威尼斯网站手机版下载 澳门在线威尼斯 人工智能教育时期将在光降,AI能做些什么?

人工智能教育时期将在光降,AI能做些什么?



首页>教育>教育综合>

大数据文摘出品

首先,我们来看这种多层次结构的所谓“上帝”与“凡人”关系。这种结构可以衍生推广很多层,直往无限大都说得过去。不过,最基础的也就是三层结构,就是这个游戏所展示的样子。

随着人工智能技术的不断升级换代与创新变革,AI也在潜移默化改变着生活的方方面面。

AI引领时代,教育创造未来——2019教育科技与人工智能论坛正式上线

教育综合亿欧教育科技论坛会务组2019-07-19 · 14:032019-07-19[ 亿欧导读
]

8月31日,亿欧将主办2019教育科技与人工智能论坛,论坛作为2019世界人工智能大会的分论坛之一,由世界人工智能大会组委会指导,上海人工智能学会协办。图片 1

今年2月,中共中央、国务院印发《中国教育现代化2035》,重点部署了面向教育现代化的十大任务,其中第八点指出,要加快信息化时代教育变革。2017年,国务院也曾在《新一代人工智能发展规划》中指出:“要建构包含智能学习、交互式学习的新型教育体系,推动人工智能在教学、管理、资源建设等全流程应用。”

随着国家政策的大力推动,和人工智能技术的逐渐成熟,AI已经应用到了教育的各个环节,如AI+教研、AI+教学、AI+练习、AI+测评、AI+管理,AI+教育也成为教育行业未来的趋势之一。

在此背景下,经国务院批准,国家发展改革委、科技部、工业和信息化部、国家互联网信息办公室、中国科学院、中国工程院等部委与上海市政府共同举办的2019年世界人工智能大会,以“智联世界
无限可能”为主题,将于8月29日至31日以世博中心为主会场,以徐汇滨江为分会场,在浦江两岸举办。

其中,8月31日下午,亿欧作为一家致力于推动新科技、新理念、新政策引入实体经济的科技与产业创新服务平台,将主办2019教育科技与人工智能论坛,论坛作为2019世界人工智能大会的分论坛之一,由世界人工智能大会组委会指导,上海人工智能学会协办,预计观众规模将达1000人。

据了解,本次论坛将以“AI引领时代,教育创造未来”为主题,从“用AI培养人才”和“培养AI时代需要的人才”两个方面,深入探讨“智能时代的人才培养”这一议题。分论坛采用主题演讲+中外圆桌对话的形式,将邀请国内外顶尖的人工智能和教育学专家学者、知名的教育企业创始人、从业者、投资人参与谈论。

在分论坛现场,亿欧智库将发布《2019全球AI+教育行业企业研究报告》,对美国、以色列、欧洲、中国等国家和地区的AI+教育企业进行研究。此外,亿欧还将通过企业/机构自申请、网友票选、专家复选的方式,评选出“中国AI+教育20强”,并将于8月31日下午在分论坛现场公布并为20家企业颁奖。

据悉,与去年相比,今年大会将继续坚持“高端化、国际化、专业化、市场化”,并突出“智能化”的办会方针,对标国际顶级行业盛会,进一步提升国际化和专业化水平,积极探索大会的智能化组织和市场化运营,持续打造世界顶尖的人工智能合作交流平台。

了解详情及报名请戳:

本文已标注来源和出处,版权归原作者所有,如有侵权,请联系我们。

各工作岗位将被AI取代的概率

制图员和摄影师 电子学家 建筑造价师 计算机硬件工程师 石油工程师
采矿和地质工程师 电气工程师 核能工程师 景观设计师 生物医学工程师
土木工程师 建筑师 航空航天工程师 化学工程师 机械工程师
教育综合资讯要闻资讯要闻AI+教育论坛2019世界人工智能大会智能教育

图片 2广告
WIM2019女性创业者论坛,她们眼中的创新和未来,期待与更多教育同僚共同见证,12月7日,我们北京见!

记者:云舟

我们先把横跨多个层次的玩家给抛开。

图片 3

玛丽·雪莱在创作世界上第一部科幻小说《科学怪人》的时候,恐怕没法预见到在一个多世纪后的今天,真的会出现一种脱胎于虚无,却能判断、能决策的存在。

多结构层次与单结构有什么差别吗?我在前面说过三种上帝与凡人的关系方式,如果就前两种来说,没什么不同。关键还是在于第三种,所谓“上帝创造了初始条件并部分控制凡人”。

AI在人类社会中所起到的作用将越发重要,培养人工智能人才将成为教育的重要使命,同时教育方式也将随着人工智能的发展而产生变化。

图片 4

在这种情况下,单层上下结构与多层结构的最大不同在于,多了许多空隙。这种空隙就给跨越层次留下了不小的空间。我们之前谈过在单层次关系之下凡人要如何刺破上帝的封锁,在那种情况下,我们还必需要求助于上帝的设定。现在,当存在多层有上下关系的“上帝”之后,空隙的产生就在于,每个层次的上帝都是拥有“设定”的权力的。

1.人工智能教育发展现状

玛丽·雪莱作品《科学怪人》插图

其实,虽然存在层次之分,它们之间的权力大小其实相差并不多。

当前,我国已充分认识到人工智能与教育融合发展的重要性,并进行了相关规划布局。教育部副部长钟登华介绍说,2017年,中国政府发布《新一代人工智能发展规划》,提出加快人工智能高端人才培养,建设人工智能学科,发展智能教育。

人工智能自动化近年来受到了广泛的关注,但在真正的建模工程师和业务人员眼中,却一直只是玩具级别的应用。不但限制重重,繁琐的编程和抽象的参数设置对于小白用户来说,也远远称不上“自动化”。

啊啊啊,这么说太过模糊了,我们还是来举例子:

2018年,教育部发布了《高等学校人工智能创新行动计划》,从高等教育领域推动落实人工智能发展。

谁能想到,早在2015年,硅谷就成立了一家致力于开发“帮助创造AI”的AI公司。日前,R2.ai的创始人兼CEO黄一文接受了我们的采访,为我们讲述了他们对于人工智能自动化行业的发展趋势以及产品技术核心的认识。

如果我们是程序员,而我们在电脑里创造了一个人工智能。这种时候,我们确实设立了这个人工智能的所有初始状态,并且亲手给它加上了自由成长的能力。我们每次管理这个人工智能,都能完整地看到其内部代码,想要它做什么它就必须做什么,这就代表我们对这个人工智能的部分控制权。这里所谓的“部分”,就是指,我们毕竟还要回家吃饭睡觉抱老婆孩子,哪能全天候地监视人工智能在干什么呢?并且,需要的时候,我们想怎么控制它就怎么控制它想怎么改变它就怎么改变它,它根本不可能违抗我们的命令。

2019年2月,《中国教育现代化20135》发布,提出加快推进信息化时代的教育变革,建设智能化校园,统筹建设一体化智能化教学、管理与服务平台,利用现代技术加快推动人才培养模式改革。在这些政策的引导下,一些地区和学校已经开始了人工智能与教育教学融合的探索。

回归本质——业务专家才是机器学习问题的最适解决者

不过,当这个人工智能成长到一定程度的时候,就已经有可能脱离程序员掌控了。而它赖以摆脱控制的根源,就在于我们作为程序员为它设定的自由成长的能力。它确实不能摆脱我们的命令,但它可以借由我们的命令来让我们发不出任何命令。我在第十六篇提到过那个隔壁老王的机器人故事,大抵如此。

2.人工智能是否能改变教育方式

AutoML对于人工智能社区来说并不能说是一个新潮的概念,国内国外的企业都陆续推出了自己的AutoML平台。但这些平台的使用者和服务对象往往是建模工程师,虽然能很大程度上提升建模工程师的工作效率,但对于常变常新的业务问题来说,却仍然慢了半拍。

然而,这种超脱控制的方式仍然是单线的。

人工智能和教育的关系越来越密切,因为它可能革新我们的教学方式。相关数据表明,全球大约有2.65亿儿童不能上学,还有约6亿儿童的小学数学、写作、阅读等都不熟练,而人工智能作为新兴技术,已经剧烈改变了孩子们的教育模式。

事实上,六年前的机器学习自动化产品就已经能够在十几分钟内解决TB级数据的建模问题了,但对于希望在业务中应用机器学习的企业来说,往往苦于寻找优秀的建模工程师和探索真正有用的应用场景;即便对于已经开始了机器学习应用的企业来说,缓慢的开发速度和低下的模型质量也往往使得企业在高昂的投入面前望而却步。

所谓多线的超脱是什么呢?

人工智能可以让声音转换成文字,能通过拍照的方式将纸上的文字全部转换为电子文档,数学、物理等学科都可以通过人工智能来进行批改。也可以帮助说方言的孩子学习普通话和外语。技术的提升和机器的运算处理不断升级,都为人工智能的发展提供了极大的动力支持,也为教育带来了更加便捷的方式。

换句话说,“传统的建模流程+超高速的机器学习自动化平台”这一模式并没有突破企业在实际应用中落地机器学习的瓶颈。

就是说,当程序员给予人工智能以“创造”的能力时,人工智能自己搞出来的一个超出程序员的东西。打个比方,如果程序员给自家的自动升级人工智能设立的目标是搞一个游戏出来,越好玩越好。于是这个人工智能利用这个权限,在游戏里写了一个以杀死全世界所有人类为目的的敌人AI作为boss,以便玩家玩得爽一点。而这个人工智能为了让游戏更好玩,尽全力提升那个AI的能力,直到有一天,AI超越了那个人工智能,也超越了人类。

“我们认为业务人员其实是最适合应用机器学习来解决问题的角色,让正确的人使用正确的工具来解决正确的问题,是我们想要达到的效果”,黄一文说。

当然了人工智能的缩写就是AI,不过为了便于区分,这里的人工智能与AI是不同的东西,大家都能理解的。

要最大化地利用企业的数据,让需求多样的企业真的能够在业务当中落地机器学习技术,一个普适性强,简单易用且高度自动化的高质量机器学习平台是不可或缺的。而这恰恰是R2
Learn 2.0的技术特点。

因为同样是程序,AI就比较容易地穿透了游戏的沙箱,在人工智能不知情的情况下来到了与之相同的层次上运行。这一定比人工智能超脱到人类的层次更容易,因为,在人工智能的基础设定里并不包括自身的安危或者其他什么的。我是说,对自身安全保护建立在必须完成指定任务的前提下,也就是说,我之所以不可以死掉,是因为我死掉就不能开发这个令人觉得好玩的游戏了。而当死掉对这个好玩的游戏有帮助时,人工智能也并不会在乎自己死活。

R2.ai也在近日推出了其最新一代AutoML产品R2 Learn
2.0版本,该产品目前正在进行免费试用活动,感兴趣的读者可以自行取阅👇

这当然只是其中的一条逻辑,你可能会说,可以在初始设定里加入其他限制什么的。然而,只要你想让它做事,你就赋予了它权限,而这种权限就可能在你知道或不知道的时候诞生出下一个世界,在那个世界里,它就成为了上帝。只要层数够多,所有的限制条件都可以重复那种单层结构的处理方式来打破,并且会越来越容易。层数越多,空隙越多,漏洞越大。

图片 5

于是,在上面那个例子里,人工智能设计的游戏boss的AI就这么从潘多拉盒子里自己爬出来了,然后遵从它被设定的目标,杀死全世界所有的人类。可能还有条设定是,它在遇到什么手持双刀或法杖或光枪或能量刀的勇者法师士官长的时候就一定要被干掉,它也忠实地遵从这一条原则,就像我们这个种群也忠实遵从繁衍的天律。只可惜,现实里真没有Good
Hunter。

R2.ai快速将数据转换为竞争优势

到这里,我们确实可以说,如果确实存在第三种关系的上帝的话,也可以存在超越它的方法。但是,如果我们仔细研究我上面所谈到的玩意儿,会发现,这些方法在根底上还存在两条假设:

傻瓜式操作,零代码实现机器学习

一,被创造者必须有可能与上帝所在的世界发生联系。我是指,需要存在一定程度以上的联系。毕竟,既然是创造者与被创造者的关系,不存在联系是不可能的。

小白的福音,数据科学家的得力助手

我讲这一点是因为,我不认为所有的创造都可能对上层世界产生影响。譬如说,我写了一本小说,在小说里竭尽心力搞了一个尽乎全知全能的生物出来。那么,那个生物能跨越过书本的限制影响到我的生活吗?

在R2 Learn
2.0中,R2.ai为业务问题提供了一个端到端、高自动化的机器学习解决方案。黄一文表示,具有广泛适用性的AutoML类产品对于产品化、优化及模型集成丰富度的要求很高,在R2
Learn
2.0中,用户甚至仅需鼠标操作,不断根据平台的提示进行选择,就可以在上传数据后迅速建立模型。

呃……可能也说不准?

不仅如此,在自动建模的过程中,R2 Learn
2.0还实现了数据清洗、修复,特征工程,模型评估等传统建模过程单元的自动化。

但我相信,这中间必定存在一个联系程度的问题。就比如说,电脑程序就可能更容易超越我们人类加之于其身的封锁,但小说里的鬼怪一定相当困难。如果说那些小说内的人物以一种情感传达的方式对读者造成影响……似乎也不能说它们没有超越,但相比于那几个AI,程度实在差得有点大。

图片 6

二,被创造者确实存在在某方面超越创造者的可能性。这一点一直是一种隐形假设,如果这一点不可能,那基本一切都是白扯……也不算啦,用这套东西写小说一定好看。

如在上图中,用户通过 R2 Learn平台,可发现该数据集存在两个问题:

这种可能性以目前能观察到的情况来看,已经是存在的了。毕竟,你写一段程序,能保证它不出Bug吗?如果不能的话,那它不就在Bug层面上超过你了嘛。而可能性是很重要的,只要存在可能性,按照概率,就一定会发生。这是我在前面谈概率时谈到的基本想法。

1.目标变量有3个水平值

然后就是,多层次身份存在的家伙了。

2.预测变量里存在缺失值和数据类型错配

解决这些问题,用户仅需点击Continue,平台就会引导用户选择目标变量中的唯一值,并对预测变量数据质量问题进行自动修复。

通过这样傻瓜式的引导,即便是毫无机器学习知识和经验的业务人员也能快速为业务问题进行针对性建模,从而实时满足业务需求。而对于掌握有机器学习领域知识的数据科学家或分析师来说,R2
Learn
2.0平台还提供了高级编辑模式,用户不但能够看到模型从数据预处理到模型评估的全过程,还能根据自己的经验和偏好对模型进行调整,这也体现了平台的高度透明性和可解释性。

自学习,自调参——AutoML迎来质变

对任何一个建模工程师来说,从0开始建立一个模型都足以成为不眠之夜的噩梦。谈到传统建模过程的复杂性时,黄一文说道:“建模的挑战主要是由建模过程在每一个步骤都有多元选择造成的,比如修复数据质量可能就有三四种不同的方式,变量工程有十几种不同的方式,算法的选择和算法的参数调整空间就更大了。这些选择会使得建模的复杂性指数型上升。”

从本质上讲,无论是对于人类工程师还是机器,建模都是一个不断试错的过程。人类的优势在于可以凭借经验和直觉找到一个不错的试错起点,但这不仅对建模工程师有很高的要求,还会使得模型的成功在很大程度上依赖于运气。而对于机器来说,不断尝试正是机器最适合做的事情,辅以高效的优化算法,机器可以在短时间内尝试大量模型并向用户推荐最优结果。

R2 Learn
2.0充分利用机器的算力优势,并开发了自学习和自调参技术来进一步提升平台的效率和模型的准确性。

“如果模型的初始参数与最优值相距较远,模型可能会很难收敛,也可能很容易发散到其他地方。为了找到一个合适的初始参数,我们的平台有一套基于增强学习的知识库,当用户上传了数据开始建模时,我们会将用户的数据与我们知识库的数据进行精准的匹配,从而使得模型从一个比较合理的超参数开始搜索”。黄一文介绍道。

图片 7

R2 Learn 2.0的系统架构

两小时建模,全生命周期管理,再次一败涂地的人类

效率问题是自动化机器学习需要解决的首要问题。

“要让机器学习自动化工具在企业中真正落地,我们必须实现端到端地自动化建模”,黄一文说道:“数据修复、特征工程、模型选择、模型调参、模型组合等步骤其实都是相互关联的,自动化及优化的程度越高,模型要搜索的空间也就越大,而且是成百上千倍地扩大。”

自动化建模实际上是一个搜索优化问题。即在所有的选项中,用最短的时间找到最优解。为了解决这一问题,R2.ai基于强化学习、遗传算法等开发了五种不同的优化算法,使得平台能够在非常短的时间内用尽可能少的资源找到最佳模型。

R2 Learn
2.0的高效在很多应用场景中都得到了体现,在一个金融行业的应用案例中,R2
Learn
2.0需要在保证高准确性的情况下帮助一个对冲基金公司建立人工智能交易模型。在将近100万行和超过80个变量的数据集上,R2
Learn
2.0在两小时内建出了一个AUC为0.78的模型,比原来的模型质量提高了12%。

“模型有不同的特点,有些模型建模速度非常快,有些模型精度非常高,有些模型效率非常高。而在金融场景中,模型的选择是非常关键的”,黄一文向我们继续介绍:“我们为R2
Learn
2.0设计了一个独特的模拟优化技术,用户可以将场景信息输入到模型中,系统会据此对模型进行重新优化,从而找到一个真正可以满足用户风险收益平衡需求的模型”。

图片 8

通过自动模型重新拟合,R2 Learn帮助对冲基金公司应对瞬息万变的市场

除了效率问题以外,准确性问题也是自动化机器学习工具无法回避的挑战。

通过端到端的全链建模流程整体优化,而不是几个步骤的局部优化,这是R2.ai可以生成更优异性能模型的法宝。

建模的每一步都是互相关联的。整体优化包括的步骤越多,生成优异模型的几率越高。当然,这同时意味着对优化算法的要求相应提高,这恰恰是R2.ai超越竞争对手的技术壁垒。

在一个医疗领域的案例中,医院希望能够通过病人的特征数据和诊断数据预测并控制病人的再入院率。R2
Learn
2.0通过对病患的画像、患病史、医疗诊断指标、入院记录等海量数据的分析,运用机器学习建模技术,
成功地在短时间内构建了AUC达0.846的模型。该结果成为了医院管理者分析并控制再住率的有效依据,大幅降低了出院病人的再入院成本,还可以给予患者更适合个人的医疗选项,提升患者的治疗体验。

图片 9

R2 Learn 2.0自动建模并调参,预测再入院率

除此之外,R2 Learn
2.0还将全生命周期管理的概念首次植入到了机器学习自动化领域中。黄一文谈道:“大部分企业现在主要关注的问题还是怎样建出更好的模型,但实际上模型的运营也是非常重要的,这就会涉及到模型的全生命周期管理问题。”

任何机器学习模型都是基于历史数据开发出来的,而历史数据反映的是过去的商业状况,所以模型其实是有保质期的。

“企业应该时刻监督模型在实际应用当中的性能,并不断用新的数据去实时优化旧的模型,这样才能为模型‘保鲜’”。黄一文如此建议。

AI无代码时代来临

业务问题,而不只是机器学习

“我们希望企业可以用98%的时间来解决业务问题,而不是机器学习问题”,谈到整个人工智能和数据行业的未来发展时,黄一文这样说道。“技术最终是服务于业务的,所以我认为机器学习工具的发展方向是让用户更快更有效地解决业务问题,与商业更好更深结合”。

外媒Interesting
Engineering在报道R2.ai这家近年来快速增长的公司时使用了”new
generation”一词,我们也确实看到R2.ai为人工智能在应用当中从0到1的落地迈出了坚实的一步。

“企业落地人工智能基本上可以有两种方法,第一种是基于系统规划,企业通过采集大量数据,搭建基础设施,一步一步地落地人工智能。而另外一种更推荐的方式则是先用现有的数据找到一个可以落地的场景,从小到大,而不是从大到小地开始建模。这样能大大降低人工智能落地的成本,也给企业更多的正反馈来进一步应用人工智能”。黄一文为我们补充道。

那么,数据科学家会失业吗?

社会自动化水平的提高让我们不得不面对严峻的就业形势,人工智能的广泛应用更是让大量行业的从业者面临着失业危机,在谈到数据行业从业者的职业问题时,黄一文乐观地与我们分享道:“从历史上来看,人类文明中每一个新技术的出现往往伴随着新行业的出现;自动化水平的提高往往伴随着新工作机会的出现,失业率不但不会提高,甚至还有可能降低”。

图片 10

未来:授人以鱼不如授人以渔

人工智能行业的发展速度往往给人一种日新月异的感觉,但谈到未来发展时,黄一文却显得很自信:“其实有很多技术我们在研究室当中已经做出来了,比如非监督学习,很快我们的用户就可以在聚类、异常检测、推荐等业务场景下应用自动化的机器学习了。”

另外,目前的R2 Learn
2.0平台还只支持结构化的数据,在采访的最后黄一文也表示将在未来一年着手支持自然语言处理和计算机视觉的应用场景,将非结构化数据的处理也纳入到R2
Learn 2.0的自动化范畴之内。

“现在有很多人发表言论说人工智也许会摧毁人类文明。我认为他们的思维是局限在有限的生存空间内的,但事实上我们所处的世界远远不止我们现在所了解的范围,AI最大的存在价值之一就是它能够帮助我们去探知未来的世界。”

黄一文继续说道:“R2 Learn
2.0就是一个泛用性很强的AI,未来我们想做的就是帮助企业去探知更多他们还没有了解的世界。中国人讲授人以鱼不如授人以渔,当人人可用的AI出现之后,企业一定能更深入地理解业务,不断开拓新的业务边界”。

标签:,

相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图