当机器人玩家在著名的 AlphaGo 游戏中击败人类玩家时，深度学习 (DL) 一夜成名。深度学习训练和学习方法已被广泛认可用于“人性化”机器。现在在企业 AI 平台中发现的许多高级自动化功能都归功于机器学习 (ML) 和深度学习的快速发展技术.
这 对比帖 关于 AI、ML 和 DL 讨论了 DL 在 AI 的许多方面“无处不在”——无论是 NLP 还是计算机视觉应用程序。逐渐地，支持 AI 和 DL 的自动化系统、工具和解决方案正在渗透并接管所有业务部门——从营销到客户体验，从虚拟现实到自然语言处理 (NLP)——数字影响无处不在。
Facebook 研究人员陷入隐私困境
这里有一个 回顾2018年的争议超过公众对个人数据绝对隐私的要求。这种消费者需求与 Facebook 当前的 AI 研究工作直接冲突。Facebook 的人工智能研究人员需要“大量收集”个人数据来训练学习算法。
Facebook 意识到端到端加密的乌托邦式概念在研究界从成堆的个人数据中寻求答案确实是一个神话。对于未来的努力，研究人员现在正在认真考虑在单个设备上的“死数据”上训练算法，而不是大量收集个人数据。在这种情况下，Facebook 工程师将直接在用户手机上安装内容审核算法，以绕过数据隐私侵犯。
在一个 人工智能倍数 在文章中，作者详细介绍了几种独特的 DL 方法，例如自监督学习、FLS 和基于 GAB 的数据增强，这些方法可能会在围绕许多深度学习方法的保质期的争议中幸存下来。
支持 DL 的解决方案的另一个严重限制特征是学习算法仍然无法提供其选择的详细原因，这可能会促使用户盲目地接受 AI 工具提供的决定，然后为任何被拒绝的答案编造“虚假”解释。这对于决策支持解决方案来说并不是很令人鼓舞！
五到十年深度学习民主化
多年来，AI 业内人士一直认为 整个机器学习环境 应该民主化。DL 工具将成为开发人员工具包的标准部分。纳入标准 DL 库的可重用 DL 组件将携带其先前模型的训练特性以加速学习。随着深度学习工具的自动化不断发展，存在一种内在的风险，即该技术会发展成如此复杂的东西，以至于普通开发人员会发现自己完全无知。
关于深度学习的新预测
出的 前 10 个预测 关于 2022 年的深度学习，以下是今年值得关注的一些内容：
集成混合模型
深度学习在神经科学中的应用
通用对抗网络 (GAN)
边缘智能的使用
NLP 更上一层楼
现在和未来的深度学习应用
谷歌是追求的先驱营销中的深度学习. 谷歌收购 DeepMind Technologies 震惊了商业世界。Google 的使命是使 DL 成为关心 SEO 的搜索营销人员的重要解决方案。
ML 技术和工具在现实世界中最显着的应用趋势是，它们开始一次将一项业务转变为“从 CRM 中的聊天机器人和数字代理到虚拟现实 (VR) 支持的车间演示”。包括 DL 在内的未来 ML 技术必须展示从有限的培训材料中学习，并在上下文、持续学习和自适应能力之间迁移学习，以保持有用。
深度学习的强大技术已在语音和面部识别或图像分类等流行应用中多次使用。最近的应用和用例包括假新闻检测、医疗保健预测模型以及自动图像和手写生成。
未来趋势简而言之
将深度学习推向未来的一些主要趋势是：
当前 DL 研究和行业应用的增长表明它在 AI 的各个方面“无处不在”——无论是自然语言处理或计算机视觉应用程序。
随着时间的推移和研究机会的增加，无监督学习方法可能会提供非常模仿人类行为的模型。
消费者数据保护法与大量消费者数据的研究需求之间的明显冲突将继续存在。
深度学习技术在“推理”能力方面的局限性阻碍了自动化决策支持工具的发展。
谷歌对 DeepMind Technologies 的收购为全球营销人员带来了希望。
未来的 ML 和 DL 技术必须证明从有限的培训材料中学习，并在上下文、持续学习和适应能力之间迁移学习，以保持有用。
如果深度学习技术研究以目前的速度发展，开发人员可能很快就会发现自己落伍了，将被迫接受强化培训。
对深度学习的职业感兴趣？
根据您是完全的新手还是已经在其他数据科学领域有经验，您可能熟悉以下一些 有助于开展深度学习职业的有用技巧：
探索深度学习的广泛领域并缩小您的关注范围。
考虑到特定的重点领域，下一步就是培养相关的编程语言。例如，如果您的重点领域是 ML 算法，那么培养 Python 语言技能将会有所帮助。
不断提高您的分析技能同样重要。为此，您可能需要查看培训网站并尝试他们的练习。
最后，查看工作网站上的实际工作描述可能会增强您对深度学习工作角色和职责的了解。
更多内容请关注 OushuDB 小课堂
