS的数据集）的访问停止慎重管理；

•研讨经费范围内的数据管理资源；

•经过开放数据标准来延伸开放数据的生命周期。

据估计，在过去五年内，我们已创建了全球90%的数据。

据估计，公共部门数据的直接价值为18亿英镑，而由此带来的、更广泛的社会和经济利益总计为68亿英镑，23%的英国人缺乏基本的数字技能。

2、从机器学习中创造价值

1）技能


随着机器学习系统的普及并成为人们生活和生计的重要部分，三项技能需求应运而生。

首先，随着与机器学习的日常交互成为常态，对数据和这些系统运用的基本了解将成为一切年龄和背景的人们所需求的重要才能。在学校里引见机器学习中的关键概念以及一些关键的社会和伦理成绩可以协助培育这些技能。

其次，为确保广泛的产业部门和行业有才能以对其有益的方式应用机器学习，需求新的机制来创建具有相关知识的用户或从业人员储备库。这就需求调整法律、医疗保健和金融等学科范畴的大学教育课程，以为这些范畴的将来专业人员引入机器学习。资助关于机器学习的新硕士学位课程也可协助添加了解机器学习的用户数量。

第三，需求为培育机器学习高级技能提供进一步支持。如今具有高级技能人员的需求量曾经很大，因此迫切需求额外的资源来添加这种人才储备。这些资源包括添加培训博士生的经费，以及建立机制以招募和留住学术范畴内具无机器学习研讨才能的杰出研讨指导者。

2）企业


跨行业采用机器学习有许多潜在的好处，而这项技术的经济影响能够会在协助处理英国的消费力差距方面发挥核心作用。

跨行业的各种规模企业都需求获得适当的支持，以协助他们了解数据和机器学习对其运营的价值。此类支持包括：

•获得人才；

•经过政府支持机制为企业提供建议；

•经过行业战略推进机器学习的措施。

3、机器学习与社会

在为英国经济的新业务或范畴的蓬勃发展提供潜力的同时，机器学习的毁坏性潜力也给社会带来了应战，并使人们对其社会后果产生了疑虑。

其中一些应战与数据的新用途重新定义传统概念（如隐私或赞同）的方式有关。虽然为机器学习本身设置管理结构并不合适，但是围绕数据运用和管理需求一个新的框架来应对21世纪的应战。

其他应战则来自人与机器学习系统之间的关系。英国皇家学会展开了英国初次关于机器学习的深度公众对话，并发现对于机器学习的态度，无论是正面的还是负面的，都取决于它的运用状况。

随着该范畴的发展，机器学习研讨人员与公众之间的持续接触将很重要。这应该辅之以针对机器学习研讨生的相关道德培训。

4、研讨的新浪潮

机器学习是一个蓬勃发展的研讨范畴，有一系列激动人心的范畴需求在不同的方法和运用中进一步发展。一系列特定研讨成绩的停顿将直接处理公众对机器学习的潜在关注，或者直接限制机器学习的广泛运用：

•可解释性：我们能否可以创建功能弱小的机器学习系统，经过这个系统我们可以了解或查询机器作出特定决议或建议的缘由？

•检验和确认：我们能否可以创建更先进、更准确的机器学习系统的检验方法？

•隐私：有哪些技术处理方案可在保持数据集隐私的同时还支持以新的方式对它们停止运用？

•公平性以及理想世界的数据处理：如何将理想世界的数据整理成可用的方式，处理“理想世界”的混乱以及系统性或社会性的成见？

•因果关系：机器学习方法如何揭示因果关系？

•人机交互：我们应如何设计机器学习系统，使它们可以安全有效地与人类一同工作？

•安全：我们如何确保机器学习系统不易遭到网络攻击？

需求对这些范畴的研讨提供支持，以协助确保公众对部署机器学习系统的持续决计。

5、展开更多讨论

除这些近期的政策措施之外，机器学习还对将来提出了进一步的成绩：

•机器学习将对工作产生何种影响，我们应如何应对？

•我们如何确保该范畴朝着提供广泛社会好处的方向发展？

•我们如何确保机器学习的好处得到共享？

确保安全和疾速部署机器学习的最佳环境对于加强英国的经济增长、人们的福祉和安全性以及解锁“大数据”的价值至关重要。

慎重的管理对于确保在整个社会中共享机器学习的好处至关重要。

要在塑造数据格局、培育技能、支持商业运营、维护公众决计、推进研讨等关键范畴采取举动。

“在将来五至十年内，机器学习将对我们的生活和生活方式产生越来越大的影响。我们还有很多工作要做，以便我们应用机器学习的潜力并确保好处共享，尤其是由于这能够是英国将来几年的关键机遇范畴。”

牛津大学Peter Donnelly教授，英国皇家学会机器学习工作组主席，惠康基金会(Wellcome Trust Centre)人类遗传中心主任，英国医学迷信院院士，英国皇家学会院士。

为毛老子总也抢不到沙发？！！

前排顶，很好！

啊啊啊啊啊啊啊啊啊啊啊