Цитата Джеффа Дина

В системах машинного обучения ведется много работы, которая на самом деле не является машинным обучением. — © Джефф Дин
В системах машинного обучения много работы, которая на самом деле не является машинным обучением.
Раньше мы могли использовать машинное обучение в нескольких подкомпонентах системы. Теперь мы фактически используем машинное обучение для замены целых наборов систем, а не пытаемся создать лучшую модель машинного обучения для каждой из частей.
Мы собираемся полностью изменить то, что означает расширенная аналитика с помощью наших решений для обработки данных. У нас есть материалы по машинному обучению, которые действительно привносят продвинутую аналитику и статистическое машинное обучение в отделы обработки данных во всем мире.
Природа — самодельная машина, более совершенная, чем любая автоматическая машина. Создать что-то по образу природы — значит создать машину, и, изучив внутреннюю работу природы, человек стал строителем машин.
Я думаю, вы должны найти, как машина может работать на вас. Вот что я имею в виду под «привязыванием себя к машине», потому что машина будет там, и вы можете злиться на машину, что круто, но есть способы, которыми вы можете извлечь выгоду из машины, если вы сообразительны. достаточно, и вы достаточно сообразительны, достаточно умны. Мы все должны жить и есть.
Глубокое обучение — это подобласть машинного обучения, которая является активной областью исследований в области искусственного интеллекта или ИИ.
Нам нужно быть бдительными в отношении того, как мы проектируем и обучаем эти системы машинного обучения, иначе мы увидим укоренившиеся формы предвзятости, встроенные в искусственный интеллект будущего.
Сексизм, расизм и другие формы дискриминации встроены в алгоритмы машинного обучения, лежащие в основе технологии многих «интеллектуальных» систем, определяющих, как нас классифицируют и рекламируют.
Если бы все люди были приучены к эффективности машины при выполнении своих обязанностей, то должен был бы быть по крайней мере один человек вне машины, чтобы отдавать необходимые приказы; если машина поглотит или устранит всех, кто находится вне машины, машина замедлится и остановится навсегда.
Я думаю, что есть много отраслей, которые собирают много данных и еще не рассмотрели последствия машинного обучения, но в конечном итоге будут его использовать.
Мы всегда должны с подозрением относиться к системам машинного обучения, которые описываются как свободные от предвзятости, если они были обучены на данных, сгенерированных человеком. Наши предубеждения встроены в эти обучающие данные.
Кто всесилен в мире? Кто самый страшный в мире? Машина. Кто самый честный, самый богатый и мудрый? Машина. Что такое земля? Машина. Что такое небо? Машина. Что такое человек? Машина. Машина.
Во всем мире есть большой потенциал для машинного обучения. Мы наблюдаем это в академических кругах, в других компаниях, в правительстве.
Преимущество скрипичного репертуара в том, что он достаточно мал, чтобы в какой-то момент вы могли запланировать выучить все, в то время как репертуар фортепиано настолько огромен, что это было бы невозможно, если вы не обучающаяся машина.
И поначалу многие компании избегают попыток сделать действительно радикально новый вид названия для новой системы, потому что это потребует изучения новой машины и одновременного обучения тому, как создавать новое название.
Мой подход заключается в том, чтобы начать с простого принципа, согласно которому наше тело — это машина. Очень сложная машина, но тем не менее машина, и ее можно подвергать обслуживанию и ремонту так же, как и простую машину, как автомобиль.
Вы можете себе представить все, что люди хотят в области машинного обучения и искусственного интеллекта, над чем мы работаем, над чем мы продолжим работать в будущем.
Этот сайт использует файлы cookie, чтобы обеспечить вам максимальное удобство. Больше информации...
Понятно!