几年前，我加入了“机器学习将消除对放射科医生的需求”的潮流。 这不是我最明智的预测。 然而，在我的失败中，深度学习领域最顶尖的专家也加入了我的行列，比如杰弗里·辛顿 (Geoffrey Hinton)，他在 2016 年宣称“完全明显的是，五年内深度学习将比训练有素的放射科医生做得更好”。
他错了。 我错了。 作为一个行业，我们对于深度学习（机器学习的一个分支）的发展速度一直存在错误。
或者说并不是真正的“进步”，因为深度学习正在快速进步。 然而，它并没有发展到取代人类的地步。 Geometric Intelligence（一家 2016 年被 Uber 收购的机器学习公司）的科学家兼创始人加里·马库斯 (Gary Marcus) 写道，欣赏深度学习的关键是认识到这种模式识别工具“在我们需要的只是粗糙的时候处于最佳状态”。 – 准备好的结果，赌注很低，完美的结果是可选的。”
换句话说，机器可以用来补充而不是取代人类。
发挥深度学习的优势
深度学习本质上是一种大规模进行模式匹配的方法。 没有人能够梳理海量的数据来发现数据中的模式，而机器却可以。 相比之下，当出现异常值时，机器就会陷入困境，这种异常值可能很容易被人类发现，但与机器接受训练的数据相矛盾。 机器无法推理——人可以。 （嗯，大多数人都可以……大多数时候！）
OpenAI 的 Jared Kaplan 认为问题不在于原因，而在于规模。 输入机器的数据越多，机器就越接近复制人类的理性。 这种观点是错误的。
你不必相信我的话。 看看周围吧。 选择您想要的任何 AI/ML 系统。 它们中没有一个能够接近复制简单的人类智能，因为它们无法真正理解数据的含义。 这并不是说它毫无用处。 离得很远。 不，而是说我们应该让人成为人，让机器成为机器，并找到结合我们各自优势的方法。
真正了解真正的机器学习
我们还应该停止尝试让机器学习/深度学习成为通过简单数学更容易解决的问题的解决方案，遵循 Noah Lorang 的推理（“数据科学家大多只做算术”）。 或者正如亚马逊应用科学家 Eugene Yan 所阐述的那样，“机器学习的首要规则是从没有机器学习的情况下开始。”
如果我们努力理解数据，而不仅仅是处理数字，那么我们需要更加慎重地考虑如何使用我们可以使用的机器（即机器学习/人工智能）。 进一步引用 Lorang 的话说：“Lorang 对数据科学的见解在今天和他几年前所说的一样真实：‘只有一小部分业务问题最好通过机器学习来解决； 他们中的大多数人只需要良好的数据并理解其含义。”因此，他说，我们不应该让深度学习/ML 模型充满期望，而应该转向“SQL 查询来获取数据，……有关该数据的基本算术” 数据（计算差异、百分位数等）、绘制结果图表以及[编写]解释或建议段落。”
你知道：早在深度学习成为必需品之前，我们就已经做了几十年的事情了。
回到严。 对于一个成功的机器学习项目，“你需要数据。 您需要一个强大的管道来支持您的数据流。 最重要的是，您需要高质量的标签。” 最后一点强调了了解数据的必要性：要很好地标记数据，您需要在某种程度上了解数据。 所有这些都需要在你开始将随机数据投入深度学习算法之前发生，祈求结果。
这再次表明人类和机器之间需要更多的共生。 两者都不能取代另一个。 正如 TechRepublic 的 Mary Shacklett 最近所写，“伟大的人工智能不会在真空中发挥作用。 它与人类决策者协调，并以与人类共生的模式运作，以便能够达成或执行最佳决策或操作。” 因此，如果我们停止过度吹嘘深度学习、机器学习和人工智能的未来，转而关注当前将人类的聪明才智与暴力、机器驱动的模式匹配更好地结合起来的需求，将会有所帮助。
